本發明提供一種神經網絡的數據處理方法、裝置、芯片、設備和存儲介質。該方法包括：控制樹突模塊依次對神經網絡中的每個神經元組執行膜電位積分運算，得到每個神經元組對應的膜電位集合，并將膜電位集合存儲至緩沖區；控制胞體模塊在樹突模塊對第N個神經元組執行膜電位積分運算時，讀取緩沖區內存儲的第N?1個神經元組的膜電位集合，并對第N?1個神經元組的膜電位集合執行發放運算處理；每個神經元組中包括至少一個神經元，所述膜電位集合包括所述神經元組中的每個神經元的膜電位。本發明的方法使得樹突模塊的運算操作和胞體模塊的運算操作可以并行執行，其提高了神經網絡中神經元的膜電位的數據處理效率，降低了樹突模塊和胞體模塊的功耗。

技術領域

本發明涉及神經網絡，特別是涉及神經網絡的數據處理方法、裝置、芯片、設備和存儲介質。

背景技術

人工神經網絡是一種通過模仿生物大腦的突觸-神經元結構進行數據處理的計算模型，其主要由多層的計算節點和層間的連接組成，每個節點模擬一個神經元，節點之間的連接模擬神經突觸。在傳統人工神經網絡中，神經元將來自連接的累加值用激活函數處理后作為自身的輸出，同時通過調整網絡結構、激活函數等參數，使得傳統人工神經網絡可以實現多種多樣的功能。

上述人工神經網絡的數據處理過程中，經常會涉及到神經形態電路，該神經形態電路主要完成神經網絡中的積分運算和發放運算，其中，發放運算的結果依賴于積分運算的結果。也就是說，傳統的神經形態電路中，負責積分運算的樹突模塊會將神經網絡中的所有神經元進行積分運算后，將結果輸出給負責發放運算的胞體模塊，由胞體模塊進行后續的發放處理。

但是，上述方案對數據的處理效率低下，且功耗較高。

發明內容

基于此，有必要針對傳統技術中神經網絡的數據處理效率低且功耗較高的技術問題，提供一種神經網絡的數據處理方法、裝置、芯片、設備和存儲介質。

一種神經網絡的數據處理方法，包括：

控制樹突模塊依次對所述神經網絡中的每個神經元組執行膜電位積分運算，得到每個神經元組對應的膜電位集合，并將所述膜電位集合存儲至緩沖區；其中，每個神經元組中包括至少一個神經元，所述膜電位集合包括所述神經元組中的每個神經元的膜電位；

控制胞體模塊在所述樹突模塊對第N個神經元組執行膜電位積分運算時，讀取所述緩沖區內存儲的第N-1個神經元組的膜電位集合，并對所述第N-1個神經元組的膜電位集合執行發放運算處理；其中，所述N為大于1的整數。

在其中一個實施例中，所述控制胞體模塊在所述樹突模塊對第N個神經元組執行膜電位積分運算時，讀取所述緩沖區內存儲的第N-1個神經元組的膜電位集合之前，所述方法還包括：

在監測到所述樹突模塊對所述第N-1個神經元組的膜電位積分運算結束后，啟動所述胞體模塊；

控制所述緩沖區面向所述胞體模塊為可讀寫狀態以及面向所述樹突模塊為禁止讀寫狀態。

在其中一個實施例中，所述對所述第N-1個神經元組的膜電位集合執行發放運算處理之后，所述方法還包括：

在監測到所述胞體模塊對所述第N-1個神經元組的膜電位集合的發放運算處理結束后，控制所述緩沖區面向所述胞體模塊為禁止讀寫狀態以及面向所述樹突模塊為可讀寫狀態。

在其中一個實施例中，所述方法還包括：

若所述第N個神經元組為所述神經網絡中的最后一個神經元組，則在監測到所述樹突模塊對所述第N個神經元組的膜電位積分運算結束后，控制所述樹突模塊停止運算。

在其中一個實施例中，所述控制樹突模塊依次對所述神經網絡中的每個神經元組執行膜電位積分運算，包括：