一种脉冲卷积神经网络加速器

技术特征：
1.一种脉冲卷积神经网络加速器，其特征在于，包括：控制器、图像排序单元、pe计算阵列、全连接计算单元和内部图像缓冲单元；所述控制器，用于在接收到输入图像后，启动所述图像排序单元对图像进行排序，并在排序完成后，启动所述pe计算阵列或所述全连接计算单元进行计算，并将计算产生的结果缓存至所述内部图像缓冲单元，若当前网络层为输出层，则统计脉冲发放频率，完成图像识别，若当前网络层为非输出层，则启动所述图像排序单元；所述pe计算阵列用于完成脉冲神经网络中的卷积层和池化层的计算；所述全连接计算单元用于完成脉冲神经网络中的全连接层的计算；其中，所述pe计算阵列和所述全连接计算单元均包括采用一阶欧拉方法消除lif神经元和izhikevich神经元求解的微分计算得到的优化后的lif神经元和优化后的izhikevich神经元。2.根据权利要求1所述的脉冲卷积神经网络加速器，其特征在于，所述图像排序单元，具体用于：在接收到启动信号时，判断是否为输入层来选择数据源，若是，则对输入图像进行排序，若否，则对所述内部图像缓冲单元中的中间缓存图像进行排序；排序完成后，生成脉冲序列排序完成信号。3.根据权利要求1所述的脉冲卷积神经网络加速器，其特征在于，lif神经元的优化过程为：采用一阶欧拉方法消除lif神经元求解的微分计算，得到消除求解的微分计算的计算公式为：对所述消除求解的微分计算的计算公式中的参数进行固化，使用算术相移替代所述消除求解的微分计算的计算公式中的乘法运算，并采用二阶的预测-校正法对所述消除求解的微分计算的计算公式进行优化，得到优化后的计算公式，所述优化后的计算公式为：解的微分计算的计算公式进行优化，得到优化后的计算公式，所述优化后的计算公式为：解的微分计算的计算公式进行优化，得到优化后的计算公式，所述优化后的计算公式为：β1＝α
·
v[n]，式中，v[n]为当前时刻的膜状态，v[n 1]为所求的膜电位大小，为采用一阶欧拉方法求得的膜电位电压，t
n
为计算时的第n个离散时间步，v
n
为输入膜电位大小，α为神经元的r
m
i受神经元此时膜电位的影响大小，r
m
为神经元膜电阻常数，i为输入电流值，f1(t,v)为第一目标方程，f2(t,v)为第二目标方程，β1、β2为不同阶段v的大小偏置，v
reset
为神经元静息电位，h为时间步，τ
m
为时间常数。
4.根据权利要求1所述的脉冲卷积神经网络加速器，其特征在于，优化后的izhikevich神经元的计算公式为：v[n 1]＝(0.04v2 5v 140-u i)
·
h；u[n 1]＝[a(bv-u)]
·
h；式中，v为膜电压，u为膜电位恢复变量，i为神经元的输入电流，a、b、c、d为神经元的模型参数，v
threhold
为膜电压阈值。5.根据权利要求1所述的脉冲卷积神经网络加速器，其特征在于，还包括：权重存储单元，用于存储和读取卷积计算的权重。6.根据权利要求5所述的脉冲卷积神经网络加速器，其特征在于，还包括：膜电位存储单元，用于存储和读取神经元膜电位。7.根据权利要求6所述的脉冲卷积神经网络加速器，其特征在于，所述pe计算阵列，具体用于：分别从权重存储单元和膜电位存储单元完成权重和膜电位的读取与写入，实现神经元膜电位更新。8.根据权利要求1所述的脉冲卷积神经网络加速器，其特征在于，所述pe计算阵列包括若干个pe单元；所述pe单元，用于当进行卷积操作时，在检测到输入脉冲时，将权重累加至寄存器中，在完成卷积操作后，将输入的神经元的膜电位与所述寄存器相加得到最后的膜电位；当进行池化操作时，通过有限状态机统计输入的图像中脉冲的个数，并将根据脉冲的个数确定的当前需要累加的数值保存到所述寄存器中，以获取最终的神经元膜电位和内部脉冲。

技术总结
本申请公开了一种脉冲卷积神经网络加速器，控制器在接收到输入图像后，启动图像排序单元对图像进行排序，并在排序完成后，启动PE计算阵列进行卷积和池化计算或启动全连接计算单元进行全连接计算，并将计算产生的结果缓存至内部图像缓冲单元，若当前网络层为输出层，则统计脉冲发放频率，完成图像识别，若当前网络层为非输出层，则启动图像排序单元；其中，PE计算阵列和全连接计算单元均包括采用一阶欧拉方法消除LIF神经元和Izhikevich神经元求解的微分计算得到的优化后的神经元，改善了现有技术存在神经元模型单一，无法支持多个不同的脉冲神经元搭建的SNN，并且计算单元所占用的硬件资源、计算量和功耗很大的技术问题。计算量和功耗很大的技术问题。计算量和功耗很大的技术问题。


技术研发人员：叶武剑 陈岳海 陈华润 刘怡俊
受保护的技术使用者：广东工业大学
技术研发日：2022.08.17
技术公布日：2022/11/11