[发明专利]一种用于执行人工神经网络pooling运算的装置和方法

说明书

本公开提供了一种用于执行人工神经网络pooling运算的装置，包括控制器单元以及运算模块。控制器单元用于将指令译码成控制运算模块行为的控制信号，然后将控制信号发送至运算模块；运算模块用于根据接收到的控制信号完成pooling运算。本公开能解决CPU和GPU运算性能不足和前端译码开销大的问题。

技术领域

本公开涉及人工神经网络，具体地涉及一种用于执行pooling运算的装置和方法。

背景技术

多层人工神经网络被广泛应用于模式识别，图像处理，函数逼近和优化计算等领域，多层人工网络在近年来由于其较高的识别准确度和较好的可并行性，受到学术界和工业界越来越广泛的关注。

pooling运算是指在神经网络的特征层中，进行局部特征的降采样运算，减少特征层的维度。pooling运算分为两种：maxpooling是指在kernel内，取最大值作为结果；avgpooling是指在kernel内，取平均值作为结果。此处的kernel即pooling核，大小是参数指定的，并根据步长stride在特征层上进行滑动，进行pooling运算，得到结果。

一种支持多层人工神经网络pooling运算的正向运算和反向训练的已知方法是使用通用处理器。该方法通过使用通用寄存器堆和通用功能部件执行通用指令来支持上述算法。该方法的缺点之一是单个通用处理器的运算性能较低，无法满足通常的多层人工神经网络运算的性能需求。而多个通用处理器并行执行时，通用处理器之间相互通信又成为了性能瓶颈。另外，通用处理器需要把多层人工神经网络反向运算译码成一长列运算及访存指令序列，处理器前端译码带来了较大的功耗开销

另一种支持多层人工神经网络pooling运算的正向运算和反向训练的已知方法是使用图形处理器(GPU)。该方法通过使用通用寄存器堆和通用流处理单元执行通用SIMD指令来支持上述算法。由于GPU是专门用来执行图形图像运算以及科学计算的设备，没有对多层人工神经网络运算的专门支持，仍然需要大量的前端译码工作才能执行多层人工神经网络运算，带来了大量的额外开销。另外GPU只有较小的片上缓存，多层人工神经网络的模型数据(权值)需要反复从片外搬运，片外带宽成为了主要性能瓶颈。另外，GPU只有较小的片上缓存，多层人工神经网络的模型数据(权值)需要反复从片外搬运，片外带宽成为了主要性能瓶颈，同时带来了巨大的功耗开销。

公开内容

本公开的一个方面提供了一种用于执行人工神经网络pooling运算的装置，包括控制器单元以及运算模块，其中：控制器单元用于将该指令译码成控制运算模块行为的微指令(或控制信号)，然后将微指令发送至运算模块；运算模块用于根据接收到的微指令完成pooling运算。

本公开的另一个方面提供了一种使用上述装置执行人工神经网络pooling运算的方法。

本公开的另一方面提供了一种使用上述装置执行多层人工神经网络pooling运算的方法。

本公开还提供了一种电子装置，包括以上任一所述的装置。

本公开可以应用于以下场景中(包括但不限于)：数据处理装置、机器人、电脑、打印机、扫描仪、电话、平板电脑、智能终端、手机、行车记录仪、导航仪、传感器、摄像头、云端服务器、相机、摄像机、投影仪、手表、耳机、移动存储、可穿戴设备等各类电子产品；飞机、轮船、车辆等各类交通工具；电视、空调、微波炉、冰箱、电饭煲、加湿器、洗衣机、电灯、燃气灶、油烟机等各类家用电器；以及包括核磁共振仪、B超、心电图仪等各类医疗设备。

附图说明

为了更完整地理解本公开及其优势，现在将参考结合附图的以下描述，其中：

图1示出了根据本公开实施例的用于执行pooling运算的装置的整体结构的示例框图。

图2示出了根据本公开实施例的用于执行pooling运算的装置中运算模块结构的示例框图。