一種支持卷積神經網絡稀疏計算的方法

中興通訊股份有限公司 余金清 章 偉 賀小龍

本文提出一種對神經網絡權重進行編排方法，根據量化的權重值的稀疏特性，通過只編排權重非0值，從而減少權重帶寬；同時，提出一種硬件實現架構，結合編排好的權重，能夠有效減少卷積網絡的乘法運算，特別是在網絡權重稀疏情況下，可以進一步減少卷積計算，從而提升神經網絡處理能力。

1 背景分析

近些年來，人工智能技術在在全世界范圍內得到了迅猛的發展，與此同時神經網絡的規模不斷增長，典型的神經網絡動輒幾十層甚至上百層，計算量不斷的增加造成推理需要的時間也需來越長。

但實際應用中，在如此高的運算量中并不是所有的計算都是有效計算，特別是對于算法經過定點化或是稀疏化后，出現的權重為零的點，實際運行中，是不需要計算的。因此，神經網絡的硬件加速器利用權重的稀疏特性減少計算量，且在此基礎上進一步降低處理時間，提高效能，目前業界都在關注的重點技術問題。

2 設計思路

本設計采用兩種方法來提升神經網絡設計：

（1）權重編排：通過離線方式，對提前訓練好的權重( weights)進行特別編排，去掉值為0的權重，完成對非0權重的編排。

（2）計算加速：卷積網絡加速器，完成神經網絡稀疏計算（只計算非0權重）提升網絡處理能力。

2.1 權重編排

權重編排，通過編譯器對每個積核中點化后的權重值重新編排，編排后的權重變為指示符表+映射表的形式。如圖1所示，通過代運算將一個R*S*CH大小的卷積核切分成多個R*S*CH的卷積核（其中R為卷積核的列寬，S為卷積核的行寬，CH為子卷積核的通道數，假設層的卷積核通道數尾C，存在C＜=CH），并對每個子卷積核中定點化后的權重值重新編排，編排后的權重變為指示符表+映射表的形式。

權重編排的實施方式，把相同規律的權重編排（即分類，對于8bit定點處理，如將1，2，4，8分為一類，3，6，12，24分為一類）在一起，先排正數權重，之后排負數權重。使用本文的方式，可以使原來需要R*S*C次乘加作，而編排后最多只需要R*S*C+256次加法操作和256次乘法操作同時，當卷積計算的累加和小于偏置時，可以提前停止卷積運算。

圖1 權重編排流程

根據激活函數 ReLU(Rectified Linear Unit)特性，設置提前停止功能，正數權重和負數權重分開組合，正數權重類型排在向量前面，負數排在后面。

將離線編排好的權重數據，提前存儲在存儲單元中。

（1）對于權重為0的數據，由于其運算結果也為0，則不需要存儲，包括對應索引信；后續運算直接跳過。

（2）對于特征數據，順序存儲在存儲單元中。

權重0由于完成卷積運算結果還是0，在權重編排時就被丟棄，不參與計算，節省了存儲資源與數據讀寫帶寬，并提高了計算效率。

2.2 計算加速

圖2為本文所述稀疏卷積神經網絡實現的方法架構，其處理流程包括：

CPU根據當前處理的網絡模型下發對應的指令給硬件加速器；同時，CPU會給DMA下發指令，讓DMA去對應的存儲單元中讀出相應的權重以及特性數據。硬件解析指令，分別送給對應的控制以及輸入輸出緩存單元。

根據配置信息，需要將當前處理進度的權數據以及特征數據提前存放在緩存單元中。先從緩存單元中獲取權重信息以及位置索引信息（權重位置信息），并根據權重對應的索引信息，去從數據緩存單元中素引對應的數據。

計算單元中的控制器，先將第一個指示符讀到控制器中，之后按照順序讀取權重編排后的映射表內容，以映射表內容為地址選擇條件，數據緩存中讀取數據。

圖2 稀疏的神經網絡處理架構

圖3 卷積計算結構

卷積計算，如圖3所示，指示符內的映射表項讀取時，在沒有達到結束條件，在計算單元的分類累加單元進行計算預處理和加減操作。在計算單元的分類累加單元進行計算預處理（即移位操作，移位量取決于指示符表中的配置）和加減操作（加減取決于指示符表中的配置）。

分類累加過程，當同個指示符內的映表項讀取完時即達到同一權重的結束條件時，查看分類結束標志，如果分類結束標志為未結束，則讀取下一個指示符表項，繼續完成累加操作。

分類切換控制，當分類結束標志為結束，則將累加后的結果，對應的權重值和分類累加計算單元編號送到分類乘加計算單元；同時，讀取下一個指示符表項，并將分類累加處理器中的累加值清零，重新累加減操作，直到指示符表項中的分類結束標志指示為整個卷積操作完成。

分類乘法，分類乘加計算單元完成輸入的權重和數據的乘法操作，并將乘的結果累加到部分和中。

根據該方案，配置分類乘法單元是否能提前停止運算，如果激活函數為ReLU，則使能提前停止功能，即判斷當前卷積的部分和的值與偏置值的差值是否小于0，如果小于零，則反饋給計算單元的控制器，該計算完成處理。

該方法可以達到提前終卷積運算的結果目的，從而減少運算量，減少運算功耗，進而提高能效比。

總結：采用本文所述方法，與現有技術相比，通過權重轉換和新計算單元相結合，提前離線對權重進行了零數據壓縮，使得卷積操作的時間只非零權重的個數有關，較好的利用了權重卷積核的稀疏特性，節省了推理運行時間。與此同時，新的計算單元結構擴展性更好，可以支持計算提前中功能，即可以利用數據的稀疏特性，進一步降低運算量。