申请/专利权人：浙江大学

申请日：2023-11-30

公开（公告）日：2024-02-27

公开（公告）号：CN117610627A

主分类号：G06N3/063

分类号：G06N3/063;G06N3/092;G06N3/0464

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.03.15#实质审查的生效;2024.02.27#公开

摘要：本发明提供了一种面向DNN模型的Crossbar级异构ReRAM加速器配置方法及系统，本发明面向基于ReRAM的存内计算架构，分析模型层中权重参数与Crossbar大小在性能表现中的关系，提出分层异构的思想；使用强化学习算法自动化进行模型异构配置，在不损失模型精度的情况下，能够有效提升Crossbar利用率，降低系统计算延迟和能耗。

主权项：1.一种面向DNN模型的Crossbar级异构ReRAM加速器配置方法，其特征在于，具体为：获取DNN模型的每一网络层的结构信息作为状态信息；分别选择成对的两个神经网络模型作为现实表演者-目标表演者、以及现实评论者-目标评论者，以最优的层级异构Crossbar配置作为学习目标，基于强化学习进行若干批次迭代配置：在每个批次中，每次迭代以当前网络层的结构信息作为输入，通过现实表演者、目标表演者从环境中学习有价值的信息并在每一步输出动作影响环境；所述动作为DNN模型的一网络层对应的Crossbar大小；全部迭代完毕后输出动作策略；全部迭代完毕后环境会根据动作策略的表现给予奖励；现实评论者、目标评论者分别输出对现实表演者、目标表演者输出的每一动作的评价；其中，现实评论者通过最小化现实评论者、目标评论者的损失值作为损失函数进行优化训练网络参数；现实表演者通过最小化现实评论者的输出的负数得到用于参数更新的策略梯度进行优化训练网络参数；目标评论者、目标表演者采用软更新；奖励函数为由归一化的Crossbar利用率u和系统能量e组成的多项式；最后一个批次输出的动作策略即为最终的Crossbar级异构ReRAM加速器配置结果。

全文数据：

权利要求：

百度查询： 浙江大学 一种面向DNN模型的Crossbar级异构ReRAM加速器配置方法及系统

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