1.一种浮点数的存内计算方法,所述浮点数包括指数和尾数,其特征在于,包括:计算目标卷积神经网络在不同卷积量级组合下对测试集的推理精度损失,所述目标卷积神经网络用于通过多次卷积操作从图像中提取特征信息;
在小于目标值的至少一个推理精度损失对应的卷积量级组合中确定一个卷积量级组合作为目标卷积量级组合,所述目标卷积量级组合包括各次卷积操作的基准量级;
对于所述目标卷积神经网络的任意卷积操作:获取所述卷积操作的输入指数;对所述输入指数和权重指数进行指数加法计算得到指数计算结果,对基准量级信号和所述指数计算结果进行指数减法计算生成预插0信号;获取所述卷积操作的输入尾数;根据所述预插0信号对所述输入尾数进行插0操作,以使所述输入尾数的量级均为所述卷积操作的基准量级;将插0操作后的各个所述输入尾数进行尾数计算得到尾数计算结果。
2.根据权利要求1所述的浮点数的存内计算方法,其特征在于,所述指数加法计算和所述指数减法计算通过复用同一指数处理模块实现;
所述指数加法计算的结果为所述指数处理模块的输出,所述指数减法计算的结果为所述指数处理模块的输出的二补数。
3.根据权利要求2所述的浮点数的存内计算方法,其特征在于,所述指数处理模块包括多个级联的单位指数处理电路,所述单位指数处理电路包括1位全加器,所述基准量级信号和所述权重指数通过2选1选择器接入所述1位全加器的其中一个输入端。
4.根据权利要求1所述的浮点数的存内计算方法,其特征在于,根据所述预插0信号对所述输入尾数进行插0操作,包括:若所述预插0信号表示插0的数量大于所述输入尾数的比特数,则将所述输入尾数置零;
若所述预插0信号表示插0的数量小于所述输入尾数的比特数,则根据所述预插0信号表示插0的数量对所述输入尾数进行插0操作。
5.根据权利要求1所述的浮点数的存内计算方法,其特征在于,目标卷积神经网络中多次卷积操作通过复用存内计算架构实现。
6.根据权利要求5所述的浮点数的存内计算方法,其特征在于,所述存内计算架构包括:指数处理模块,用于实现输入指数和权重指数的指数计算,并根据指数计算结果和基准量级信号生成预插0信号;
插0模块,用于在所述预插0信号表示插0的数量大于输入尾数的比特数时将所述输入尾数置零,以及用于在所述预插0信号表示插0的数量小于所述输入尾数的比特数时根据所述预插0信号表示插0的数量对所述输入尾数进行插0操作,以使所述输入尾数的量级均为所述卷积操作的基准量级;
尾数计算模块,用于将插0操作后的各个所述输入尾数进行尾数计算得到尾数计算结果。
7.根据权利要求6所述的浮点数的存内计算方法,其特征在于,所述插0模块包括插0判断子模块和插0移位子模块;
所述插0判断子模块,用于判断所述预插0信号表示插0的数量是否小于所述输入尾数的比特数,若是则传递所述预插0信号至所述插0移位子模块,若否则传递置0信号至所述插0移位子模块;
所述插0移位子模块,用于根据所述预插0信号对输入尾数进行插0,以及用于根据所述置0信号对输入尾数进行置0。
8.根据权利要求6所述的浮点数的存内计算方法,其特征在于,所述指数处理模块包括多个级联的单位指数处理电路,所述单位指数处理电路包括1位全加器,所述基准量级信号和所述权重指数通过2选1选择器接入所述1位全加器的其中一个输入端。