Rotating Data for Neural Network Computations

Fig.11 例1100展示利用二维脉动阵列1114如何旋转kernel矩阵结构用于计算卷积运算。
输入为1102，将feature map tile成5x5的matrix，weight为1104，是3x3的kernel，第一个layer的feature map为170x170。
Inputs的size是由kernel大小决定的，tile_x=2*kx-2，tile_y=2*ky-1。
Tips：1002写到Receive a set of activation inputs and sets of weight inputs 这里的输入和输出都是从cpu排列好顺序进来的。可能不对，因为消耗带宽太大了。
1002 Form a set of vector inputs from the set of activation inputs 将输入写成向量的形式。意思就是将tile分为四个区域，左上角为第一区域9个数，用0标识，右上角第二区域6个数，用1标识，左下角6个数第三区域，用2标识，右下角第四区域4个数，用3标识。为什么不在向右边和下面继续拓展的原因是会与rotated kernel structure中某一个重复。
Weights的输入都写成vector形式，每组9个数，缺少部分补零。
然后将输入以vector的形式进入脉动阵列，与相应的rotated kernel structure进行点积运算，所选择的数通过MUX进行判定选择。
其中rotated kernel structure是怎么旋转的呢？正常卷积运算时移动kernel与input点积运算，现在不再是一个一个移动kernel，当第一个卷积是正常的，向右移动一个时，是将第一列的12 9 11移出去，将9 2 10填进去，这样的话就要将kernel列123变为312排序，才能得到正常运算结果，向下移动一个时，是将第一行移出去，将12 6 15移进来，kernel行123变为312。其他以此类推，也就是原来是计算一个点，现在计算9个点，MAC上的x方向则是kx*ky*ifz*ofz，y方向是kx*ky*ifz，提高MAC计算效率。
反复阅读总结，都只是理论做法，实际难以运用。其它不写了，比较鸡肋。