技术特征：
1.一种基于忆阻器的dnn加速器的资源分配方法，所述深度神经网络dnn为卷积神经网络或全连接神经网络，其包含卷积层和全连接层的总层数为n，n为正整数；所述用于加载深度神经网络dnn模型的基于忆阻器的dnn加速器包含有若干计算模块，其特征在于，所述资源分配方法包括以下步骤：1)参数设置：初始化待映射dnn全精度模型中全部n个层的量化位宽，各层的量化位宽的初始值为该层所需的最小量化位宽；2)数据采集：增加所述dnn模型中各层的量化位宽，使各层均不满足局部资源空闲条件，计算当仅向第i层增加1bit的量化位宽时，量化后的dnn模型对测试数据进行推理的准确度p
i
，其中i＝1,2,...n；3)资源分配：比较步骤2)中得到的各个准确度p
i
，若准确度最大值唯一，则向对应最大准确度的层增加1bit的量化位宽，若准确度最大值不唯一，则向对应最大准确度且位置最靠近输入端的层增加1bit的量化位宽；4)迭代分配：将步骤3)中重新分配量化位宽后的dnn模型返回步骤2)，重复步骤2)—3)，直到所述dnn模型的各层均不满足全局资源限制条件，输出所述dnn模型中各层的量化位宽，并映射到dnn加速器,完成dnn加速器的资源分配。2.如权利要求1所述的一种基于忆阻器的dnn加速器的资源分配方法，其特征在于，步骤2)中数据采集的具体步骤如下：2
‑
1)遍历dnn模型的全部n个层，当第i层符合局部资源空闲条件时，重复执行向第i层的量化位宽加1bit的操作，直至第i层不满足局部资源空闲条件；2
‑
2)重复步骤2
‑
1)直至所述dnn模型中全部n个层均被遍历；2
‑
3)若dnn中的第i层满足全局资源限制条件，在仅向第i层增加1bit量化位宽的设置下对所述dnn模型进行量化，得到量化模型，通过量化模型对测试数据进行推理，得到推理准确度p
i
，其中i＝1,2,...n。3.如权利要求2所述的一种基于忆阻器的dnn加速器的资源分配方法，其特征在于，步骤2
‑
3)中对所述dnn模型进行量化的步骤如下：2
‑3‑1‑
1)寻找待映射dnn模型中第i层权重绝对值的最大值max_abs
i
；2
‑3‑1‑
2)根据第i层的量化位宽qbits
i
，用量化位中的最高位表示权重正负号，剩余位表示权重绝对值时，权重绝对值的位可表示的最大整数max_int
i
为：2
‑3‑1‑
3)计算第i层权重的最小量化单位δ
i
，其中：2
‑3‑1‑
4)将第i层中的每一个全精度浮点值权重x，采用量化函数q转换为相应的低精度值q(x)，其中：式(3)中，round(.)是取整函数，用于将浮点数转换为距离它最近的整数；clip(.)是截断函数，用来限制量化后定点数的范围，其中：
式(4)中，t1＝max_int
i
,t2＝
‑
max_int
i
；2
‑3‑1‑
5)重复步骤2
‑3‑1‑
1)
‑2‑3‑1‑
4),直至所述dnn模型中全部n个层均被遍历,dnn模型进行量化完成。4.如权利要求2所述的一种基于忆阻器的dnn加速器的资源分配方法，其特征在于，步骤2)中局部资源空闲条件为：若将第i层的量化位宽加1bit，在此量化位宽设置下将第i层权重映射到dnn加速器上，第i层自身占用dnn加速器的计算模块数不增加，且第i层的量化位宽不超过允许的最大量化位宽，则第i层满足局部资源空闲条件。5.如权利要求1所述的一种基于忆阻器的dnn加速器的资源分配方法，其特征在于，步骤4)中全局资源限制条件为：若将第i层的量化位宽加1bit，且其他层的量化位宽不变时，在此量化位宽设置下将dnn模型映射到加速器上，其dnn模型占用dnn加速器的计算模块数未超过dnn加速器可用计算模块的总数，且第i层的量化位宽不超过允许的最大量化位宽，则第i层满足全局资源限制条件。6.如权利要求5所述的一种基于忆阻器的dnn加速器的资源分配方法，其特征在于，所述dnn模型的权重按位排布采用同一阵列内相邻排布的方式，将dnn模型映射到忆阻器上第i层网络占用dnn加速器的计算模块数module_num
i
为：为：式(5)、(6)中，row_num_real
i
是映射第i层网络所需交叉阵列的字线数，column_num_real
i
是映射第i层网络所需交叉阵列的位线数，unit_num
i
是映射第i层网络所需的计算单元数；n、m表示所述忆阻器交叉阵列单个阵列具有n条字线、m条位线及n
×
m个存储器元件，p表示单个计算模块包含计算单元的个数；若该第i层为卷积层，映射第i层网络所需交叉阵列的字线数row_num_real
i
和映射该层网络所需交叉阵列的位线数column_num_real
i
计算公式如下：row_num_real
i
＝k
xi
*k
yi
*cin
i
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)式(7)、(8)中，k
xi
和k
yi
别为第i层卷积核的宽和高，cin
i
为第i层卷积核的通道数，cout
i
为第i层卷积层中卷积核的个数，qbits
i
是第i层权重的量化位宽，qbits
i
‑
1是权重绝对值的位宽，cbits是单个忆阻器单元可表示的比特数，就是表示一个权重值需要的忆阻器单元数；若第i层为全连接层，映射第i层网络所需交叉阵列的字线数row_num_real
i
和映射第i
层网络所需交叉阵列的位线数column_num_real
i
计算公式如下：row_num_real
i
＝cin
i
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)式(9)、(10)中，cin
i
为全连接层的输入特征向量的长度，cout
i
为全连接层的输出特征向量的长度，qbits
i
是第i层权重的量化位宽，qbits
i
‑
1是权重绝对值的位宽，cbits是单个忆阻器单元可表示的比特数，就是表示一个权重值需要的忆阻器单元数。7.一种基于忆阻器的dnn加速器的资源分配装置，所述深度神经网络dnn为卷积神经网络或全连接神经网络，其包含卷积层和全连接层的总层数为n，n为正整数；所述用于加载深度神经网络dnn模型的基于忆阻器的dnn加速器包含有若干计算模块，其特征在于，所述资源分配装置包括以下模块：1)参数设置模块：初始化待映射dnn全精度模型中全部n个层的量化位宽，各层的量化位宽的初始值为该层所需的最小量化位宽；2)数据采集模块：增加所述dnn模型中各层的量化位宽，使各层均不满足局部资源空闲条件，计算当仅向第i层增加1bit的量化位宽时，量化后的dnn模型对测试数据进行推理的准确度p
i
，其中i＝1,2,...n；3)资源分配模块：比较步骤2)中得到的各个准确度p
i
，若准确度最大值唯一，则向对应最大准确度的层增加1bit的量化位宽，若准确度最大值不唯一，则向对应最大准确度且位置最靠近输入端的层增加1bit的量化位宽；4)迭代分配模块：将重新分配量化位宽后的模型进行迭代分配，直到所述dnn模型的各层均不满足全局资源限制条件，输出所述dnn模型中各层的量化位宽，并映射到dnn加速器,完成dnn加速器的资源分配。