[发明专利]卷积计算引擎、人工智能芯片以及数据处理方法

权利要求书

1.一种神经网络模型的卷积计算引擎，其特征在于，所述神经网络模型至少包括第一网络层和第二网络层；所述卷积计算引擎包括：权重存储单元和数据计算单元；所述权重存储单元的输出端和所述数据计算单元的输入端相连接；

所述权重存储单元，用于在所述第一网络层的卷积运算过程中，从位于所述卷积计算引擎外的外部存储单元中预装载所述第二网络层的权重数据；

所述数据计算单元，用于响应针对所述第二网络层的运算指令，获取所述第二网络层的目标输入数据，以及从所述权重存储单元中读取所述第二网络层的权重数据；并采用所述第二网络层的权重数据对所述目标输入数据进行卷积运算。

2.如权利要求1所述的卷积计算引擎，其特征在于，所述第二网络层的权重数据包括N个卷积核中的权重值，N为正整数；

所述权重存储单元包括译码器模块和M个存储阵列，M为正整数；所述译码器模块的输出端分别与各个存储阵列的输入端相连接；其中，所述译码器模块用于对所述M个存储阵列执行权重值的读写操作，每个存储阵列是由多个存储单元按照矩阵形式进行排列所得到的阵列。

3.如权利要求2所述的卷积计算引擎，其特征在于，

所述译码器模块，用于在所述第一网络层的卷积运算过程中，从所述外部存储单元中获取所述第二网络层的权重数据；并确定所述第二网络层的权重数据中的各个权重值在所述M个存储阵列中的存储地址；分别按照所述各个权重值的存储地址，将所述各个权重值依次写入所述M个存储阵列中。

4.如权利要求2所述的卷积计算引擎，其特征在于，

所述译码器模块，用于响应关于所述第二网络层的权重读取指令，获取所述第二网络层的权重数据中的各个权重值在所述M个存储阵列中的存储地址；分别按照所述各个权重值的存储地址，从所述M个存储阵列中读取所述各个权重值，并将读取到的各个权重值传输至所述数据计算单元。

5.如权利要求3或4所述的卷积计算引擎，其特征在于，所述译码器模块包括：第一译码器、第二译码器以及访问控制器；所述第二译码器的输入端与所述第一译码器的输出端相连接，且所述第二译码器的输出端与所述访问控制器相连接；其中，

所述第一译码器用于对存储阵列的阵列标识进行译码，所述第二译码器用于对存储阵列中的存储单元的存储坐标进行译码，所述访问控制器用于产生关于所述M个存储阵列的访问时序，所述访问时序包括以下至少一种：初始化时序、读写控制及切换时序、写时序、读时序以及差错处理时序。

6.如权利要求5所述的卷积计算引擎，其特征在于，所述第二译码器包括：列译码器和行译码器；其中，

所述列译码器，用于对存储阵列中的存储单元的存储坐标中的列坐标进行译码；

所述行译码器，用于对存储阵列中的存储单元的存储坐标中的行坐标进行译码。

7.如权利要求5所述的卷积计算引擎，其特征在于，所述权重数据中的第n个卷积核中的目标权重值在所述M个存储阵列中的存储地址包括：用于存储所述目标权重值的目标存储阵列的阵列标识，以及所述目标存储阵列中用于存储所述目标权重值的目标存储单元的存储坐标；n∈[1，N]，所述目标权重值为所述第n个卷积核中的任一权重值；

所述第一译码器，用于从所述M个存储阵列中选取用于存储所述目标权重值的目标存储阵列，并确定所述目标存储阵列的阵列标识；

所述第二译码器，用于从所述目标存储阵列中选取用于存储所述目标权重值的目标存储单元，并确定所述目标存储单元的存储坐标；

所述访问控制器，用于在所述第一网络层的卷积运算过程中，从所述外部存储单元中获取所述目标权重值；并根据所述目标权重值对应的阵列标识，以及所述目标权重值对应的存储坐标，将所述目标权重值写入所述目标存储阵列的所述目标存储单元中。