[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

说明书

本发明公开了一种GAN网络的硬件实现方法、装置、存储介质及终端，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GAN网络的网络参数，将浮点数模型转换为块浮点模型；将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。本申请提供的该硬件实现方法具有实现步骤简单、网络参数精度损失较小、运算复杂度低和存储单元要求显著降低等优点，解决了现有生成对抗网络在硬件部署时资源开销大、推理速度慢的问题。

技术领域

本发明涉及集成电路设计技术领域，特别涉及一种GAN网络的硬件实现方法、装置、存储介质及终端。

背景技术

近年来，随着人工智能和卷积神经网络的研究进程，其功能越来越发达，性能越来越优秀。但是神经网络参数量庞大、计算复杂度高的问题严重影响的神经网络在市场上的实际应用和发展。仅整数算术推理的量化方法(Quantization of Integer-Arithmetic-Only Inference)为卷积神经网络的硬件部署提供了一个量化的框架。通过将神经网络32比特浮点表达的权值和激励以非线性的量化为8比特定点数，从而实现在不经过重训练的情况下实现网络参数的量化，取得了良好的结果。

目前，生成对抗网络(Generative Adversarial Networks，GAN)是近年得到广泛研究的神经网络模型，通过生成模型(Generative Model)和判别模型(DiscriminativeModel)之间在训练时的相互博弈，实现无监督学习或者半监督学习。目前生成对抗网络从最基础的GAN、CGAN、DGAN网络发展到更为复杂的CycleGAN、DiscoGAN网络，在图像生成、语义分割、数据增强等方向得到了广泛的研究，并取得了新的成果。生成对抗网络包含大量的卷积运算和U型运算结构，所以需要进行额外的硬件加速模块设计。

发明内容

本申请实施例提供了一种GAN网络的硬件实现方法、装置、存储介质及终端。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。

第一方面，本申请实施例提供了一种GAN网络的硬件实现方法，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GAN网络的网络参数，将浮点数模型转换为块浮点模型；

将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。

可选的，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；

根据GAN网络的网络参数，将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浮点数模型中划分出第二数量的块；

确定出第一数量的块与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。

可选的，根据网络的权值参数从浮点数模型中划分出第一数量的块，包括：

获取浮点数模型中存在的每个权值参数；

将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。

可选的，根据网络的激活参数从浮点数模型中划分出第二数量的块，包括：

获取浮点数模型中存在的每个激活参数；

判断每个激活参数是否存在与其关联的多个网络层；