-
公开(公告)号：CN115392443B
公开(公告)日：2023-03-10
申请号：CN202211325953.6
申请日：2022-10-27
摘要： 本发明公开了类脑计算机操作系统的脉冲神经网络应用表示方法及装置，将一个类脑应用所需的全部文件组织成一个dpk，具体包括：模型校验文件、SNN模型描述文件、SNN权重连接文件、可执行模型文件，以及应用配置、数据预处理、脉冲编解码、应用业务逻辑处理等文件。dpk的生成过程分为三步：SNN模型训练或转换、模型编译、应用压缩打包。类脑计算机操作系统导入dpk后进行解压和安装，部署模型到类脑计算机，并基于该神经模型运行类脑应用。本发明对各种脉冲神经网络模型和应用配置信息的表示提供约束和规范，为各种类脑应用接入类脑计算机提供统一入口，有助于提高类脑操作系统的管理效率以及类脑计算机硬件资源的利用率。
-
公开(公告)号：CN114492770A
公开(公告)日：2022-05-13
申请号：CN202210104658.1
申请日：2022-01-28
摘要： 本发明公开了一种面向循环脉冲神经网络的类脑计算芯片映射方法，包括：S1，获取循环脉冲神经网络的输入，转换为逻辑图结构；S2，计算单节点树突表能容纳的最大突触数量；S3，结合循环脉冲神经网络的逻辑图结构，进行神经元节点的分配；S4，逐层进行各节点轴突表约束检查，若不满足约束，进行S5，若满足约束，则进行S6；S5，对不满足轴突表约束的节点进行分裂，并回到步骤S4进行各节点轴突表约束检查；S6，所有节点满足硬件约束时，分配节点坐标；S7，生成二进制芯片的配置信息，完成将循环脉冲神经网络部署到类脑计算芯片上的映射。本发明可以解决RSNN映射到芯片过程中的死锁问题，使RSNN准确映射部署在类脑计算芯片上。
-
公开(公告)号：CN114492782B
公开(公告)日：2022-09-16
申请号：CN202210407390.9
申请日：2022-04-19
摘要： 本发明公开了基于强化学习的神经网络的片上核心编译映射方法及装置，通过将传统映射规划问题放入强化学习框架，构造状态描述、奖励函数和行动空间，通过强化学习训练获得的策略深度网络，依次将神经元放置在片上网络的多个核心内。以通信代价、映射面积和核心内部使用率构造映射收益，并利用Actor‑Critic算法训练策略网络以获得更高的映射收益，训练强化学习策略网络学习任意脉冲神经网络神经元的最佳映射位置，最后利用训练完成的策略网络完成所需部署的神经网络到片上核心阵列的，降低了互连神经元片上通信距离代价，有效提高了芯片计算效率并降低整体功耗。
-
公开(公告)号：CN114492782A
公开(公告)日：2022-05-13
申请号：CN202210407390.9
申请日：2022-04-19
摘要： 本发明公开了基于强化学习的神经网络的片上核心编译映射方法及装置，通过将传统映射规划问题放入强化学习框架，构造状态描述、奖励函数和行动空间，通过强化学习训练获得的策略深度网络，依次将神经元放置在片上网络的多个核心内。以通信代价、映射面积和核心内部使用率构造映射收益，并利用Actor‑Critic算法训练策略网络以获得更高的映射收益，训练强化学习策略网络学习任意脉冲神经网络神经元的最佳映射位置，最后利用训练完成的策略网络完成所需部署的神经网络到片上核心阵列的，降低了互连神经元片上通信距离代价，有效提高了芯片计算效率并降低整体功耗。
-
公开(公告)号：CN114492770B
公开(公告)日：2024-10-15
申请号：CN202210104658.1
申请日：2022-01-28
摘要： 本发明公开了一种面向循环脉冲神经网络的类脑计算芯片映射方法，包括：S1，获取循环脉冲神经网络的输入，转换为逻辑图结构；S2，计算单节点树突表能容纳的最大突触数量；S3，结合循环脉冲神经网络的逻辑图结构，进行神经元节点的分配；S4，逐层进行各节点轴突表约束检查，若不满足约束，进行S5，若满足约束，则进行S6；S5，对不满足轴突表约束的节点进行分裂，并回到步骤S4进行各节点轴突表约束检查；S6，所有节点满足硬件约束时，分配节点坐标；S7，生成二进制芯片的配置信息，完成将循环脉冲神经网络部署到类脑计算芯片上的映射。本发明可以解决RSNN映射到芯片过程中的死锁问题，使RSNN准确映射部署在类脑计算芯片上。
-
公开(公告)号：CN114548384A
公开(公告)日：2022-05-27
申请号：CN202210456279.9
申请日：2022-04-28
摘要： 本发明属于神经网络领域，具体涉及一种具有抽象资源约束的脉冲神经网络模型构建方法和装置，该方法包括：步骤一：基于面向对象编程模型，构建脉冲神经网络模型，同时约束模型的抽象资源信息；步骤二：对构建完成的脉冲神经网络模型进行训练和检查，并根据检查结果进行调整，以得到满足抽象资源约束的模型；步骤三：标准化各个模型开发工具间的输入和输出，并根据标准化的模型开发工具，将所述满足抽象资源约束的模型转换生成在神经拟态计算平台上可运行的模型。本发明降低了各个工具之间的耦合和替换成本，提升了工具开发效率，模型构建过程中嵌入抽象资源约束信息，有效降低模型开发成本。
-
公开(公告)号：CN115392443A
公开(公告)日：2022-11-25
申请号：CN202211325953.6
申请日：2022-10-27
摘要： 本发明公开了类脑计算机操作系统的脉冲神经网络应用表示方法及装置，将一个类脑应用所需的全部文件组织成一个dpk，具体包括：模型校验文件、SNN模型描述文件、SNN权重连接文件、可执行模型文件，以及应用配置、数据预处理、脉冲编解码、应用业务逻辑处理等文件。dpk的生成过程分为三步：SNN模型训练或转换、模型编译、应用压缩打包。类脑计算机操作系统导入dpk后进行解压和安装，部署模型到类脑计算机，并基于该神经模型运行类脑应用。本发明对各种脉冲神经网络模型和应用配置信息的表示提供约束和规范，为各种类脑应用接入类脑计算机提供统一入口，有助于提高类脑操作系统的管理效率以及类脑计算机硬件资源的利用率。
-
-
-
-
-
-
搜索结果
7 条记录 (耗时 0.038 秒)
