用于AI芯片设计的神经网络模型训练方法及图形分类方法

技术特征：
1.用于ai芯片设计的神经网络模型训练方法，其特征在于，包括以下步骤：(1)构建基于chip-firing的储备池层；(2)使用基于chip-firing的储备池层，并针对相应的任务，增加相应的输入处理层、输出处理层，构建满足需求的神经网络模型；(3)针对相应的任务，准备训练数据；(4)用训练数据，训练神经网络模型的输出处理层。2.根据权利要求1所述的用于ai芯片设计的神经网络模型训练方法，其特征在于，所述步骤(1)具体以下子步骤：(1.1)基于chip-firing的规则构建图结构；(1.2)基于所述图结构，设计储备池层，该储备池层节点包括若干输入节点，若干输出节点和sink节点；从这些输入节点输入储备池层的数据，经过chip-firing的规则被非线性处理后从这些输出节点输出，完成信息编码，具体计算方式为使用每轮输出节点转移的chip数作为对于输出节点输入的信息编码，若本轮某输出节点拥有的chip数小于其出度边数，编码中的值即为0；sink节点则用于接收网络中已经作用过的chips，以确保储备池层中的chip数不会不断累加。3.根据权利要求2所述的用于ai芯片设计的神经网络模型训练方法，其特征在于：所述步骤(1.1)的图结构为任意有向图，其中包括有向无环图。4.根据权利要求3所述用于ai芯片设计的神经网络模型训练方法，其特征在于，所述步骤(1.1)的图结构包括若干输入节点、若干输出节点和若干sink节点。5.根据权利要求3所述的用于ai芯片设计的神经网络模型训练方法，其特征在于，所述步骤(1.1)的图结构为有向无环图，具体是：由三种从前至后分层排列的节点层组成，分别是输入节点层，至少一中间节点层和输出节点层，输入节点层包含若干所述输入节点；输出节点层包含若干所述输出节点和一sink节点；数据在储备池层的网络中从输入节点层向输出节点层单向传播，且各节点层间没有反馈。6.根据权利要求1-5任一所述的用于ai芯片设计的神经网络模型训练方法，其特征在于：所述步骤(2)中，所述相应的任务为图像分类，以输入处理层、所述储备池层、线性输出处理层构建图像分类处理的神经网络模型。7.根据权利要求6所述的用于ai芯片设计的神经网络模型训练方法，其特征在于，所述步骤(3)具体是：将已有的图像数据集整理成x矩阵的形式作为图像输入信息，矩阵中每个元素为图像中每个点的像素值；以y矩阵作为标识图像类别的标签，矩阵中每个元素为对应x矩阵的每张图像的具体类别标识，输入至构建的神经网络模型中进行训练。8.根据权利要求7所述的用于ai芯片设计的神经网络模型训练方法，其特征在于：所述x矩阵的矩阵参数包括图像数量、图像通道数、图像长度和图像宽度；所述y矩阵的矩阵参数包括图像数量和图像类别。9.根据权利要求1所述的用于ai芯片设计的神经网络模型训练方法，其特征在于：在基于chip-firing的储备池层中，仅进行整数计算。10.图像分类方法，其特征在于，包括以下步骤：(一)采用权利要求7所述神经网络模型训练方法中所述步骤(3)的方式对原始图像进行预处理，得到图像数据；
(二)将图像数据输入至使用权利要求1-9任一所述训练方法得到的神经网络模型中；(三)由神经网络模型得到并输出图像分类的预测结果。

技术总结
本发明公开了一种用于AI芯片设计的神经网络模型训练方法及图像分类方法，涉及神经网络领域，训练方法包括：构建基于chip-firing的储备池层；使用上述储备池层，并针对相应的任务，增加输出处理层等必要结构，构建满足需求的神经网络模型；使用训练数据训练神经网络模型的输出处理层。本发明中，储备池层设计并使用了基于chip-firing的图结构，拥有和脉冲神经网络一样的类脑能力，更加接近自然神经元。图结构中每个节点可以并行参与计算，可更利于将其用在小终端及AI芯片中。此外，通过仅训练输出处理层参数的方式，大大减轻脉冲神经网络的训练困难，并为神经网络模型提供非线性拟合能力。能力。能力。


技术研发人员：罗晔 刘丽莹
受保护的技术使用者：厦门大学
技术研发日：2022.03.01
技术公布日：2022/6/3