[发明专利]数据更新方法和存储空间设置方法及装置、芯片、设备

说明书

本发明公开了一种数据更新方法和存储空间设置方法及装置、芯片、设备。为了解决现有技术中神经拟态芯片中数据读出层分类数量固定、芯片占用面积大、无法共享存储等技术问题，通过存储器的数据读出层读取脉冲神经网络输出的脉冲序列；对脉冲序列进行解析，以确定脉冲神经网络针对输入数据的预测类型；在存储器的存储地址序列中确定预测类型对应的目标存储地址；根据脉冲序列，对第一存储空间存储的脉冲聚合分析信息，以及第二存储空间存储的脉冲计数统计信息进行更新。基于该技术手段，取得了提升动态读出层中数据存储、更新效率，可动态分配移动平均值存储器，减小芯片面积，可动态配置输出类数量等技术效果。

技术领域

本申请涉及数据的动态读出层领域，具体涉及一种数据更新方法和存储空间设置方法及装置、芯片、设备。

背景技术

起源于脑科学的脉冲神经网络（Spiking Neural Network，SNN）是第三代神经网络，以人工通用智能为目标，其事件驱动(event driven)的超低功耗特点非常适合边缘计算、物联网(Internet of Things，IoT)等终端场景。

脉冲神经网络可以接收来自动态视觉传感器、麦克风或其它等效传感器的输入数据，并针对该输入数据产生脉冲序列，数据读出层可以用于读取该脉冲序列，并产生聚合输出以供后续分析。

当前的数据读出层（静态读出层），举例而言，其包括：

（1）16个计数器，每个分类（class）对应一个计数器；

（2）16个FIFO模块，每个模块32个单元，每个分类对应一个FIFO模块；

（3）16个移动平均值寄存器。

对每个输出类，当从卷积神经网络中接收一个脉冲，相应的计数器就会增加。当接收到时钟脉冲，所有计数器的值被移动至相应FIFO的第一单元，然后所有的计数器被重置。与此同时，所有的FIFO中的单元向前移动一步，而FIFO中最后一个单元数值被丢弃。如果计数器溢出，计数器维持最大值即可。在每一个时钟脉冲，每个计数器的值被加至相应类的存储有移动平均值的寄存器，然后FIFO中的单元（基于用户的选择，比如1、16或32个）的值减去相应类的寄存器中存储的移动平均值。以这种方式，在每个时钟周期，移动平均值寄存器被更新为新的移动平均值。

在对相关技术的研究和实践过程中，发明人发现当前数据读出层在读取脉冲神经网络输出的脉冲序列，并对相关信息进行存储时，存储效率与读取效率均有待提高、数据读出层分类数量固定、芯片占用面积大、无法共享存储等缺陷。

发明内容

本申请实施例提供一种数据更新和存储空间设置方法、装置、芯片及电子设备，为了优化或解决存储器对脉冲神经网络输出的脉冲序列的存储效率与数据更新效率、数据读出层分类数量固定、芯片占用面积大、无法共享存储等一个或多个技术问题。本发明是通过如下手段来实现的：

一种数据更新方法，所述数据更新方法包括如下步骤：通过存储器的数据读出层读取脉冲神经网络输出的脉冲序列；对所述脉冲序列进行解析，以确定所述脉冲神经网络针对输入数据的预测类型；在所述存储器的存储地址序列中确定所述预测类型对应的目标存储地址，其中，所述目标存储地址包括与脉冲聚合分析信息对应的第一存储地址，以及与脉冲计数统计信息对应的第二存储地址；所述脉冲聚合分析信息是指对所述预测类型的脉冲计数统计信息进行聚合分析后得到的信息；确定所述第一存储地址指示的第一存储空间，以及所述第二存储地址指示的第二存储空间，其中，所述第一存储空间存储有所述预测类型的脉冲聚合分析信息，所述第二存储空间存储有所述预测类型在至少一个时钟周期下的脉冲计数统计信息；根据所述脉冲序列，对所述第一存储空间存储的脉冲聚合分析信息以及所述第二存储空间存储的脉冲计数统计信息进行更新。