申请/专利权人：山东大学

申请日：2023-06-26

公开（公告）日：2023-09-19

公开（公告）号：CN116776956A

主分类号：G06N3/082

分类号：G06N3/082;G06N3/0464;G06N3/048

优先权：

专利状态码：在审-实质审查的生效

法律状态：2023.10.10#实质审查的生效;2023.09.19#公开

摘要：本发明公开了一种基于ReRAM的深度神经网络加速器剪枝方法及系统，涉及深度神经网络加速器设计技术领域。该方法包括以下步骤：获取当前卷积层的激活值矩阵，以行列做为剪枝粒度设置标志位和阈值；根据标志位统计激活值的稀疏度，根据稀疏度进行排序；根据给定阈值标定敏感激活值行列与非敏感激活值行列，对非敏感激活值行列进行剪枝；利用激活值高位与权重进行卷积，得到高位运算结果，并根据高位运算结果对下一层非敏感激活值行列进行剪枝。本发明利用卷积神经网络激活值的稀疏性设计剪枝策略，适配ReRAMCrossbar结构，提升系统运行并行性的同时提升系统运算速度并降低系统功耗。

主权项：1.一种基于ReRAM的深度神经网络加速器剪枝方法，其特征在于，包括以下步骤：获取当前卷积层的激活值矩阵，以行列做为剪枝粒度设置标志位和阈值；根据标志位统计激活值的稀疏度，根据稀疏度进行排序；根据给定阈值标定敏感激活值行列与非敏感激活值行列，对非敏感激活值行列进行剪枝；利用激活值高位与权重进行卷积，得到高位运算结果，并根据高位运算结果对下一层非敏感激活值行列进行剪枝；其中，根据高位运算结果对下一层非敏感激活值行列进行剪枝的过程中，根据下一层激活值矩阵中行列的产生次序，依次统计激活值矩阵行列稀疏度，并标识无需执行低位卷积运算的计算过程；对统计结果进行排序，并根据给定阈值按照排序结果对激活值矩阵非敏感行列进行剪枝。

全文数据：

权利要求：

百度查询： 山东大学 基于ReRAM的深度神经网络加速器剪枝方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD