CN119536812B - 一种基于risc-v的二值化神经网络加速器 - Google Patents
一种基于risc-v的二值化神经网络加速器 Download PDFInfo
- Publication number
- CN119536812B CN119536812B CN202411591391.9A CN202411591391A CN119536812B CN 119536812 B CN119536812 B CN 119536812B CN 202411591391 A CN202411591391 A CN 202411591391A CN 119536812 B CN119536812 B CN 119536812B
- Authority
- CN
- China
- Prior art keywords
- target network
- accelerator
- current task
- risc
- communication
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/30—Arrangements for executing machine instructions, e.g. instruction decode
- G06F9/30181—Instruction operation extension or modification
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0499—Feedforward networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明涉及二值化神经网络领域，具体而言，涉及一种基于RISC‑V的二值化神经网络加速器，其通过细致考量目标网络架构需求及其当前任务需求，筛选指定加速器内相对目标网络当前任务执行的适配RISC‑V指令集，在适配RISC‑V指令集针对目标网络当前任务执行驱动过程中，有效评估指定加速器针对目标网络当前任务执行的通信保障能力，待目标网络当前任务执行完毕，有效评估指定加速器针对目标网络当前任务执行的质量保障能力，综合通信保障能力和质量保障能力，评价指定加速器针对目标网络当前任务执行的驱动效果并进行反馈，帮助深入了解基于RISC‑V的二值化神经网络加速器的任务驱动性能和处理能力，进而增强加速器使用安全性和决策支持能力。
Description
技术领域
本发明涉及二值化神经网络领域，具体而言，涉及一种基于RISC-V的二值化神经网络加速器。
背景技术
RISC-V，作为一种开源的、模块化的指令集架构，近年来在计算机架构领域掀起了一股革新潮流，其开源特性不仅吸引了大量开发者，还推动了芯片设计的创新。尤其在神经网络加速器领域，RISC-V的引入为二值化神经网络的高效执行提供了新的契机。
现有技术已结合RISC-V架构的灵活性和二值化神经网络的计算效率设计一系列基于RISC-V的二值化神经网络加速器，然现有加速器针对二值化神经网络任务执行过程的驱动表现分析仍存在局限性，具体为：1、现有加速器缺乏针对二值化神经网络执行任务的RISC-V指令集个性化匹配机制，RISC-V指令集配置过低可能导致加速器在处理二值化神经网络任务时性能受限，无法满足实时性或高效性的要求，RISC-V指令集配置过高可能增加资源浪费风险。
2、现有加速器针对二值化神经网络任务执行的通信表现评估局限于整体通信参数表现水平，忽视现有加速器自适应通信配置参数调控表现的细致考量，导致通信表现评估结果缺乏可靠性和全面性。
3、现有加速器针对二值化神经网络任务执行的质量表现评估局限于输出结果精度和实际加速程度，忽视现有加速器针对二值化神经网络任务执行的资源分配效能，导致质量表现评估结果缺乏完整度。
发明内容
鉴于此，为解决上述背景技术中所提出的问题，现提出一种基于RISC-V的二值化神经网络加速器。
本发明解决其技术问题采用的技术方案是：本发明提供一种基于RISC-V的二值化神经网络加速器，包括：适配指令集筛选模块、通信保障能力评估模块、质量保障能力评估模块、任务驱动效果反馈模块和云数据库。
所述适配指令集筛选模块与通信保障能力评估模块连接，所述通信保障能力评估模块与质量保障能力评估模块连接，所述质量保障能力评估模块与任务驱动效果反馈模块连接，所述云数据库分别与通信保障能力评估模块、质量保障能力评估模块、任务驱动效果反馈模块连接。
适配指令集筛选模块，用于向指定加速器导入目标二值化神经网络配置数据及其当前任务需求数据，将目标二值化神经网络记为目标网络，从指定加速器配置的各类RISC-V指令集中，筛选目标网络当前任务执行的适配RISC-V指令集。
通信保障能力评估模块，用于实时监测适配RISC-V指令集针对目标网络当前任务执行驱动过程中的通信链路状况，评估指定加速器针对目标网络当前任务执行的通信保障能力。
质量保障能力评估模块，用于待目标网络当前任务执行完毕，分析指定加速器针对目标网络当前任务执行驱动的识别精度、加速程度和资源效能，评估指定加速器针对目标网络当前任务执行的质量保障能力。
任务驱动效果反馈模块，用于综合通信保障能力和质量保障能力，评价指定加速器针对目标网络当前任务执行的驱动效果并进行反馈。
云数据库，用于存储任务驱动效果评价标准规划的参照通信保障能力评估指标和参照质量保障能力评估指标，存储二值化神经网络任务执行过程通信链路预设的合理通信带宽利用率，存储当前任务真实标签内容。
相对于现有技术，本发明的实施例至少具有如下优点或有益效果：(1)本发明通过细致考量目标网络架构需求及其当前任务需求，于指定加速器配置的各类RISC-V指令集中，筛选目标网络当前任务执行的适配RISC-V指令集，不仅帮助实现加速器RISC-V指令集最优能效比，还确保任务执行的高效性和保障性。
(2)本发明通过细致考量指定加速器针对目标网络当前任务执行驱动的整体通信质量系数和整体通信维护系数，精准评估指定加速器针对目标网络当前任务执行的通信保障能力，有利于加速器任务驱动过程通信质量的持续优化，进而增强加速器使用安全性和决策支持能力。
(3)本发明通过分析指定加速器针对目标网络当前任务执行驱动的识别精度、加速程度和资源效能，精准评估指定加速器针对目标网络当前任务执行的质量保障能力，直接衡量加速器针对二值化神经网络任务驱动性能和处理能力，为系统的优化和决策提供依据。
附图说明
利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
图1为本发明的模块连接示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参照图1所示，本发明提供一种基于RISC-V的二值化神经网络加速器，包括：适配指令集筛选模块、通信保障能力评估模块、质量保障能力评估模块、任务驱动效果反馈模块和云数据库。
所述适配指令集筛选模块与通信保障能力评估模块连接，所述通信保障能力评估模块与质量保障能力评估模块连接，所述质量保障能力评估模块与任务驱动效果反馈模块连接，所述云数据库分别与通信保障能力评估模块、质量保障能力评估模块、任务驱动效果反馈模块连接。
所述适配指令集筛选模块，用于向指定加速器导入目标二值化神经网络配置数据及其当前任务需求数据，将目标二值化神经网络记为目标网络，从指定加速器配置的各类RISC-V指令集中，筛选目标网络当前任务执行的适配RISC-V指令集。
具体地，所述适配指令集筛选模块的具体分析过程包括：从目标网络配置数据中提取各配置层级及其对应各类逻辑运算要求和各类数据处理方式要求，检索指定加速器配置的各类RISC-V指令集中是否存在目标网络各配置层级对应各类逻辑运算要求的支持运算指令以及各类数据处理方式要求的支持操作指令，以此分析指定加速器配置的各类RISC-V指令集对于目标网络架构的指令覆盖度ICj，j为指定加速器配置的各类RISC-V指令集的编号，j＝1，2，...，b。
调取指定加速器各类RISC-V指令集历史预设周期内各项任务的执行日志内容，包括任务难度等级、精度时序变化曲线、速度时序变化曲线和功耗时序变化曲线，筛选其中单位时间的最小精度值、最小速度值和最大功耗值，以此统计指定加速器各类RISC-V指令集历史预设周期内各难度等级任务执行的平均精度限制yjh、平均速度限制vjh和平均功耗限制pjh，h为各难度等级任务的编号，h＝1，2，...，l，提取目标网络当前任务需求数据，包括功耗限制、精度限制和速度限制，比对分析指定加速器配置的各类RISC-V指令集对于目标网络当前任务的需求匹配度RMj。
将需求匹配度和指令覆盖度进行累加，筛选其中最大累加值对应RISC-V指令集作为目标网络当前任务执行的适配RISC-V指令集。
具体地，所述ICj的具体分析过程包括：整合目标网络配置层级的逻辑运算要求类型总数量和数据处理方式要求类型总数量，计算指定加速器配置的各类RISC-V指令集中针对目标网络配置层级逻辑运算要求的支持指令覆盖率和数据处理方式要求的支持指令覆盖率，将二者进行累加以得到指定加速器配置的各类RISC-V指令集对于目标网络架构的指令覆盖度。
需要说明的是，上述指定加速器配置的各类RISC-V指令集中针对目标网络配置层级逻辑运算要求的支持指令覆盖率是通过将指定加速器配置的各类RISC-V指令集中针对目标网络配置层级逻辑运算要求的支持指令数量与目标网络配置层级的逻辑运算要求类型总数量进行比值分析获取得到的，同理，指定加速器配置的各类RISC-V指令集中针对目标网络配置层级数据处理方式要求的支持指令覆盖率是通过将指定加速器配置的各类RISC-V指令集中针对目标网络配置层级数据处理方式要求的支持指令数量与目标网络配置层级的数据处理方式要求类型总数量进行比值分析获取得到的。
具体地，所述RMj的具体分析过程包括：由公式分析指定加速器各类RISC-V指令集历史预设周期内各难度等级任务执行的质量评分，其中y0、v0、p0分别为预置的参照精度值、参照速度值和参照功耗值，同理计算目标网络当前任务执行的需求质量评分
根据目标网络当前任务对应难度等级，筛分指定加速器各类RISC-V指令集历史预设周期内各相对高难度等级任务执行的质量评分Qjh′、各相对低难度等级任务执行的质量评分Qjh″和相同难度等级任务执行的质量评分其中h′为各相对高难度等级任务的编号，h′＝1，2，...，l′，h″为各相对低难度等级任务的编号，h″＝1，2，...，l″，以此分析指定加速器各类RISC-V指令集针对目标网络当前任务执行的参照质量评分
需要说明的是，上述指定加速器各类RISC-V指令集针对目标网络当前任务执行的参照质量评分的具体计算公式为其中l′、l″分别为相对高难度等级任务数量、相对低难度等级任务数量，δ1、δ2、δ3分别为预设的相对高难度等级、相对低难度等级和相同难度等级对应参考价值权重。
示例性地，上述δ1、δ2、δ3可具体取值为0.3、0.3、0.4。
由计算模型获取指定加速器配置的各类RISC-V指令集对于目标网络当前任务的需求匹配度。
本发明实施例通过细致考量目标网络架构需求及其当前任务需求，于指定加速器配置的各类RISC-V指令集中，筛选目标网络当前任务执行的适配RISC-V指令集，不仅帮助实现加速器RISC-V指令集最优能效比，还确保任务执行的高效性和保障性。
所述通信保障能力评估模块，用于实时监测适配RISC-V指令集针对目标网络当前任务执行驱动过程中的通信链路状况，评估指定加速器针对目标网络当前任务执行的通信保障能力。
具体地，所述通信保障能力评估模块的具体分析过程包括：分别记录适配RISC-V指令集针对目标网络当前任务执行驱动过程中通信链路的通信带宽利用率变化曲线、通信延迟变化曲线、丢包率变化曲线和误码率变化曲线，分析指定加速器针对目标网络当前任务执行驱动的整体通信质量系数CQ。
调取指定加速器通信管理日志记载的适配RISC-V指令集针对目标网络当前任务执行驱动过程中通信链路配置参数各次调控时间戳并检测其对应通信改善效果，以此分析指定加速器针对目标网络当前任务执行驱动的整体通信维护系数CM。
将整体通信质量系数和整体通信维护系数的累加值，作为指定加速器针对目标网络当前任务执行的通信保障能力评估指标。
具体地，所述CQ的具体分析过程包括：将适配RISC-V指令集针对目标网络当前任务执行驱动过程中通信链路的通信带宽利用率变化曲线导入matlab软件内获取其对应最佳拟合函数，记为F(t)，采集目标网络当前任务执行起始时间点t1和终止时间点t2，由公式分析适配RISC-V指令集针对目标网络当前任务执行驱动过程中通信链路的通信带宽合规系数，其中η0为云数据库存储的二值化神经网络任务执行过程通信链路预设的合理通信带宽利用率。
分析适配RISC-V指令集针对目标网络当前任务执行驱动过程中通信链路的通信延迟合规系数χ2、丢包率合规系数χ3和误码率合规系数χ4。
同理， 其中G(t)、R(t)、Z(t)分别为适配RISC-V指令集针对目标网络当前任务执行驱动过程中通信链路的通信延迟变化曲线、丢包率变化曲线、误码率变化曲线对应最佳拟合函数，σ0、ψ0、分别云数据库存储的二值化神经网络任务执行过程通信链路预设的许可通信延迟阈值、许可丢包率阈值、许可误码率阈值。
由公式CQ＝χl+χ2+χ3+χ4得到指定加速器针对目标网络当前任务执行驱动的整体通信质量系数。
具体地，所述CM的具体分析过程包括：根据适配RISC-V指令集针对目标网络当前任务执行驱动过程中通信链路配置参数各次调控时间戳的通信带宽利用率、通信延迟、丢包率和误码率，分别与二值化神经网络任务执行过程通信链路预设的合理通信带宽利用率、许可通信延迟阈值、许可丢包率阈值、许可误码率阈值进行比对，计算适配RISC-V指令集针对目标网络当前任务执行驱动过程中通信链路配置参数各次调控时间戳的通信带宽利用率、通信延迟、丢包率和误码率对应的偏差比并进行累加，将累加值作为适配RISC-V指令集针对目标网络当前任务执行驱动过程中通信链路配置参数各次调控时间戳的通信异常风险系数，并进一步与预置通信链路配置参数调控触发对应通信异常风险系数警戒阈值进行比值分析，以检索得到各次调控时间戳的调控触发符合度。
需要说明的是，上述适配RISC-V指令集针对目标网络当前任务执行驱动过程中通信链路配置参数各次调控时间戳的通信带宽利用率偏差比是通过将适配RISC-V指令集针对目标网络当前任务执行驱动过程中通信链路配置参数各次调控时间戳的通信带宽利用率与二值化神经网络任务执行过程通信链路预设的合理通信带宽利用率进行绝对差值计算，将计算的绝对差值进一步与二值化神经网络任务执行过程通信链路预设的合理通信带宽利用率进行比值分析获取。
上述适配RISC-V指令集针对目标网络当前任务执行驱动过程中通信链路配置参数各次调控时间戳的通信延迟偏差比是通过将适配RISC-V指令集针对目标网络当前任务执行驱动过程中通信链路配置参数各次调控时间戳的通信延迟与二值化神经网络任务执行过程通信链路预设的许可通信延迟阈值进行差值计算，若计算差值为非正数，则设置通信延迟偏差比为0，若计算差值为正数，则进一步将计算差值与二值化神经网络任务执行过程通信链路预设的许可通信延迟阈值进行比值分析获取。
适配RISC-V指令集针对目标网络当前任务执行驱动过程中通信链路配置参数各次调控时间戳的误码率偏差比和丢包率偏差比的计算过程同通信延迟偏差比计算过程一致。
于适配RISC-V指令集针对目标网络当前任务执行驱动过程中通信链路的通信带宽利用率变化曲线、通信延迟变化曲线、丢包率变化曲线和误码率变化曲线分别标注配置参数各次调控时间戳，规划各次调控时间戳后的各考察时段组合，检测各次调控时间戳后的各考察时段组合针对通信链路的通信带宽利用率、通信延迟、丢包率、误码率的相对改善度，根据各考察时段组合对应预设影响权重，分析适配RISC-V指令集针对目标网络当前任务执行驱动过程中通信链路配置参数各次调控时间戳的相对通信改善度。
需要说明的是，上述各次调控时间戳后的各考察时段组合针对通信链路的通信带宽利用率、通信延迟、丢包率、误码率的相对改善度的检测过程为：获取某次调控时间戳后其对应各考察时段组合通信链路的平均通信带宽利用率、平均通信延迟、平均丢包率和平均误码率，与该调控时间戳通信链路的通信带宽利用率、通信延迟、丢包率和误码率进行比对，将该调控时间戳后其对应各考察时段组合通信链路的通信延迟下降率、丢包率下降率和平均误码率下降率分别作为通信延迟、丢包率、误码率对应的相对改善度，将该调控时间戳后其对应各考察时段组合通信链路通信带宽利用率与二值化神经网络任务执行过程通信链路预设的合理通信带宽利用率的偏差比下降率作为通信带宽利用率的相对改善度，由此获取各次调控时间戳后的各考察时段组合针对通信链路的通信带宽利用率、通信延迟、丢包率、误码率的相对改善度。
还需要说明的是，上述适配RISC-V指令集针对目标网络当前任务执行驱动过程中通信链路配置参数各次调控时间戳的相对通信改善度是通过将各次调控时间戳后的各考察时段组合针对通信链路的通信带宽利用率、通信延迟、丢包率、误码率的相对改善度进行累加，以得到各次调控时间戳后的各考察时段组合针对通信链路的整体相对改善度，将各考察时段组合针对通信链路的整体相对改善度与其对应预设影响权重乘积进行累加，以得到适配RISC-V指令集针对目标网络当前任务执行驱动过程中通信链路配置参数各次调控时间戳的相对通信改善度。
将调控触发符合度与相对通信改善度的乘积作为通信改善效果检测指标，收集适配RISC-V指令集针对目标网络当前任务执行驱动过程中通信链路配置参数各次调控时间戳的通信改善效果检测指标并进行均值计算，以得到指定加速器针对目标网络当前任务执行驱动的整体通信维护系数。
本发明实施例通过细致考量指定加速器针对目标网络当前任务执行驱动的整体通信质量系数和整体通信维护系数，精准评估指定加速器针对目标网络当前任务执行的通信保障能力，有利于加速器任务驱动过程通信质量的持续优化，进而增强加速器使用安全性和决策支持能力。
所述质量保障能力评估模块，用于待目标网络当前任务执行完毕，分析指定加速器针对目标网络当前任务执行驱动的识别精度、加速程度和资源效能，评估指定加速器针对目标网络当前任务执行的质量保障能力。
具体地，所述质量保障能力评估模块的具体分析过程包括：将指定加速器针对目标网络当前任务执行驱动下输出标签内容与云数据库存储的当前任务真实标签内容进行比对，分析指定加速器针对目标网络当前任务执行驱动下的精确率ζ和召回率φ，以此计算指定加速器针对目标网络当前任务执行驱动的识别精度。
模拟仿真目标网络不借助指定加速器情况下执行当前任务并记录任务完成时长，与指定加速器针对目标网络当前任务执行驱动的完成时长进行比值分析，得到指定加速器针对目标网络当前任务执行驱动的加速程度。
整理指定加速器针对目标网络当前任务执行驱动的计算资源利用率ε1、存储资源占用率ε2和硬件累计功耗μ，由公式分析指定加速器针对目标网络当前任务执行驱动的资源效能，其中ε′1、ε′2、μ0分别为指定加速器二值化神经网络任务驱动预置的合理参照计算资源利用率、合理参照存储资源占用率和合理参照硬件累计功耗。
将指定加速器针对目标网络当前任务执行驱动的识别精度、加速程度、资源效能进行累加，以得到指定加速器针对目标网络当前任务执行的质量保障能力评估指标。
本发明实施例通过分析指定加速器针对目标网络当前任务执行驱动的识别精度、加速程度和资源效能，精准评估指定加速器针对目标网络当前任务执行的质量保障能力，直接衡量加速器针对二值化神经网络任务驱动性能和处理能力，为系统的优化和决策提供依据。
具体地，所述指定加速器针对目标网络当前任务执行驱动的识别精度的计算公示为：
所述任务驱动效果反馈模块，用于综合通信保障能力和质量保障能力，评价指定加速器针对目标网络当前任务执行的驱动效果并进行反馈。
具体地，所述任务驱动效果反馈模块的具体分析过程包括：提取指定加速器针对目标网络当前任务执行的通信保障能力评估指标TX和质量保障能力评估指标ZL，由公式评价指定加速器针对目标网络当前任务执行的驱动效果，其中TX0、ZL0分别为云数据库存储任务驱动效果评价标准规划的参照通信保障能力评估指标和参照质量保障能力评估指标。
所述云数据库，用于存储任务驱动效果评价标准规划的参照通信保障能力评估指标和参照质量保障能力评估指标，存储二值化神经网络任务执行过程通信链路预设的合理通信带宽利用率、许可通信延迟阈值、许可丢包率阈值和许可误码率阈值，存储当前任务真实标签内容。
本实施例的云数据库中的数据来源如下表1所示。
表1云数据库中的数据来源明细说明表
以上内容仅仅是对本发明结构所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的结构或者超越本发明所定义的范围，均应属于本发明的保护范围。
Claims (9)
1.一种基于RISC-V的二值化神经网络加速器，其特征在于，包括：
适配指令集筛选模块，向指定加速器导入目标二值化神经网络配置数据及其当前任务需求数据，将目标二值化神经网络记为目标网络，从目标网络配置数据中提取各配置层级及其对应各类逻辑运算要求和各类数据处理方式要求，检索指定加速器配置的各类RISC-V指令集中是否存在目标网络各配置层级对应各类逻辑运算要求的支持运算指令以及各类数据处理方式要求的支持操作指令，以此分析指定加速器配置的各类RISC-V指令集对于目标网络架构的指令覆盖度，为指定加速器配置的各类RISC-V指令集的编号，；
调取指定加速器各类RISC-V指令集历史预设周期内各项任务的执行日志内容，包括任务难度等级、精度时序变化曲线、速度时序变化曲线和功耗时序变化曲线，筛选其中单位时间的最小精度值、最小速度值和最大功耗值，以此统计指定加速器各类RISC-V指令集历史预设周期内各难度等级任务执行的平均精度限制、平均速度限制和平均功耗限制，为各难度等级任务的编号，，提取目标网络当前任务需求数据，包括功耗限制、精度限制和速度限制，比对分析指定加速器配置的各类RISC-V指令集对于目标网络当前任务的需求匹配度；
将和进行累加，筛选其中最大累加值对应RISC-V指令集作为目标网络当前任务执行的适配RISC-V指令集；
通信保障能力评估模块，实时监测适配RISC-V指令集针对目标网络当前任务执行驱动过程中的通信链路状况，评估指定加速器针对目标网络当前任务执行的通信保障能力；
质量保障能力评估模块，待目标网络当前任务执行完毕，分析指定加速器针对目标网络当前任务执行驱动的识别精度、加速程度和资源效能，评估指定加速器针对目标网络当前任务执行的质量保障能力；
任务驱动效果反馈模块，综合通信保障能力和质量保障能力，评价指定加速器针对目标网络当前任务执行的驱动效果并进行反馈；
云数据库，存储任务驱动效果评价标准规划的参照通信保障能力评估指标和参照质量保障能力评估指标，存储二值化神经网络任务执行过程通信链路预设的合理通信带宽利用率，存储当前任务真实标签内容。
2.根据权利要求1所述的一种基于RISC-V的二值化神经网络加速器，其特征在于：所述的具体分析过程包括：整合目标网络配置层级的逻辑运算要求类型总数量和数据处理方式要求类型总数量，计算指定加速器配置的各类RISC-V指令集中针对目标网络配置层级逻辑运算要求的支持指令覆盖率和数据处理方式要求的支持指令覆盖率，将二者进行累加以得到指定加速器配置的各类RISC-V指令集对于目标网络架构的指令覆盖度。
3.根据权利要求1所述的一种基于RISC-V的二值化神经网络加速器，其特征在于：所述的具体分析过程包括：由公式分析指定加速器各类RISC-V指令集历史预设周期内各难度等级任务执行的质量评分，其中分别为预置的参照精度值、参照速度值和参照功耗值，同理计算目标网络当前任务执行的需求质量评分；
根据目标网络当前任务对应难度等级，筛分指定加速器各类RISC-V指令集历史预设周期内各相对高难度等级任务执行的质量评分、各相对低难度等级任务执行的质量评分和相同难度等级任务执行的质量评分，以此分析指定加速器各类RISC-V指令集针对目标网络当前任务执行的参照质量评分；
由计算模型获取指定加速器配置的各类RISC-V指令集对于目标网络当前任务的需求匹配度。
4.根据权利要求1所述的一种基于RISC-V的二值化神经网络加速器，其特征在于：所述通信保障能力评估模块的具体分析过程包括：分别记录适配RISC-V指令集针对目标网络当前任务执行驱动过程中通信链路的通信带宽利用率变化曲线、通信延迟变化曲线、丢包率变化曲线和误码率变化曲线，分析指定加速器针对目标网络当前任务执行驱动的整体通信质量系数；
调取指定加速器通信管理日志记载的适配RISC-V指令集针对目标网络当前任务执行驱动过程中通信链路配置参数各次调控时间戳并检测其对应通信改善效果，以此分析指定加速器针对目标网络当前任务执行驱动的整体通信维护系数；
将整体通信质量系数和整体通信维护系数的累加值，作为指定加速器针对目标网络当前任务执行的通信保障能力评估指标。
5.根据权利要求4所述的一种基于RISC-V的二值化神经网络加速器，其特征在于：所述的具体分析过程包括：将适配RISC-V指令集针对目标网络当前任务执行驱动过程中通信链路的通信带宽利用率变化曲线导入matlab软件内获取其对应最佳拟合函数，记为，采集目标网络当前任务执行起始时间点和终止时间点，由公式分析适配RISC-V指令集针对目标网络当前任务执行驱动过程中通信链路的通信带宽合规系数，其中为云数据库存储的二值化神经网络任务执行过程通信链路预设的合理通信带宽利用率；
分析适配RISC-V指令集针对目标网络当前任务执行驱动过程中通信链路的通信延迟合规系数、丢包率合规系数和误码率合规系数；
由公式得到指定加速器针对目标网络当前任务执行驱动的整体通信质量系数。
6.根据权利要求4所述的一种基于RISC-V的二值化神经网络加速器，其特征在于：所述的具体分析过程包括：根据适配RISC-V指令集针对目标网络当前任务执行驱动过程中通信链路配置参数各次调控时间戳的通信带宽利用率、通信延迟、丢包率和误码率，检索各次调控时间戳的调控触发符合度；
于适配RISC-V指令集针对目标网络当前任务执行驱动过程中通信链路的通信带宽利用率变化曲线、通信延迟变化曲线、丢包率变化曲线和误码率变化曲线分别标注配置参数各次调控时间戳，规划各次调控时间戳后的各考察时段组合，检测各次调控时间戳后的各考察时段组合针对通信链路的通信带宽利用率、通信延迟、丢包率、误码率的相对改善度，根据各考察时段组合对应预设影响权重，分析适配RISC-V指令集针对目标网络当前任务执行驱动过程中通信链路配置参数各次调控时间戳的相对通信改善度；
将调控触发符合度与相对通信改善度的乘积作为通信改善效果检测指标，收集适配RISC-V指令集针对目标网络当前任务执行驱动过程中通信链路配置参数各次调控时间戳的通信改善效果检测指标并进行均值计算，以得到指定加速器针对目标网络当前任务执行驱动的整体通信维护系数。
7.根据权利要求4所述的一种基于RISC-V的二值化神经网络加速器，其特征在于：所述质量保障能力评估模块的具体分析过程包括：将指定加速器针对目标网络当前任务执行驱动下输出标签内容与云数据库存储的当前任务真实标签内容进行比对，分析指定加速器针对目标网络当前任务执行驱动下的精确率和召回率，以此计算指定加速器针对目标网络当前任务执行驱动的识别精度；
模拟仿真目标网络不借助指定加速器情况下执行当前任务并记录任务完成时长，与指定加速器针对目标网络当前任务执行驱动的完成时长进行比值分析，得到指定加速器针对目标网络当前任务执行驱动的加速程度；
整理指定加速器针对目标网络当前任务执行驱动的计算资源利用率、存储资源占用率和硬件累计功耗，以此分析指定加速器针对目标网络当前任务执行驱动的资源效能；
将指定加速器针对目标网络当前任务执行驱动的识别精度、加速程度、资源效能进行累加，以得到指定加速器针对目标网络当前任务执行的质量保障能力评估指标。
8.根据权利要求7所述的一种基于RISC-V的二值化神经网络加速器，其特征在于：所述指定加速器针对目标网络当前任务执行驱动的识别精度的计算公示为：。
9.根据权利要求7所述的一种基于RISC-V的二值化神经网络加速器，其特征在于：所述任务驱动效果反馈模块的具体分析过程包括：提取指定加速器针对目标网络当前任务执行的通信保障能力评估指标和质量保障能力评估指标，由公式评价指定加速器针对目标网络当前任务执行的驱动效果，其中分别为云数据库存储任务驱动效果评价标准规划的参照通信保障能力评估指标和参照质量保障能力评估指标。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202411591391.9A CN119536812B (zh) | 2024-11-07 | 2024-11-07 | 一种基于risc-v的二值化神经网络加速器 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202411591391.9A CN119536812B (zh) | 2024-11-07 | 2024-11-07 | 一种基于risc-v的二值化神经网络加速器 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN119536812A CN119536812A (zh) | 2025-02-28 |
| CN119536812B true CN119536812B (zh) | 2025-05-27 |
Family
ID=94711909
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202411591391.9A Active CN119536812B (zh) | 2024-11-07 | 2024-11-07 | 一种基于risc-v的二值化神经网络加速器 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN119536812B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108932135A (zh) * | 2018-06-29 | 2018-12-04 | 中国科学技术大学苏州研究院 | 基于fpga的分类算法的加速平台设计方法 |
| CN113705794A (zh) * | 2021-09-08 | 2021-11-26 | 上海交通大学 | 一种基于动态激活位稀疏的神经网络加速器设计方法 |
Family Cites Families (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111523657B (zh) * | 2020-04-26 | 2023-06-20 | 云知声智能科技股份有限公司 | 神经网络加速器创建方法及装置、电子设备和存储介质 |
| WO2022072890A1 (en) * | 2020-10-02 | 2022-04-07 | Google Llc | Neural architecture and hardware accelerator search |
| CN112613598B (zh) * | 2020-12-10 | 2023-04-07 | 上海交通大学 | 一种基于fpga模拟的阻变神经网络加速器评估方法 |
| CN114418077A (zh) * | 2021-12-28 | 2022-04-29 | 山东云海国创云计算装备产业创新中心有限公司 | 一种加速神经网络计算的方法、系统、设备和存储介质 |
| CN116483774A (zh) * | 2022-11-17 | 2023-07-25 | 南京大学 | 一种兼容脉动阵列加速器的矢量处理器及处理方法 |
| CN118200166A (zh) * | 2022-12-12 | 2024-06-14 | 卡奥斯工业智能研究院(青岛)有限公司 | 网络质量评估方法、装置、设备、存储介质及程序产品 |
| CN118041673A (zh) * | 2024-03-21 | 2024-05-14 | 重庆银行股份有限公司 | 一种基于大数据的网络安全分析系统 |
| CN118690701A (zh) * | 2024-06-11 | 2024-09-24 | 复旦大学 | 一种基于fpga的神经网络加速器自动化设计方法 |
| CN118350429B (zh) * | 2024-06-12 | 2024-08-30 | 山东浪潮科学研究院有限公司 | 基于risc-v的多模式卷积神经网络加速器及加速方法 |
| CN118740844B (zh) * | 2024-09-03 | 2025-02-18 | 济南浪潮数据技术有限公司 | 执行节点的确定方法和装置、存储介质及电子设备 |
| CN118764427B (zh) * | 2024-09-03 | 2025-01-17 | 深圳现代技术有限公司 | 一种基于空天地一体化网络的通信方法和系统 |
| CN118741567B (zh) * | 2024-09-03 | 2024-11-12 | 宽兆科技(深圳)有限公司 | 一种5g通信基站网络终端控制系统 |
-
2024
- 2024-11-07 CN CN202411591391.9A patent/CN119536812B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108932135A (zh) * | 2018-06-29 | 2018-12-04 | 中国科学技术大学苏州研究院 | 基于fpga的分类算法的加速平台设计方法 |
| CN113705794A (zh) * | 2021-09-08 | 2021-11-26 | 上海交通大学 | 一种基于动态激活位稀疏的神经网络加速器设计方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN119536812A (zh) | 2025-02-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN118134458A (zh) | 智能设备监控与维护系统 | |
| CN119440591B (zh) | 胎压传感器的远程升级方法及系统 | |
| CN119990719B (zh) | 基于大数据处理的单据信息录入方法及系统 | |
| CN115225986B (zh) | 一种osu带宽自适应调整的方法和装置 | |
| CN117354251A (zh) | 一种电力物联终端特征的自动化提取方法 | |
| CN119128005A (zh) | 基于工业互联网操作系统的数据采集方法及系统 | |
| CN120395887A (zh) | 一种结合边缘计算的工业机器人实时维护系统及方法 | |
| CN117808294A (zh) | 一种基于信用数据与监测数据融合的货运车辆风险识别和分类监管方法 | |
| CN115689264A (zh) | 一种基于物联网的智慧仓储管理系统 | |
| CN119536812B (zh) | 一种基于risc-v的二值化神经网络加速器 | |
| CN118550709A (zh) | 一种智能巡检数据的高效处理与分析方法及系统 | |
| CN112659651B (zh) | 一种食品包装袋生产用自动化控制系统 | |
| CN109978038B (zh) | 一种集群异常判定方法及装置 | |
| CN119886748B (zh) | 一种基于ai智能的生产数据智能分析系统 | |
| CN119377576B (zh) | 一种大数据环境下的数据流处理系统及方法 | |
| CN120378004A (zh) | 一种基于大数据的光纤网络端口的资源核查方法及系统 | |
| CN120258234A (zh) | 一种基于大数据的作业进度智能决策方法及系统 | |
| CN120217011A (zh) | 一种多部门数据共享方法、装置、设备及存储介质 | |
| CN119987968A (zh) | 一种基于ai大模型的数据中心节能调优控制方法及系统 | |
| CN118735560A (zh) | 一种市场监管数据交换平台的智慧融合共享系统 | |
| CN1269050C (zh) | 用于基金会现场总线的减少总线通信量的控制结构 | |
| CN119578711B (zh) | 一种针对筒仓地磅销售模式的称重数据采集与处理方法 | |
| CN118820984B (zh) | 基于多源数据分析的计划审查机器人智能管理方法及系统 | |
| CN120087759B (zh) | 一种建筑工程数据信息智能化管理平台 | |
| CN119671209A (zh) | 基于云计算管理的多模块锂电池组系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |