3. 数据流核心概念：时间数据流与空间数据流的定义与区别

好，咱们进入正题。这一节要聊的，是整个Eyeriss数据流映射里最基础、也最容易搞混的两个概念——时间数据流和空间数据流。

我刚开始接触数据流映射时，也在这上面栽过跟头。当时看，满篇的“temporal”和“spatial”，觉得不就是时间跟空间嘛，有啥难理解的？结果一动手做映射，发现根本不是那么回事。你想想看，一个数据在同一个时钟周期里被多个PE用了，这算时间还是空间？一个数据在不同时钟周期被同一个PE反复用，这又算什么？

嗯，别急。咱们先把定义掰扯清楚。

3.1 时间数据流：数据在时间维度上的复用

时间数据流，说白了就是同一个数据，在不同时间点被同一个处理单元（PE）重复使用。数据在时间轴上“流动”，PE在多个时钟周期里反复读取它。

举个例子，你在做卷积时，一个输入像素要被同一个卷积核反复乘很多次。如果这个像素被加载到PE的寄存器里，然后PE在每个时钟周期都拿它跟不同的权重做乘加——这就是典型的时间数据流。

我在做第一版Eyeriss原型时，就吃过时间数据流的亏。当时为了省带宽，我把输入特征图的数据在PE里反复用了32次，结果发现PE内部的寄存器堆根本不够用，数据被挤到局部SRAM里，延迟一下子飙了上去。后来我学乖了——时间复用不是越多越好，得看PE的本地存储能装下多少。

3.2 空间数据流：数据在空间维度上的广播

空间数据流，则是同一个数据，在同一个时间点被多个不同的处理单元（PE）同时使用。数据在空间上“广播”，多个PE在同一时钟周期里拿到相同的数据。

还是拿卷积举例。一个输入像素，如果同时被送到多个PE里，每个PE拿它跟不同的权重做乘加——这就是空间数据流。说白了，就是“一份数据，多份拷贝，同时计算”。

空间数据流的好处是延迟低——数据一到，所有PE立刻开算。但代价也很明显：你得有足够宽的数据分发总线，否则广播会成为瓶颈。我记得有一次做仿真，空间复用因子设到16，结果总线拥堵导致PE有一半时间在空等。嗯，那感觉就像高速公路上所有车都挤在同一个出口下。

3.3 两者的本质区别

咱们用一张表把区别说清楚：

对比维度	时间数据流	空间数据流
复用对象	同一个PE	多个PE
复用时刻	不同时钟周期	同一时钟周期
存储依赖	PE本地存储（寄存器/缓存）	数据分发网络（总线/多播）
带宽影响	降低全局带宽需求	增加分发网络带宽需求
延迟特征	较高（数据需多次读取）	较低（数据一次到位）
典型场景	权重在PE内复用	输入特征图广播到多个PE

你可能会问：那到底哪个更好？

我的回答是：没有哪个更好，只有哪个更合适。Eyeriss的精髓，恰恰在于把时间数据流和空间数据流混合使用，取长补短。

3.4 混合数据流：Eyeriss的核心思路

Eyeriss不是单纯用时间或空间数据流，而是把两者结合起来。具体来说：

• 行间（Row-wise）：输入特征图的行数据在PE阵列里做空间广播，同一行数据同时送到多个PE
• 行内（Within-row）：同一行内的权重在PE内部做时间复用，一个PE反复使用同一组权重

这样做的好处很明显：

1. 空间广播减少了PE本地存储的压力——你不用在每个PE里都存一份完整的输入特征图
2. 时间复用降低了全局带宽——权重在PE内部反复用，不用频繁从全局缓存搬数据
3. 两者配合，让存储层次和计算单元都能高效运转

3.5 一张图看懂时间 vs 空间数据流

下面这张SVG图，把时间数据流和空间数据流的区别画得清清楚楚：

3.6 避坑指南：我踩过的几个坑

最后，分享几个我实际项目中遇到的坑，希望能帮你少走弯路：

• 坑一：过度追求时间复用。我曾经在一个项目里，把权重在PE内复用了64次，结果PE的寄存器堆爆了，数据不得不频繁换入换出，延迟反而比不复用还高。记住：时间复用的上限，由PE本地存储容量决定。
• 坑二：忽视空间广播的功耗。空间数据流虽然延迟低，但广播网络的功耗不容小觑。数据每多广播到一个PE，总线上就要多驱动一个负载。我见过一个设计，空间复用因子从4提到8，功耗直接翻了1.7倍。
• 坑三：混淆“时间”和“空间”的边界。有些数据流，数据在PE阵列里逐级传递（比如脉动阵列），每个PE在不同时间点拿到数据。这算时间还是空间？严格来说，这是时间数据流，因为数据在不同时间点被不同PE使用。别被“多个PE”这个表象骗了。