一种类脑神经网络芯片的制作方法

本发明涉及神经网络芯片技术领域，具体为一种类脑神经网络芯片。

背景技术：

神经网络可以指向两种，一个是生物神经网络，一个是人工神经网络。生物神经网络：一般指生物的大脑神经元，细胞，触点等组成的网络，用于产生生物的意识，帮助生物进行思考和行动。

人工神经网络(artificialneuralnetwork，即ann)，是20世纪80年代以来人工智能领域兴起的研究热点。它从信息处理角度对人脑神经元网络进行抽象，建立某种简单模型，按不同的连接方式组成不同的网络。在工程与学术界也常直接简称为神经网络或类神经网络。神经网络是一种运算模型，由大量的节点(或称神经元)之间相互联接构成。每个节点代表一种特定的输出函数，称为激励函数(activationfunction)。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆。网络的输出则依网络的连接方式，权重值和激励函数的不同而不同。而网络自身通常都是对自然界某种算法或者函数的逼近，也可能是对一种逻辑策略的表达。最近十多年来，人工神经网络的研究工作不断深入，已经取得了很大的进展，其在模式识别、智能机器人、自动控制、预测估计、生物、医学、经济等领域已成功地解决了许多现代计算机难以解决的实际问题，表现出了良好的智能特性。

深度学习是基于深度置信网络(dbn)提出非监督贪心逐层训练算法，为解决深层结构相关的优化难题带来希望，随后提出多层自动编码器深层结构。深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。

人脑的特点是大规模平行计算，不仅有大量的神经元可以同时工作，而且每个神经元和成千上万个神经元连接。对于现代集成电路技术，在一个芯片上集成大量的神经元很容易，但提供人脑那样的内部通讯带宽非常困难。

技术实现要素：

本发明要解决的技术问题是克服现有的缺陷，提供一种类脑神经网络芯片，可以有效解决背景技术中的问题。

为实现上述目的，本发明提供如下技术方案：一种类脑神经网络芯片，包括中央处理模块、深度学习模块、知识库、数据分类模块、输入模块、输出模块和存储模块，所述中央处理模块的输入端分别与所述深度学习模块、所述知识库、所述输入模块和所述存储模块的输出端连接，所述中央处理模块的输出端分别与所述深度学习模块、所述知识库、所述数据分类模块、所述输出模块和所述存储模块的输入端连接，所述中央处理模块包括中央处理单元和信息收发单元，所述深度学习模块包括深度置信网络、卷积神经网络和长短期记忆网络。

作为本发明的一种优选技术方案，所述知识库包括专家知识库和共享知识库。

作为本发明的一种优选技术方案，所述存储模块包括云存储器、本地存储器和存储器控制器。

本发明还提出了一种类脑神经网络芯片的使用方法，包括以下步骤：

s1.通过所述输入模块启动芯片，所述中央处理模块接受指令，并将指令下达到各个模块，所述知识库将知识数据输送到所述中央处理模块，所述中央处理模块对获取得到的知识数据进行向量化，得训练文本向量，然后将所述训练文本向量输入到所述深度学习模块中，并构建模型训练代价函数，再通过模型训练代价函数对所述深度学习模块中进行训练；

s2.所述深度学习模块对接收到的训练文本向量和模型训练代价函数进行整合，所述长短期记忆网络和所述深度置信网络或所述卷积神经网络通过模型训练代价函数对训练文本向量进行特征分层循环记忆训练，得到训练后的神经网络；

s3.所述深度学习模块将步骤s中所得的神经网络传送到所述中央处理模块，所述中央处理模块将所述神经网络发送到所述数据分类模块，所述数据分类模块将所述神经网络进行分类处理，并将分类的神经网络数据发送给所述存储模块，所述存储模块将分类后的神经网络进行存储后发送到所述中央处理模块；

s4.通过所述输入模块输入搜索指令，所述中央处理模块将指令代入到分类后的神经网络进行分类处理，根据相应的神经网络进入所述知识库查找数据，查找并提取数据后，将提取的数据发送到所述输出模块进行输出。

与现有技术相比，本发明的有益效果是：

1、本发明通过设置中央处理模块，可将数据和结果进行转接，作为信息数据处理中枢，可加速芯片的数据处理能力。

2、本发明通过设置知识库，可为芯片训练构建神经网络提供原始数据，可在神经网络构建完成后作为检索库提供数据支撑，使得芯片检索更加敏捷。

3、本发明通过在深度学习模块中设置深度置信网络和卷积神经网络，可使用深度的监督学习下的学习模型或者无监督学习下的学习模型进行芯片深度学习，构建神经网络更加方便快捷。

4、本发明通过设置数据分类模块，可将构建完成的神经网络进行分类，可加快芯片的数据处理过程。

本发明还提供了一种类脑神经网络芯片的使用方法，操作方便快捷，便于推广。

附图说明

图1为本发明一种类脑神经网络芯片的模块连接示意图；

图2为本发明一种类脑神经网络芯片的神经网络构建示意图；

图3为本发明一种类脑神经网络芯片的工作流程示意图。

图中：1、中央处理模块；2、深度学习模块；3、知识库；4、数据分类模块；5、输入模块；6、输出模块；7、存储模块；8、中央处理单元；9、信息收发单元；10、深度置信网络；11、卷积神经网络；12、长短期记忆网络。

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。

请参阅图1-3，本发明提供一种技术方案：一种类脑神经网络芯片，包括中央处理模块1、深度学习模块2、知识库3、数据分类模块4、输入模块5、输出模块6和存储模块7，所述中央处理模块1的输入端分别与所述深度学习模块2、所述知识库3、所述输入模块5和所述存储模块7的输出端连接，所述中央处理模块1的输出端分别与所述深度学习模块2、所述知识库3、所述数据分类模块4、所述输出模块6和所述存储模块7的输入端连接，所述中央处理模块1包括中央处理单元8和信息收发单元9，所述深度学习模块2包括深度置信网络10、卷积神经网络11和长短期记忆网络12。

本实施例中，优选的，所述知识库3包括专家知识库和共享知识库。

本实施例中，优选的，所述存储模块7包括云存储器、本地存储器和存储器控制器。

其使用方法，包括以下步骤：

s1.通过所述输入模块5启动芯片，所述中央处理模块1接受指令，并将指令下达到各个模块，所述知识库3将知识数据输送到所述中央处理模块1，所述中央处理模块1对获取得到的知识数据进行向量化，得训练文本向量，然后将所述训练文本向量输入到所述深度学习模块2中，并构建模型训练代价函数，再通过模型训练代价函数对所述深度学习模块2中进行训练；

s2.所述深度学习模块2对接收到的训练文本向量和模型训练代价函数进行整合，所述长短期记忆网络12和所述深度置信网络10或所述卷积神经网络11通过模型训练代价函数对训练文本向量进行特征分层循环记忆训练，得到训练后的神经网络；

s3.所述深度学习模块2将步骤s2中所得的神经网络传送到所述中央处理模块1，所述中央处理模块1将所述神经网络发送到所述数据分类模块4，所述数据分类模块4将所述神经网络进行分类处理，并将分类的神经网络数据发送给所述存储模块7，所述存储模块7将分类后的神经网络进行存储后发送到所述中央处理模块1；

s4.通过所述输入模块5输入搜索指令，所述中央处理模块1将指令代入到分类后的神经网络进行分类处理，根据相应的神经网络进入所述知识库3查找数据，查找并提取数据后，将提取的数据发送到所述输出模块7进行输出。

本发明通过设置中央处理模块1，可将数据和结果进行转接，作为信息数据处理中枢，可加速芯片的数据处理能力；通过设置知识库3，可为芯片训练构建神经网络提供原始数据，可在神经网络构建完成后作为检索库提供数据支撑，使得芯片检索更加敏捷；通过在深度学习模块2中设置深度置信网络10和卷积神经网络11，可使用深度的监督学习下的学习模型或者无监督学习下的学习模型进行芯片深度学习，构建神经网络更加方便快捷；通过设置数据分类模块4，可将构建完成的神经网络进行分类，可加快芯片的数据处理过程。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。