一种面向ReRAM随机写入误差的典型深度学习网络精度补偿方法

本发明是一种面向ReRAM随机写入误差的典型深度学习网络精度补偿方法。本发明涉及人工智能硬件加速与神经网络模型优化技术领域，本发明在ReRAM器件上对不同目标电导值进行多次写入，利用核密度估计建立电导值误差的概率分布；将所得分布拟合为正态分布，并建立标准差与理想电导值之间的函数关系；依据该函数构建贝叶斯神经网络中权重的先验分布，并在训练过程中对后验分布均值引入L2正则惩罚项，以抑制误差放大敏感性。本发明实现了对ReRAM硬件误差的模型级补偿，在无需冗余映射或在线校准的情况下，有效提升了网络推理精度与鲁棒性。