CN110780845A 一种用于量化卷积神经网络的可配置近似乘法器及其实现方法 （浙江大学）_第1页
CN110780845A 一种用于量化卷积神经网络的可配置近似乘法器及其实现方法 （浙江大学）_第2页
CN110780845A 一种用于量化卷积神经网络的可配置近似乘法器及其实现方法 （浙江大学）_第3页
CN110780845A 一种用于量化卷积神经网络的可配置近似乘法器及其实现方法 （浙江大学）_第4页
CN110780845A 一种用于量化卷积神经网络的可配置近似乘法器及其实现方法 （浙江大学）_第5页
已阅读5页，还剩11页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

一种用于量化卷积神经网络的可配置近似本发明公开了一种用于量化卷积神经网络明针对两输入比特位长不相等的有符号定点数2所述符号扩展模块将长位宽有符号定点数乘法拆分为两个短位宽有符号定点数乘法，拆分原则为：将表示范围在-2n-2到2n-2-1的n比特有符号定点数表示为两个n/2位的有符号所述子乘法器模块包括若干子乘法器，每个子乘法器仅所述近似加法器将子乘法器模块输出的结果进行合并2.根据权利要求1所述的一种用于量化卷积神经网络的可配置近似乘法器，其特征在3.根据权利要求1所述的一种用于量化卷积神经网络的可配置近似乘法器，其特征在4.根据权利要求1所述的一种用于量化卷积神经网络的可配置近似乘法器，其特征在5.根据权利要求1所述的一种用于量化卷积神经网络的可配置近似乘法器，其特征在6.根据权利要求1所述的一种用于量化卷积神经网络的可配置近似乘法器，其特征在7.根据权利要求1所述的一种用于量化卷积神经网络的可配置近似乘法器，其特征在(2)将拆分后的有符号定点数分别输入至子乘法器模块，并分别计算有符号定点数乘(3)将高位乘法器的乘积结果进行移位，并与低位乘法器的乘积结果在近似加法器中3硬件架构进行重新设计。DAS乘法器采用如图1中a)所示的阵列架构，以支持最多4位的乘4[0009]所述符号扩展模块将长位宽有符号定点数乘法拆分为两个短位宽有符号定点数[0022](2)将拆分后的有符号定点数分别输入至子乘法器模块，并分别计算有符号定点[0023](3)将高位乘法器的乘积结果进行移位，并与低位乘法器的乘积结果在近似加法5[0026]2)对两操作数不等长的乘法具有100％的硬件利用率。由于子乘法器设计和符号[0036](1)符号扩展模块：将表示范围在-2n-2到2n-2-1的n比特有符号定点数表示为两个6移位MSP子乘法器的输出并发送到近似加法器模块以进行合并。短比特位模式为低精度模作数顺序地发送到两个子乘法器以进行两次乘法。结果以与输入相同的顺序传送到输出，本发明所提出的结构在处理短位宽乘法(例如16乘4位乘法)时使可用数量翻倍的乘法器。[0047]在基于块的近似加法器中，错误率(ER)更多地取决于进位预测位宽p而不是加法12]的所有位进行校正。同样，当flag1和flag2都是1时，如果子加法器#0的输出进位信号7

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论