[发明专利]一种GAN网络的硬件实现方法、装置、存储介质及终端

权利要求书

1.一种GAN网络的硬件实现方法，其特征在于，所述方法包括：

训练GAN网络得到收敛后的浮点数模型，并导出收敛后的浮点数模型；

根据所述GAN网络的网络参数，将所述浮点数模型转换为块浮点模型；

将所述块浮点模型的块浮点卷积结构部署在硬件上，并基于部署后的块浮点卷积结构进行卷积运算。

2.根据权利要求1所述的方法，其特征在于，所述GAN网络的网络参数包括网络的权值参数和网络的激活参数；

所述根据所述GAN网络的网络参数，将所述浮点数模型转换为块浮点模型，包括：

根据网络的权值参数从所述浮点数模型中划分出第一数量的块；

根据网络的激活参数从所述浮点数模型中划分出第二数量的块；

确定出所述第一数量的块与所述第二数量的块中每个块的共享指数；

基于每个块的共享指数生成共享指数查找表，得到块浮点模型。

3.根据权利要求2所述的方法，其特征在于，所述根据网络的权值参数从所述浮点数模型中划分出第一数量的块，包括：

获取所述浮点数模型中存在的每个权值参数；

将所述每个权值参数对应网络层划分为一个块，生成第一数量的块。

4.根据权利要求2所述的方法，其特征在于，所述根据网络的激活参数从所述浮点数模型中划分出第二数量的块，包括：

获取所述浮点数模型中存在的每个激活参数；

判断所述每个激活参数是否存在与其关联的多个网络层；

若否，将所述每个激活参数对应网络层划分为一个块，生成第二数量的块；

或者，

若是，将所述每个激活参数对应网络层以及与其关联的多个网络层划分为一个块，生成第二数量的块。

5.根据权利要求2所述的方法，其特征在于，所述确定出所述第一数量的块与所述第二数量的块中每个块的共享指数，包括：

获取所述第一数量的块与所述第二数量的块中每个块的指数集；

将每个块的指数集中各指数进行升序排列，得到每个块的排序指数；

将每个块的排序指数中末尾最大指数确定为每个块的共享指数。

6.根据权利要求2所述的方法，其特征在于，所述基于部署后的块浮点卷积结构进行卷积运算，包括：

确定卷积运算的第一网络层；

接收所述第一网络层的激活尾数和权值尾数；

将所述激活尾数和权值尾数进行定点卷积和层累加运算，得到卷积结果；

根据所述共享指数查找表获取所述目标网络层的输入激活指数、输入权值指数以及输出激活指数；

根据所述输入激活指数、输入权值指数以及输出激活指数计算尾数偏移值；

将所述尾数偏移值与所述GAN网络的激活函数层结合后与所述卷积结果输入移位寄存器中进行移位，得到移位后的结果；

输出移位后的结果，并将移位后的结果确定为下一网络层的输入。

7.根据权利要求6所述的方法，其特征在于，所述将所述尾数偏移值与所述GAN网络的激活函数层结合后与所述卷积结果输入移位寄存器中进行移位，得到移位后的结果，包括：

将所述尾数偏移值与所述GAN网络的激活函数层结合，得到结合后的尾数偏移值；

当所述卷积结果的符号位为正时，基于结合后的尾数偏移值进行移位；

或者，

当所述卷积结果的符号位为负时，将0确定为移位后的结果。

8.一种GAN网络的硬件实现装置，其特征在于，所述装置包括：

模型训练导出模块，用于训练GAN网络得到收敛后的浮点数模型，并导出收敛后的浮点数模型；

模型转换模块，用于根据所述GAN网络的网络参数，将所述浮点数模型转换为块浮点模型；

模型部署运算模块，用于将所述块浮点模型的块浮点卷积结构部署在硬件上，并基于部署后的块浮点卷积结构进行卷积运算。