当今,海量数据的积累已经给数据存储和数据分析造成了极大的压力。然而海量数据的不断积累,并不意味着信息价值的积累。Top-K查询能够实现海量数据的筛选,但是传统Top-K查询算法处理海量数据的性能较差,已无法满足人们对性能的要求。随着深度处理器技术的发展,处理器性能不断提升,为深度学习模型训练和推理提供了强大的算力支持,而这一特点正是进行Top-K查询性能提升的关键。本文以DianNao系列处理器为研究背景进行分析,结合深度学习处理器硬件特性设计实现基于深度学习处理器的Top-K查询算法。本文主要研究内容为:(1)设计实现基于深度学习处理器的单核Top-K查询算法;DianNao系列处理器底层支持了深度学习中常用张量指令,能够在一个时钟周期内完成批量数据的比较,极大的提升了数据处理并行度。根据深度学习处理器中maxpool指令和minpool指令的特点,设计实现基于深度学习处理器的单核Top-K查询算法。通过实验对比发现,在中大型规模下,基于深度学习处理器实现的Top-K的查询性能约是基于CPU实现的Top-K查询性能的20倍。(2)设计实现基于深度学习处理器的多核Top-K查询算法;采用向量指令进行数据筛选,能够极大的提升数据的筛选速度。为充分发挥深度学习处理器的优势,对Top-K进行了指令级并行优化,约将单核Top-K数据查询性能提升为原始的1.6倍,多核Top-K性能提升为原来的1.2倍。对100万数据规模进行Top1000查询,优化后的多核Top-K性能约为CPU的36倍,约为GPU性能的2倍,证明基于深度学习处理器进行Top-K查询性能提升是可行的。(3)完成tensorflow深度学习处理器框架扩展,将Top-K运用到Faster-RCNN网络中;首先完成Top-K算子的注册和封装。将原始CPU实现替换掉,结合面向深度学习处理器的Faster-RCNN离线模型特点进行模型处理,之后运行Faster-RCNN网络。对比算子替换前后Faster-RCNN模型的精度,发现替换后依旧能够保证网络运行正确,验证了基于深度学习处理器的Top-K算子的可用性。