[发明专利]基于CNN细胞神经网络结构的数字集成处理方法

说明书

本发明提供一种基于CNN细胞神经网络结构的数字集成处理方法，支持同步高效的二维邻域矩阵计算，将图像像素矩阵上的所有点进行同步的块计算，实现了对图像高效处理专有芯片的设计，实现了高效率和低功耗因素，并具有成本低的优点，支持多种数据结构与数据精度，并完美支持各种主流协议与神经网络模型。

技术领域

本发明涉及数字集成处理技术领域，尤其涉及一种基于CNN细胞神经网络结构的数字集成处理方法。

背景技术

当前，随着人工智能领域的兴起，图像识别的地位愈发重要，作为图像识别领域的重要组成部分，图像处理的运算单元也一直在发展。从CPU通用计算，到GPU的一维并行计算，专有运算集成电路的发展越来越迅速。现有的处理器的运算单元或多或少有着自己的弊端：CPU，经典的冯诺依曼体系，是通用型的处理器，通过控制模块寻址访问内存调用数据进行处理，控制逻辑复杂。他的单个运算单元强大，但是运算核心之间不能共享算力，善于处理单个复杂计算任务，但不擅长并行大量任务。GPU，基于大吞吐量设计，Cache占用空间较少且仅为了支持Thread。他的运算单元数量较大，擅长大规模重复计算应用场景，但是只能进行一维运算，不擅长对邻域的区域数据进行二维运算，运算速度较慢。专有图像加速处理器，多基于传统卷积神经网络实现，受制于卷积层结构和数据结构，运算速度不高，精度有限且拥有学习能力的很少。现有运算集成电路单元要么为了单体的的算力牺牲了高速并行的能力，要么以运算单元的简化为代价增加计算吞吐量，要么受制于结构设计。因此，解决传统架构处理器运算单元的并行处理能力较弱、吞吐量大的计算单元单独运算能力不强、受制于结构和数据，要二维图像转换为一维数据相乘，二维运算能力缺失及对于大图像运算高功耗的问题就显得尤为重要了。

发明内容

本发明的目的是提供一种基于CNN细胞神经网络结构的数字集成处理方法，支持高效的二维邻域矩阵计算，将图像像素矩阵上的所有点进行同步的块计算，实现了对图像高效处理专有芯片的设计，实现了高效率和低功耗因素，并具有成本低的优点，支持多种数据结构，并完美支持各种主流协议与神经网络模型。

本发明提供一种基于CNN细胞神经网络结构的数字集成处理方法，所述方法包括以下步骤：

步骤一：图像由细胞电路单元组成的处理运算集合电路由像素点矩阵形式输入，进行采集，每一个电路单元都同时参与处理图像像素点；

步骤二：细胞电路单元将取图像中某一像素点作为处理对象，电路将对象图像像素点信息、运算单元周边像素点信息以及运算参数传递到电路模块中；

步骤三：使用乘法器单元将所有像素数据与运算参数相乘，得到优化的像素数据；

步骤四：将处理后的像素数据，经过三层加法器，先行计算结构上的相邻数据，两两相加后汇总，最终得到处理过后的像素数据；

步骤五：分别将细胞电路单元邻域内的相关连接点都做运算，运算结果由寄存器打一拍节奏后传输至加法单元部分计算；

步骤六：单元运算部分分别对应着不同的数据宽度；从结构上形成了邻域处理参数的两两相加，最后汇总，用空间换时间的思想加速多位宽、多数据相乘加的计算过程。

进一步改进在于：所述步骤三中的乘法器的数量为9个，且组成乘法单元，分别将细胞邻域内的相关连接点都做了运算。

进一步改进在于：所述步骤四中加法器共有8个，形成加法单元部分，从输入上一共有三种加法单元，分别对应着不同的数据宽度与输入预处理方法。进一步改进在于：所述步骤五中的计算模板为相关性连接矩阵关系。

进一步改进在于：所述步骤六中的运算单元数据结构含有多种格式，支持定点以及高精度浮点，拥有自我学习调节功能。