深鉴科技结合神经网络处理器与通用处理器的AI芯片

深鉴科技结合神经网络处理器与通用处理器的AI芯片超级学生全集下载 深鉴科技发明的人工智能芯片，结合了神经网络专用处理器和通用处理器的芯片结构，不仅可以提供一个灵活的系统，并且可以适用于复杂的神经网络。 ，近年来，随着人工智能领域的兴起，越来越多的A

深鉴科技发明的人工智能芯片，结合了神经网络专用处理器和通用处理器的芯片结构，不仅可以提供一个灵活的系统，并且可以适用于复杂的神经网络。

，近年来，随着人工智能领域的兴起，越来越多的AI芯片公司出现在了人们的视野之中，AI芯片被广泛应用于金融、购物、安防、早教以及无人驾驶等领域。而这其中，深鉴科技也凭借着先进的技术在市场中崭露头角。

深鉴科技的AI芯片基于FPGA设计，其设计的亚里士多德架构是针对卷积神经网络而设计的，其设计的笛卡尔架构是专为处理DNN/RNN网络而设计的，可对经过结构压缩后的稀疏神经网络进行极致高效的硬件加速。

在人工智能领域，卷积神经网络尤其在图像处理领域有着非常广泛的应用，其具有训练方法简单、计算结构统一的特点。但是神经网络存储计算量都很大。工程师们试图在FPGA上搭建或者直接设计专用芯片来实现人工智能芯片，但是，这种专用神经网络加速器的硬件还是不够灵活，且能够完成的任务较为单一。

为了解决这样的问题，深鉴科技在16年8月19日申请了一项名为“通用处理器与神经网络处理器的协同系统设计”的发明专利（申请号：201610695285.4），申请人为北京深鉴科技有限公司。

根据该专利目前公开的资料，让我们一起来看看这项人工智能芯片专利吧。

如上图，为把人工神经网络模型部署在专用硬件上的流程示意图，这是一套为了加速神经网络训练过程，从优化流程的硬件架构的角度提出了一整套的技术方案，其中显示了如何压缩CNN模型以减少内存占用和操作数量，同时最大限度地减少精度损失。

这种硬件架构包括PS和PL两个模块，其中：PS为通用处理系统，其中包含有CPU和外部存储器；PL为可编程逻辑模块，其中包含有DMA、计算核、输入输出缓冲以及控制器等。计算核包括多个处理单元，其负责在人工智能网络的卷积层以及全连接层的大多数计算任务，是实现人工智能芯片的核心部件。

值得一提的是，在这种架构中，虽然DMA分布在PL一侧，但是却直接被CPU所控制，并且将数据从外部存储区内搬运到PL中。同时，这种硬件架构仅仅是进行了功能上的划分，PL和PS之间的界限并不绝对，例如PL和CPU都可以仅仅实现在SOC上，而外部存储器可以由另一个存储器芯片实现并于SOC芯片中的CPU相连接。

如上图为优化人工神经网络的整体流程图，首先要对于模型进行压缩，压缩可以对CNN模型进行修剪，而网络修剪是一种有效的方法，可以减少网络的复杂性和过度拟合。其次，进行数据定点量化，目的是为了将浮点数转换为定点数的同时得到最高精度。

之后再通过编译，通过这样的结构设计得到人工神经网络加速器，从而可以做到输入图像、语音、文字，即可输出识别的结果。这样进行精简后的结构有利于硬件设计，同时省去了较为复杂的运算，进一步提高了人工智能芯片进行运算的效率。

如上图，为使用CPU和专用加速器的协同设计来实现人工神经网络的硬件架构，在这种硬件架构中，CPU控制DMA，由DMA来负责调度数据，具体而言，CPU可以控制DMA将外部存储器中的指令搬运到FIFO（缓冲器）中，随后，这种为神经网络设计的加速器从FIFO中取出指令并执行。

在运行的时候，CPU需要时刻监控DMA的状态：当输入缓冲区的数据未满时，需要把数据从DDR中搬运到输入缓冲区中；当输出缓冲区不为空时，需要将数据从输出缓冲区中搬运回DDR中。

此外，这种结构中使用的专用加速器包括：控制器、计算核以及缓冲区，计算核包括卷机器、加法器树和非线性模块，这些结构保证了人工智能芯片完成深度神经网络的运算，从而可以完成不同的复杂的人工智能任务。

以上就是深鉴科技发明的人工智能芯片，这种结合神经网络专用处理器和通用处理器的芯片结构，可以为人工智能应用提供一个灵活的系统，并能够适用于复杂的神经网络。并且该方案实现了控制器与存储器的分离，控制器和存储器可以使用不同的SOC芯片完成，进而保证了系统的稳定性。