版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/evolone/article/details/82594264
五、Cambricon-X
Cambricon-X是针对稀疏系数的矩阵计算架构。
深鉴科技的韩松等人的研究发现，可以将传统的深度学习网络模型的许多权重系数去掉，甚至能去掉90%以上，而并不影响模型的计算精度。如下图所示。
目前的深度学习模型的权重系数太多，造成需要的乘法计算非常多，计算时间长，速度慢。
相信，未来的模型会更加复杂，需要的计算更多，时间更久。
未来把模型进行系数删减，就成了必然。
但是，删减了大量权值系数后，模型网络所需要的乘法计算次数明显变少，但是因为系数的稀疏带有不可控的随机性，不同filter的有效权重可能是不同位置的，所以，这就造成了大量权重并行计算时，无法做到同步，导致目前现有的处理器设计都并不能充分利用系数稀疏带来的加速效果。
Cambricon-X就是寒武纪在这个方面的一个探索。
Cambricon-X架构
下图为Cambricon-X的架构。
可以看出，整个架构还是和DianNao很像。
当然还是有不同的。
最大的不同是，为了利用到稀疏系数带来的加速效果，首先就需要将系数为0的权重所对应的输入数据去掉。这个，由Fig4中的Buffer Controller来实现。
Buffer Controller的具体结构见Fig5，主要由indexing实现数据的筛选。
Indexing从输入神经元数据（input neurons）中挑选出非0权重对应的输入数据，按顺序排列好，然后传输给对应的PE。然后，由PE去执行乘法/加法等操作。
PE结构如下图所示。
可以看到，PE中有个小SB，用于存放有效的权重。
权重的存储方式如下图所示。
假设每个地址。