CN108595211A - 用于输出数据的方法和装置 - Google Patents
用于输出数据的方法和装置 Download PDFInfo
- Publication number
- CN108595211A CN108595211A CN201810010609.5A CN201810010609A CN108595211A CN 108595211 A CN108595211 A CN 108595211A CN 201810010609 A CN201810010609 A CN 201810010609A CN 108595211 A CN108595211 A CN 108595211A
- Authority
- CN
- China
- Prior art keywords
- subset
- target data
- group
- data
- preset quantity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 239000011159 matrix material Substances 0.000 claims description 43
- 238000000605 extraction Methods 0.000 claims description 18
- 230000004044 response Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 abstract description 16
- 239000000203 mixture Substances 0.000 abstract description 12
- 239000000284 extract Substances 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 230000006854 communication Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 229910052754 neon Inorganic materials 0.000 description 6
- GKAOGPIIYCISHV-UHFFFAOYSA-N neon atom Chemical compound [Ne] GKAOGPIIYCISHV-UHFFFAOYSA-N 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005291 magnetic effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 210000003127 knee Anatomy 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/30—Arrangements for executing machine instructions, e.g. instruction decode
- G06F9/38—Concurrent instruction execution, e.g. pipeline or look ahead
- G06F9/3885—Concurrent instruction execution, e.g. pipeline or look ahead using a plurality of independent parallel functional units
- G06F9/3887—Concurrent instruction execution, e.g. pipeline or look ahead using a plurality of independent parallel functional units controlled by a single instruction for multiple data lanes [SIMD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例公开了用于输出数据的方法和装置。该方法的一具体实施方式包括:获取目标数据集合;确定组成目标数据集合的子集和子集的序号;根据子集的序号,对各个子集进行分组,得到至少一个子集组,其中,至少一个子集组中的每个子集组包括的子集的数量小于等于第一预设数量;对于至少一个子集组中的每个子集组,从该子集组中的每个子集中分别提取第二预设数量个目标数据;输出所提取的目标数据。该实施方式提高了处理数据的效率。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及数据处理技术领域,尤其涉及用于输出数据的方法和装置。
背景技术
随着计算机技术的发展,对大规模数据进行处理的场景越来越多。比如,在机器学习领域,在对数据集合(例如卷积神经网络中的矩阵)中的数据进行运算时,往往每次提取一个数据,计算机在执行完运算后再提取下一个数据。
发明内容
本申请实施例提出了用于输出数据的方法和装置。
第一方面,本申请实施例提供了一种用于输出数据的方法,该方法包括:获取目标数据集合;确定组成目标数据集合的子集和子集的序号;根据子集的序号,对各个子集进行分组,得到至少一个子集组,其中,至少一个子集组中的每个子集组包括的子集的数量小于等于第一预设数量;对于至少一个子集组中的每个子集组,从该子集组中的每个子集中分别提取第二预设数量个目标数据;输出所提取的目标数据。
在一些实施例中,根据子集的序号,对各个子集进行分组,得到至少一个子集组,包括:执行如下分组步骤:响应于确定未分组的子集的数量小于等于第一预设数量,将未分组的子集确定为一个子集组;响应于确定未分组的子集的数量大于第一预设数量,从序号最小的子集开始,将第一预设数量个子集确定为一个子集组;重新确定未分组的子集的数量,响应于确定重新确定的未分组的子集的数量不为零,继续执行分组步骤。
在一些实施例中,从该子集组中的每个子集中分别提取第二预设数量个目标数据,包括:获取第二预设数量个目标位置编号,其中,位置编号用于表征目标数据在子集中的位置;从该子集组中的每个子集中提取目标位置编号对应的目标数据。
在一些实施例中,目标数据集合为由目标数据组成的至少一个同型矩阵,子集为至少一个同型矩阵中的矩阵。
在一些实施例中,目标数据为矩阵中的元素,目标位置编号为目标数据在矩阵中的行列号。
在一些实施例中,第一预设数量是基于预设的单指令多数据流SIMD指令单次执行所处理的最大数据量确定的数量。
第二方面,本申请实施例提供了一种用于输出数据的装置,该装置包括:获取单元,配置用于获取目标数据集合;确定单元,配置用于确定组成目标数据集合的子集和子集的序号;分组单元,配置用于根据子集的序号,对各个子集进行分组,得到至少一个子集组,其中,至少一个子集组中的每个子集组包括的子集的数量小于等于第一预设数量;提取单元,配置用于对于至少一个子集组中的每个子集组,从该子集组中的每个子集中分别提取第二预设数量个目标数据;输出单元,配置用于输出所提取的目标数据。
在一些实施例中,分组单元,包括:分组模块,配置用于执行如下分组步骤:响应于确定未分组的子集的数量小于等于第一预设数量,将未分组的子集确定为一个子集组;响应于确定未分组的子集的数量大于第一预设数量,从序号最小的子集开始,将第一预设数量个子集确定为一个子集组;确定模块,配置用于重新确定未分组的子集的数量,响应于确定重新确定的未分组的子集的数量不为零,继续执行分组步骤。
在一些实施例中,提取单元,包括:获取模块,配置用于获取第二预设数量个目标位置编号,其中,位置编号用于表征目标数据在子集中的位置;提取模块,配置用于从该子集组中的每个子集中提取目标位置编号对应的目标数据。
在一些实施例中,目标数据集合为由目标数据组成的至少一个同型矩阵,子集为至少一个同型矩阵中的矩阵。
在一些实施例中,目标数据为矩阵中的元素,目标位置编号为目标数据在矩阵中的行列号。
在一些实施例中,第一预设数量是基于预设的单指令多数据流SIMD指令单次执行所处理的最大数据量确定的数量。
第三方面,本申请实施例提供了一种电子设备,该电子设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序;当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本申请实施例提供的用于输出数据的方法和装置,通过对组成目标数据集合的子集进行分组,再从各个子集组中的每个子集中分别提取目标数据并输出,从而提高了提取和输出数据的效率。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请可以应用于其中的示例性系统架构图;
图2是根据本申请的用于输出数据的方法的一个实施例的流程图;
图3是根据本申请的用于输出数据的方法的一个应用场景的示意图;
图4是根据本申请的用于输出数据的装置的一个实施例的结构示意图;
图5是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的用于输出数据的方法或用于输出数据的装置的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种客户端应用,例如图像处理类应用、网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持数据处理的的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上传的数据进行处理的数据处理服务器。数据处理服务器可以对接收到的数据进行分析等处理,并将处理结果(例如输出的数据)反馈给终端设备。
需要说明的是,本申请实施例所提供的用于输出数据的方法可以由服务器105执行,也可以由终端设备101、102、103执行,相应地,用于输出数据的装置可以设置于服务器105中,也可以设置于终端设备101、102、103中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。在需要处理的数据不需要从远程获取的情况下,上述系统架构可以不包括网络,而只需终端设备或服务器。
继续参考图2,示出了根据本申请的用于输出数据的方法的一个实施例的流程200。该用于输出数据的方法,包括以下步骤:
步骤201,获取目标数据集合。
在本实施例中,用于输出数据的方法运行于其上的电子设备(例如图1所示的服务器或终端设备)可以通过有线连接方式或者无线连接方式从远程获取数据,也可以从本地获取数据。其中,目标数据可以是上述电子设备预先存储的某个数据序列或某个数据集合中的数据。目标数据可以是各种形式的数据,例如,矩阵形式的各种数据,在图像识别时产生的特征数据(即用于将一幅图像区别于其他类图像的特征数据,有些是可以直观地感受到的自然特征,如亮度、边缘、纹理和色彩等;有些则是需要通过变换或处理才能得到的,如矩、直方图以及主成份等)等。
步骤202,确定组成目标数据集合的子集和子集的序号。
在本实施例中,基于步骤201中得到的目标数据集合,上述电子设备可以确定组成目标数据集合的子集和子集的序号。其中,子集的序号可以是大于等于一的自然数。例如,组成目标数据集合A的子集包括子集A1、子集A2、子集A3,其中,A1的序号为1,A2的序号为2,A3的序号为3。
在本实施例的一些可选的实现方式中,目标数据集合可以为由目标数据组成的至少一个同型矩阵,子集为至少一个同型矩阵中的矩阵。例如,在卷积神经网络进行图像识别的过程中,进行卷积运算所用到的卷积核是由多个同型矩阵组成的矩阵集合,则每个矩阵即为一个子集,卷积核即为目标数据集合。
实践中,上述目标数据集合可以是对深度可分离卷积(depthwise separableconvolutions)进行运算时所处理的特征数据矩阵,特征数据即为目标数据,多个特征数据矩阵组成目标数据集合,组成目标数据集合的每个特征数据矩阵即为目标数据集合的子集。其中,深度可分离卷积一种用于压缩卷积神经网络占用的存储空间的方法,深度可分离卷积是目前广泛研究和应用的公知技术,在此不再赘述。
步骤203,根据子集的序号,对各个子集进行分组,得到至少一个子集组。
在本实施例中,基于步骤202确定出的子集和子集的序号,上述电子设备可以根据子集的序号,对各个子集进行分组,得到至少一个子集组。其中,至少一个子集组中的每个子集组包括的子集的数量小于等于第一预设数量。
在本实施例的一些可选的实现方式中,上述电子设备可以按照如下步骤对各个子集进行分组,得到至少一个子集组:
首先,上述电子设备可以执行如下分组步骤:响应于确定未分组的子集的数量小于等于第一预设数量,将未分组的子集确定为一个子集组;响应于确定未分组的子集的数量大于第一预设数量,从序号最小的子集开始,将第一预设数量个子集确定为一个子集组。
然后,上述电子设备重新确定未分组的子集的数量,响应于确定重新确定的未分组的子集的数量不为零,继续执行所述分组步骤。
示例性的,假设第一预设数量为4,目标数据集合包括10个子集,各个子集的编号分别为1-10,则上述电子设备可以将编号1-4的四个子集确定为子集组1,将编号为5-8的四个子集确定为子集组2,将编号为9-10的两个子集确定为子集组3。
可选的,上述电子设备还可以按照其他方式对各个子集进行分组,例如,从序号最大的子集开始依次对各个子集进行分组。
在本实施例的一些可选的实现方式中,第一预设数量是基于预设的SIMD(SingleInstruction Multiple Data,单指令多数据流)指令单次执行所处理的最大数据量确定的数量。例如,一个SIMD指令可以同时对N个数据进行处理,则上述第一预设数量可以设置为N,其中,N为大于一的自然数。上述SIMD指令是能够同时获取多个操作数,并把所获取的操作数存放在寄存器的指令。对于SISD(Single Instruction Single Data stream,单指令流单数据流),每个指令只能处理一个数据,而对于SIMD,一个指令可以处理多个数据。因为多个数据的处理是平行的,因此从时间来说,一个指令执行的时间,SISD和SIMD是差不多的。由于SIMD一次可以处理N个数据,所以它的处理的时间也就缩短到SISD的处理的时间的1/N。
可选的,上述SIMD指令可以为NEON指令,其中,NEON指令是适用于嵌入式微处理器的一种128位SIMD的指令,它采用专门设计,简化了软件在不同平台之间的移植,能够提升数据处理的速度,降低硬件功耗。由于NEON指令一次可以同时对4个数据进行处理,因此,上述第一预设数量可以设置为4。
应当理解,除上述NEON指令外,上述电子设备还可以采用其他SIMD指令,例如SSE(Streaming SIMD Extensions,单指令多数据流扩展)指令等。
步骤204,对于至少一个子集组中的每个子集组,从该子集组中的每个子集中分别提取第二预设数量个目标数据。
在本实施例中,基于步骤203得到的子集组,上述电子设备可以从每个子集组中提取第二预设数量个目标数据。其中,第二预设数量可以是大于等于一的自然数。上述电子设备可以在每次提取时按照目标数据的排列次序依次提取第二预设数量个目标数据,也可以根据输入的预先设置的目标数据的编号,从子集组中的每个子集中分别提取第二预设数量个目标数据。应当理解,上述第二预设数量可以根据第一预设数量和子集组包括的子集的数量来设置。例如,当第一预设数量为4,子集组包括的子集的最大数量为4时,第二预设数量可以设置为1;当第一预设数量为4,子集组包括的子集的最大数量为2时,第二预设数量可以设置为2。
在本实施例的一些可选的实现方式中,上述电子设备可以按照如下步骤从子集组中的每个子集中分别提取目标数据:
首先,上述电子设备获取第二预设数量个目标位置编号。其中,位置编号用于表征目标数据在子集中的位置。
然后,上述电子设备从子集组中的每个子集中提取目标位置编号对应的目标数据。
在本实施例的一些可选的实现方式中,当目标数据集合为由目标数据组成的至少一个同型矩阵,且子集为至少一个同型矩阵中的矩阵时,目标数据可以为矩阵中的元素,目标位置编号可以为目标数据在矩阵中的行列号。
步骤205,输出所提取的目标数据。
在本实施例中,基于步骤204提取的目标数据,上述电子设备可以将所提取的目标数据输出。通常,上述电子设备可以将所提取的目标数据输出至各种装置。例如,在对数据进行计算(例如乘法)时,上述电子设备可以将所提取的目标数据输出至预设的寄存器(例如乘法运算所需的寄存器)中,以进行相应的计算。再例如,上述电子设备还可以将所提取的目标数据输出至其他电子设备(例如图1所示的终端设备),以使其他电子设备对目标数据执行相应的计算。
继续参见图3,图3是根据本实施例的用于输出数据的方法的应用场景的一个示意图。在图3的应用场景中,电子设备首先获取卷积神经网络所包括的卷积核301(即目标数据集合),卷积核301包括多个矩阵(即子集),每个矩阵具有对应的序号。然后,上述电子设备按序号由小到大的顺序,依次将每四个(第一预设数量个)矩阵划分为一个矩阵分组。再然后,上述电子设备从每个子集组中的每个子集中分别提取一个(第二预设数量个)数据。如图3所示,电子设备从第一矩阵3011中提取数据a11,从第二矩阵3012中提取数据b11,从第三矩阵3013中提取数据c11,从第四矩阵3014中提取数据d11。最后将多提取出的数据输出至寄存器302。其中,上述寄存器是设置在上述电子设备中的、为NEON指令提供支持的寄存器。上述电子设备基于NEON指令对所输出的数据进行处理。
本申请的上述实施例提供的方法,通过对组成目标数据集合的子集进行分组,再从各个子集组中的每个子集中分别提取目标数据并输出,从而提高了提取和输出数据的效率。
进一步参考图4,作为对上述各图所示方法的实现,本申请提供了一种用于输出数据的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图4所示,本实施例的用于输出数据的装置400包括:获取单元401,配置用于获取目标数据集合;确定单元402,配置用于确定组成目标数据集合的子集和子集的序号;分组单元403,配置用于根据子集的序号,对各个子集进行分组,得到至少一个子集组,其中,至少一个子集组中的每个子集组包括的子集的数量小于等于第一预设数量;提取单元404,配置用于对于至少一个子集组中的每个子集组,从该子集组中的每个子集中分别提取第二预设数量个目标数据;输出单元405,配置用于输出所提取的目标数据。
在本实施例中,上述获取单元401可以通过有线连接方式或者无线连接方式从远程获取的数据,也可以是从本地获取的数据。其中,目标数据可以是上述电子设备预先存储的某个数据序列或某个数据集合中的数据。目标数据可以是各种形式的数据,例如,矩阵形式的各种数据,在图像识别时产生的特征数据等。
在本实施例中,基于获取单元401得到的目标数据集合,上述确定单元402可以确定组成目标数据集合的子集和子集的序号。其中,子集的序号可以是大于等于一的自然数。
在本实施例中,基于确定单元402可以确定出的子集和子集的序号,上述分组单元403可以根据子集的序号,对各个子集进行分组,得到至少一个子集组。其中,至少一个子集组中的每个子集组包括的子集的数量小于等于第一预设数量。
在本实施例中,基于分组单元403得到的子集组,上述提取单元404可以从每个子集组中提取第二预设数量个目标数据。其中,第二预设数量可以是大于等于一的自然数。上述提取单元404可以在每次提取时按照目标数据的排列次序依次提取第二预设数量个目标数据,也可以根据输入的预先设置的目标数据的编号,从子集组中的每个子集中分别提取第二预设数量个目标数据。
在本实施例中,基于提取单元404提取的目标数据,上述输出单元405可以将所提取的目标数据输出。通常,上述输出单元405可以将所提取的目标数据输出至各种装置。
在本实施例的一些可选的实现方式中,分组单元403,可以包括:分组模块,配置用于执行如下分组步骤:响应于确定未分组的子集的数量小于等于所述第一预设数量,将未分组的子集确定为一个子集组;响应于确定未分组的子集的数量大于所述第一预设数量,从序号最小的子集开始,将所述第一预设数量个子集确定为一个子集组;确定模块,配置用于重新确定未分组的子集的数量,响应于确定重新确定的未分组的子集的数量不为零,继续执行所述分组步骤。
在本实施例的一些可选的实现方式中,提取单元404,可以包括:获取模块,配置用于获取第二预设数量个目标位置编号,其中,位置编号用于表征目标数据在子集中的位置;提取模块,配置用于从该子集组中的每个子集中提取目标位置编号对应的目标数据。
在本实施例的一些可选的实现方式中,目标数据可以为矩阵中的元素,目标数据集合可以为由目标数据组成的至少一个同型矩阵,子集为所述至少一个同型矩阵中的矩阵。
在本实施例的一些可选的实现方式中,目标位置编号可以为目标数据在矩阵中的行列号。
在本实施例的一些可选的实现方式中,第一预设数量可以是基于预设的单指令多数据流SIMD指令单次执行所处理的最大数据量确定的数量。
本申请的上述实施例提供的装置,通过对组成目标数据集合的子集进行分组,再从各个子集组中的每个子集中分别提取目标数据并输出,从而提高了提取和输出数据的效率。
下面参考图5,其示出了适于用来实现本申请实施例的电子设备的计算机系统500的结构示意图。图5示出的电子设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图5所示,计算机系统500包括中央处理单元(CPU)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有系统500操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
以下部件连接至I/O接口505:包括键盘、鼠标等的输入部分506;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507;包括硬盘等的存储部分508;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器510上,以便于从其上读出的计算机程序根据需要被安装入存储部分508。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分509从网络上被下载和安装,和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时,执行本申请的方法中限定的上述功能。需要说明的是,本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括获取单元、确定单元、分组单元、提取单元和输出单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“获取目标数据集合的单元”。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取目标数据集合;确定组成目标数据集合的子集和子集的序号;根据子集的序号,对各个子集进行分组,得到至少一个子集组,其中,至少一个子集组中的每个子集组包括的子集的数量小于等于第一预设数量;对于至少一个子集组中的每个子集组,从该子集组中的每个子集中分别提取第二预设数量个目标数据;输出所提取的目标数据。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (14)
1.一种用于输出数据的方法,包括:
获取目标数据集合;
确定组成所述目标数据集合的子集和子集的序号;
根据子集的序号,对各个子集进行分组,得到至少一个子集组,其中,所述至少一个子集组中的每个子集组包括的子集的数量小于等于第一预设数量;
对于所述至少一个子集组中的每个子集组,从该子集组中的每个子集中分别提取第二预设数量个目标数据;
输出所提取的目标数据。
2.根据权利要求1所述的方法,其中,所述根据子集的序号,对各个子集进行分组,得到至少一个子集组,包括:
执行如下分组步骤:响应于确定未分组的子集的数量小于等于第一预设数量,将未分组的子集确定为一个子集组;响应于确定未分组的子集的数量大于所述第一预设数量,从序号最小的子集开始,将所述第一预设数量个子集确定为一个子集组;
重新确定未分组的子集的数量,响应于确定重新确定的未分组的子集的数量不为零,继续执行所述分组步骤。
3.根据权利要求1所述的方法,其中,所述从该子集组中的每个子集中分别提取第二预设数量个目标数据,包括:
获取第二预设数量个目标位置编号,其中,位置编号用于表征目标数据在子集中的位置;
从该子集组中的每个子集中提取目标位置编号对应的目标数据。
4.根据权利要求3所述的方法,其中,所述目标数据集合为由目标数据组成的至少一个同型矩阵,子集为所述至少一个同型矩阵中的矩阵。
5.根据权利要求4所述的方法,其中,目标数据为矩阵中的元素,目标位置编号为目标数据在矩阵中的行列号。
6.根据权利要求1-5之一所述的方法,其中,所述第一预设数量是基于预设的单指令多数据流SIMD指令单次执行所处理的最大数据量确定的数量。
7.一种用于输出数据的装置,包括:
获取单元,配置用于获取目标数据集合;
确定单元,配置用于确定组成所述目标数据集合的子集和子集的序号;
分组单元,配置用于根据子集的序号,对各个子集进行分组,得到至少一个子集组,其中,所述至少一个子集组中的每个子集组包括的子集的数量小于等于第一预设数量;
提取单元,配置用于对于所述至少一个子集组中的每个子集组,从该子集组中的每个子集中分别提取第二预设数量个目标数据;
输出单元,配置用于输出所提取的目标数据。
8.根据权利要求7所述的装置,其中,所述分组单元,包括:
分组模块,配置用于执行如下分组步骤:响应于确定未分组的子集的数量小于等于第一预设数量,将未分组的子集确定为一个子集组;响应于确定未分组的子集的数量大于所述第一预设数量,从序号最小的子集开始,将所述第一预设数量个子集确定为一个子集组;
确定模块,配置用于重新确定未分组的子集的数量,响应于确定重新确定的未分组的子集的数量不为零,继续执行所述分组步骤。
9.根据权利要求7所述的装置,其中,所述提取单元,包括:
获取模块,配置用于获取第二预设数量个目标位置编号,其中,位置编号用于表征目标数据在子集中的位置;
提取模块,配置用于从该子集组中的每个子集中提取目标位置编号对应的目标数据。
10.根据权利要求9所述的装置,其中,所述目标数据集合为由目标数据组成的至少一个同型矩阵,子集为所述至少一个同型矩阵中的矩阵。
11.根据权利要求10所述的装置,其中,目标数据为矩阵中的元素,目标位置编号为目标数据在矩阵中的行列号。
12.根据权利要求7-11之一所述的装置,其中,所述第一预设数量是基于预设的单指令多数据流SIMD指令单次执行所处理的最大数据量确定的数量。
13.一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
14.一种计算机可读存储介质,其上存储有计算机程序,其中,该程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810010609.5A CN108595211B (zh) | 2018-01-05 | 2018-01-05 | 用于输出数据的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810010609.5A CN108595211B (zh) | 2018-01-05 | 2018-01-05 | 用于输出数据的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108595211A true CN108595211A (zh) | 2018-09-28 |
CN108595211B CN108595211B (zh) | 2021-11-26 |
Family
ID=63599846
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810010609.5A Active CN108595211B (zh) | 2018-01-05 | 2018-01-05 | 用于输出数据的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108595211B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109375952A (zh) * | 2018-09-29 | 2019-02-22 | 北京字节跳动网络技术有限公司 | 用于存储数据的方法和装置 |
CN109815210A (zh) * | 2018-12-29 | 2019-05-28 | 河北省科学院应用数学研究所 | 轨道电压异常数据监测方法、系统及终端设备 |
CN111435939A (zh) * | 2019-01-14 | 2020-07-21 | 百度在线网络技术(北京)有限公司 | 用于划分节点的存储空间的方法和装置 |
CN112199407A (zh) * | 2020-10-12 | 2021-01-08 | 上海达梦数据库有限公司 | 一种数据分组排序方法、装置、设备及存储介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1313975A (zh) * | 1998-06-23 | 2001-09-19 | 英泰利克斯公司 | 基于n元组或随机存取存储器的神经网络分类系统和方法 |
US20020198911A1 (en) * | 2001-06-06 | 2002-12-26 | Blomgren James S. | Rearranging data between vector and matrix forms in a SIMD matrix processor |
CN101833438A (zh) * | 2010-04-19 | 2010-09-15 | 浙江大学 | 一种基于多重并行的数据通用处理方法 |
CN103336959A (zh) * | 2013-07-19 | 2013-10-02 | 西安电子科技大学 | 一种基于gpu多核并行加速的车辆检测方法 |
CN104035751A (zh) * | 2014-06-20 | 2014-09-10 | 深圳市腾讯计算机系统有限公司 | 基于多图形处理器的数据并行处理方法及装置 |
CN105340209A (zh) * | 2013-06-17 | 2016-02-17 | 三星电子株式会社 | 发射和接收信道状态信息的方法和装置 |
CN105955710A (zh) * | 2016-04-22 | 2016-09-21 | 广州市长程软件有限公司 | 基于树形通讯结构的并行仿真数据处理方法 |
CN106844533A (zh) * | 2016-12-29 | 2017-06-13 | 北京师范大学 | 一种数据分组聚集方法及装置 |
CN107194423A (zh) * | 2017-05-19 | 2017-09-22 | 杭州电子科技大学 | 基于特征随机抽样集成超限学习机的高光谱图像分类方法 |
CN107203807A (zh) * | 2016-03-16 | 2017-09-26 | 中国科学院计算技术研究所 | 神经网络的计算方法、系统及其装置 |
CN107239823A (zh) * | 2016-08-12 | 2017-10-10 | 北京深鉴科技有限公司 | 一种用于实现稀疏神经网络的装置和方法 |
CN107251090A (zh) * | 2015-02-16 | 2017-10-13 | Hrl实验室有限责任公司 | 尖峰域卷积电路 |
-
2018
- 2018-01-05 CN CN201810010609.5A patent/CN108595211B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1313975A (zh) * | 1998-06-23 | 2001-09-19 | 英泰利克斯公司 | 基于n元组或随机存取存储器的神经网络分类系统和方法 |
US20020198911A1 (en) * | 2001-06-06 | 2002-12-26 | Blomgren James S. | Rearranging data between vector and matrix forms in a SIMD matrix processor |
CN101833438A (zh) * | 2010-04-19 | 2010-09-15 | 浙江大学 | 一种基于多重并行的数据通用处理方法 |
CN105340209A (zh) * | 2013-06-17 | 2016-02-17 | 三星电子株式会社 | 发射和接收信道状态信息的方法和装置 |
CN103336959A (zh) * | 2013-07-19 | 2013-10-02 | 西安电子科技大学 | 一种基于gpu多核并行加速的车辆检测方法 |
CN104035751A (zh) * | 2014-06-20 | 2014-09-10 | 深圳市腾讯计算机系统有限公司 | 基于多图形处理器的数据并行处理方法及装置 |
CN107251090A (zh) * | 2015-02-16 | 2017-10-13 | Hrl实验室有限责任公司 | 尖峰域卷积电路 |
CN107203807A (zh) * | 2016-03-16 | 2017-09-26 | 中国科学院计算技术研究所 | 神经网络的计算方法、系统及其装置 |
CN105955710A (zh) * | 2016-04-22 | 2016-09-21 | 广州市长程软件有限公司 | 基于树形通讯结构的并行仿真数据处理方法 |
CN107239823A (zh) * | 2016-08-12 | 2017-10-10 | 北京深鉴科技有限公司 | 一种用于实现稀疏神经网络的装置和方法 |
CN106844533A (zh) * | 2016-12-29 | 2017-06-13 | 北京师范大学 | 一种数据分组聚集方法及装置 |
CN107194423A (zh) * | 2017-05-19 | 2017-09-22 | 杭州电子科技大学 | 基于特征随机抽样集成超限学习机的高光谱图像分类方法 |
Non-Patent Citations (1)
Title |
---|
吕鹏伟 等: "基于动态规划的自动向量化方法", 《北京理工大学学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109375952A (zh) * | 2018-09-29 | 2019-02-22 | 北京字节跳动网络技术有限公司 | 用于存储数据的方法和装置 |
CN109815210A (zh) * | 2018-12-29 | 2019-05-28 | 河北省科学院应用数学研究所 | 轨道电压异常数据监测方法、系统及终端设备 |
CN109815210B (zh) * | 2018-12-29 | 2022-04-29 | 河北省科学院应用数学研究所 | 轨道电压异常数据监测方法、系统及终端设备 |
CN111435939A (zh) * | 2019-01-14 | 2020-07-21 | 百度在线网络技术(北京)有限公司 | 用于划分节点的存储空间的方法和装置 |
CN112199407A (zh) * | 2020-10-12 | 2021-01-08 | 上海达梦数据库有限公司 | 一种数据分组排序方法、装置、设备及存储介质 |
CN112199407B (zh) * | 2020-10-12 | 2023-10-27 | 上海达梦数据库有限公司 | 一种数据分组排序方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108595211B (zh) | 2021-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109191514A (zh) | 用于生成深度检测模型的方法和装置 | |
CN108595211A (zh) | 用于输出数据的方法和装置 | |
CN107944481A (zh) | 用于生成信息的方法和装置 | |
CN108229419A (zh) | 用于聚类图像的方法和装置 | |
CN109086742A (zh) | 场景识别方法、场景识别装置及移动终端 | |
CN108933822B (zh) | 用于处理信息的方法和装置 | |
CN110210501B (zh) | 虚拟对象生成方法、电子设备及计算机可读存储介质 | |
CN110213614A (zh) | 从视频文件中提取关键帧的方法和装置 | |
CN109087377A (zh) | 用于处理图像的方法和装置 | |
CN109711508A (zh) | 图像处理方法和装置 | |
CN109377508A (zh) | 图像处理方法和装置 | |
CN109272050B (zh) | 图像处理方法和装置 | |
CN108924381A (zh) | 图像处理方法、图像处理装置及计算机可读介质 | |
CN110110666A (zh) | 目标检测方法和装置 | |
CN110363303A (zh) | 智能分配模型训练内存方法、装置及计算机可读存储介质 | |
CN110209658A (zh) | 数据清洗方法和装置 | |
CN108268936A (zh) | 用于存储卷积神经网络的方法和装置 | |
CN109510943A (zh) | 用于拍摄图像的方法和装置 | |
CN109597912A (zh) | 用于处理图片的方法 | |
CN110321705A (zh) | 用于生成模型的方法、装置和用于检测文件的方法、装置 | |
CN109446379A (zh) | 用于处理信息的方法和装置 | |
CN109598344A (zh) | 模型生成方法和装置 | |
CN109165723A (zh) | 用于处理数据的方法和装置 | |
CN109492687A (zh) | 用于处理信息的方法和装置 | |
CN110895699B (zh) | 用于处理图像的特征点的方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |