神经网络计算方法与神经网络计算装置与流程

本公开关于一种计算方法及计算装置，尤其涉及一种神经网络计算方法及神经网络计算装置。

背景技术：

1、对于神经网络(neural network，nn)的计算而言，中间数据的大小反映了所需要的存储器大小。sram、dram、缓存器等存储器具有足够的大小时，可以增进神经网络的计算效率。然而，较大的存储器容量需要较大的芯片尺寸且增加了成本。

2、在神经网络模型的传统计算程序中，数据需要以一层接着一层的方式进行计算。某一层的中间数据皆需要被计算出来且需要存储于存储器中。这样一来，需要相当大的存储器容量。

技术实现思路

1、本公开关于一种神经网络计算方法及神经网络计算装置，神经网络的数据可以通过前层计算数据集进行计算，并且任一前层仅有部分的前层元素需要被存储。因此，存储器使用量可以大幅降低，存储器面积与成本可以有效降低。

2、根据本公开的一方面，提出一种神经网络计算方法，该神经网络计算方法包括以下步骤：决定至少一个选取层；决定多个前层；这些前层在选取层之前；从选取层的多个选取元素中选择一选择元素；定义相关于选择元素的一前层计算数据集；前层计算数据集由这些前层的多个前层元素的一部分所组成；根据前层计算数据集，计算选择元素。

3、根据本公开的另一方面，提出一种神经网络计算装置，该神经网络计算装置包括：一决定单元、一选择单元、一定义单元以及一计算单元；决定单元用于决定至少一个选取层并决定多个前层；这些前层在选取层之前；选择单元用于从选取层的多个选取元素中选择一选择元素；定义单元用于定义相关于选择元素的一前层计算数据集；前层计算数据集由这些前层的多个前层元素的一部分所组成；计算单元用于根据前层计算数据集，计算选择元素。

4、根据本公开的再一方面，提出一种神经网络计算方法，该神经网络计算方法包括以下步骤：决定至少一个选取层；决定多个前层；这些前层在选取层之前；从选取层的多个选取元素中选择一个以上选择元素；定义相关于这些选择元素的一个以上前层计算数据集；各个前层计算数据集由这些前层的多个前层元素的一部分所组成；根据这些前层计算数据集，计算这些选择元素。

5、为了对本公开的上述及其他方面有更佳的了解，下文特举实施例，并配合所附附图详细说明如下。

技术特征：

1.一种神经网络计算方法，包括：

2.根据权利要求1所述的神经网络计算方法，其中所述多个前层的数量大于2。

3.根据权利要求1所述的神经网络计算方法，还包括：

4.根据权利要求1所述的神经网络计算方法，其中该至少一个选取层的数量大于1。

5.一种神经网络计算装置，包括：

6.根据权利要求5所述的神经网络计算装置，还包括：

7.根据权利要求5所述的神经网络计算装置，其中该至少一个选取层的数量大于1。

8.一种神经网络计算方法，包括：

9.根据权利要求8所述的神经网络计算方法，其中所述多个所述多个选择元素以平行的方式计算。

10.根据权利要求8所述的神经网络计算方法，其中所述多个视觉数据集存储于同一存储器中。

技术总结
本公开提供一种神经网络计算方法与神经网络计算装置，该神经网络计算方法包括以下步骤：决定至少一个选取层；决定多个前层；这些前层在选取层之前；从选取层的多个选取元素中选择一选择元素；定义相关于选择元素的一前层计算数据集；前层计算数据集由这些前层的多个前层元素的一部分所组成；根据前层计算数据集，计算选择元素。

技术研发人员：林昱佑,李峯旻
受保护的技术使用者：旺宏电子股份有限公司
技术研发日：
技术公布日：2024/9/23