近年来,人工神经网络在学术界和工业界都获得了极大的关注。神经网络算法应用在不同平台上的不断涌现对于已有的编程环境提出了新的挑战。如何在保证系统高性能的前提下,为用户提供灵活的、可移植的编程接口,减少用户的编程负担已成为了一个亟待解决的问题。针对上述问题,本文提出了一种新的神经网络专用编程语言(Neural Network Language,NNL)及对应的专用编译器,其可以支持CPU,GPU和ASICs等多种运算平台。本文的主要贡献如下:1.本文提出了一种高性能,易编程,跨平台的神经网络专用编程语言NNL,其具有高层次抽象和显式并行编程的特点。在高层次抽象方面,NNL中采用了自定义的语法进行神经网络拓扑图的构建,从而简化了神经网络的编程过程。此外,NNL提供显示编程的接口处理神经网络中大量的并行运算,可支持CPU,GPU和ASICs等不同的计算平台。2.本文提出了NNL专用的编译器。编译器充分结合NNL的特性,采用有向无环图的形式作为编译过程中的中间表示,从而天然地连接编译器的前端和后端过程。同时,编译器中融合了块融合与块拆分两种不同类型的优化操作,使得编译器能够根据计算平台的不同对于有向无环图进行一定的等价变换,优化图的块结构,进而生成优质高效的代码,提高在计算平台上的执行效率。本文面向主流的神经网络算法实例进行了NNL编程语言的评估,将它们运行在不同的计算平台上,并且与现有的神经网络框架下的实现进行比较。实验结果表明,使用NNL编程语言在GPU平台上的平均加速比达到了使用通用程序设计语言CUDA的2.2倍。在神经网络加速器平台上,使用NNL语言进行编程的平均性能可达到指令汇编理想状态0.98倍。