CN110188871A - 运算方法、装置及相关产品 - Google Patents

Abstract

本公开涉及一种运算方法、装置及相关产品，所述产品包括控制器单元，所述控制器单元包括：指令缓存单元、指令处理单元和存储队列单元；所述指令缓存单元，用于存储所述人工神经网络运算关联的计算指令；所述指令处理单元，用于对所述计算指令解析得到多个运算指令；所述存储队列单元，用于存储指令队列，该指令队列包括：按该队列的前后顺序待执行的多个运算指令或计算指令。通过以上方法，本公开可以提高相关产品在进行神经网络模型的运算时的运算效率。

Description

运算方法、装置及相关产品

技术领域

本公开涉及信息处理技术领域，尤其涉及一种运算方法、装置及相关产品。

背景技术

在人工智能技术领域，神经网络算法是最近非常流行的一种机器学习算法，在各种领域中都取得了非常好的效果，比如图像识别，语音识别，自然语言处理等。随着神经网络算法的发展，算法的复杂度也越来越高，为了提高识别度，模型的规模也在逐渐增大。用GPU和CPU处理起这些大规模的模型，要花费大量的计算时间，并且耗电量很大。

发明内容

有鉴于此，本公开提出了一种神经网络的计算图的配置方法及装置。

根据本公开的一方面，提供了一种神经网络的计算图的配置方法，所述配置方法包括：

获取计算图的配置文件；

解析所述配置文件得到第一数组，所述第一数组中包括表示所述计算图的节点的第一对象，所述第一对象包括节点属性键值对以及节点参数键值对，其中，所述节点属性键值对用于记录节点的属性，节点参数键值对用于记录节点的参数；

根据所述节点参数键值对提取第一对象表示的节点的参数，并根据所述第一对象表示的节点的参数创建第一对象表示的节点；

根据第一对象的节点属性键值对提取第一对象表示的节点的属性，并为所述第一对象表示的节点添加所述属性。

在一种可能的实现方式中，所述节点属性键值对的值为第二数组，所述第二数组包括第二对象，所述第二对象是用于定义该第二对象所属的节点的属性的键值对。

在一中可能的实现方式中，所述节点参数键值对包括节点名称键值对和运算键值对，其中，所述节点名称键值对用于记录节点的名称，所述运算键值对用于记录节点的操作类型。

在一中可能的实现方式中，根据所述节点参数键值对提取第一对象表示的节点的参数，并根据所述第一对象表示的节点的参数创建第一对象表示的节点，包括：

根据所述节点名称键值对、运算键值对提取第一对象表示的节点的名称和操作类型，并根据所述第一对象表示的节点的名称和操作类型创建第一对象表示的节点。

在一中可能的实现方式中，所述第一对象还包括结构键值对，结构键值对的值为结构键值对所属节点的输入节点的名称，其中，节点的输入节点的输出数据作为该节点的输入数据，

所述配置方法还包括：

根据所述结构键值对提取第一对象表示的节点的输入节点的名称，并为所述第一对象表示的节点添加输入节点的名称。

在一中可能的实现方式中，若某一节点的输入节点包括多个输出数据，结构键值对的值为第三数组，所述结构键值对的值包括用于指明所述多个输出数据中的某一个输出数据作为所述某一节点的输入数据的字符串。

在一中可能的实现方式中，获取计算图的配置文件，包括：

创建第一数组；

根据神经网络模型的计算图对所述第一数组进行配置，生成计算图的配置文件。

根据本公开的另一方面，提供了一种神经网络的计算图的配置装置，所述配置装置包括：

获取模块，用于获取计算图的配置文件；

解析模块，用于解析所述配置文件得到第一数组，所述第一数组中包括表示所述计算图的节点的第一对象，所述第一对象包括节点属性键值对以及节点参数键值对，其中，所述节点属性键值对用于记录节点的属性，节点参数键值对用于记录节点的参数；

创建模块，用于根据所述节点参数键值对提取第一对象表示的节点的参数，并根据所述第一对象表示的节点的参数创建第一对象表示的节点；

属性添加模块，用于根据第一对象的节点属性键值对提取第一对象表示的节点的属性，并为所述第一对象表示的节点添加所述属性。

在一中可能的实现方式中，所述节点属性键值对的值为第二数组，所述第二数组包括第二对象，所述第二对象是用于定义该第二对象所属的节点的属性的键值对。

在一中可能的实现方式中，所述节点参数键值对包括节点名称键值对和运算键值对，其中，所述节点名称键值对用于记录节点的名称，所述运算键值对用于记录节点的操作类型。

在一中可能的实现方式中，所述创建模块包括：

第一创建单元，用于根据所述节点名称键值对、运算键值对提取第一对象表示的节点的名称和操作类型，并根据所述第一对象表示的节点的名称和操作类型创建第一对象表示的节点。

在一中可能的实现方式中，所述第一对象还包括结构键值对，结构键值对的值为结构键值对所属节点的输入节点的名称，其中，节点的输入节点的输出数据作为该节点的输入数据，

所述配置装置还包括：

输入添加模块，用于根据所述结构键值对提取第一对象表示的节点的输入节点的名称，并为所述第一对象表示的节点添加输入节点的名称。

在一中可能的实现方式中，若某一节点的输入节点包括多个输出数据，结构键值对的值为第三数组，所述结构键值对的值包括用于指明所述多个输出数据中的某一个输出数据作为所述某一节点的输入数据的字符串。

在一中可能的实现方式中，所述获取模块包括：

第二创建单元，用于创建第一数组；

生成单元，用于根据神经网络模型的计算图对所述第一数组进行配置，生成计算图的配置文件。

根据本公开的另一方面，提供了一种神经网络的计算图的配置装置，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为执行上述方法。

根据本公开的另一方面，提供了一种非易失性计算机可读存储介质，其上存储有计算机程序指令，其中，所述计算机程序指令被处理器执行时实现上述方法。

通过为配置文件中的节点属性键值对、节点参数键值对赋予不同的属性和参数，可以对不同节点的不确定、不相同的属性和参数进行统一又灵活的配置，实现了向神经网络执行框架传递计算图的信息，使得神经网络执行框架中用于计算图的解析和构建的类比较稳定，不因节点属性的变化而变化。

根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。

附图说明

包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。

图1示出根据本公开一实施例的神经网络的计算图的配置方法的流程图。

图2示出根据本公开一实施例的神经网络的计算图的配置方法的流程图。

图3示出根据本公开一实施例的神经网络的计算图的配置方法的流程图。

图4示出根据本公开一实施例的神经网络的计算图的配置装置的框图。

图5示出根据本公开一实施例的神经网络的计算图的配置装置的框图。

图6示出根据本公开一实施例的用于神经网络的计算图的配置的装置的框图。

图7示出根据本公开一实施例的一种用于神经网络的计算图的配置的装置的框图。

具体实施方式

以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。

另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。

由于深度学习计算量大，而且对计算速度要求高，深度学习的实际应用场景对处理数据的硬件在性能和功能上要求比较高，一种运算速度快同时功耗低的硬件，就显得十分必要。神经网络加速器(人工智能处理器)就是这种运算速度高同时功耗低的硬件。

为了充分发挥硬件的性能，为用户提供硬件平台的编程接口，高性能神经网络计算库应运而生。高性能神经网络计算库的运算模块，提供了神经网络基本运算、张量计算的接口，以及较为完善的深度学习运算的支持，用户可以利用这些基本操作，拼接出自己设计的神经网络。

利用高性能神经网络计算库搭建神经网络，需要开发人员比较清晰地了解运算模块、数据模块、设备管理模块，了解整个高性能神经网络计算库的运行流程约定，搭建不同神经网络时，代码量大而且代码重复度高。

为了解决基于高性能神经网络计算库搭建神经网络困难的问题，提出了神经网络执行框架，让高性能神经网络计算库的开发和测试人员不需要了解高性能神经网络计算库的细节便能快速搭建一个网络结构。

由于计算图中的每个操作(节点)需要设置不确定且不相同的属性和参数，需要一个统一又灵活的方式传递这些信息，为了解决如何向神经网络执行框架传递计算图的信息的问题，本公开提供了一种神经网络的计算图的配置方法。

该计算图的配置方法可以应用于处理器，所述处理器可以为通用处理器，例如，处理器可以为中央处理单元CPU(Central Processing Unit)、图形处理单元GPU(GraphicsProcessing Unit)等。所述处理器还可以为用于执行人工智能运算的人工智能处理器，人工智能运算可包括机器学习运算，类脑运算等。其中，机器学习运算包括神经网络运算、k-means运算、支持向量机运算等。该人工智能处理器可例如包括NPU(Neural-NetworkProcessing Unit，神经网络处理单元)、DSP(Digital Signal Process，数字信号处理单元)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)芯片中的一种或组合。人工智能处理器可以包括多个运算单元，多个运算单元可以并行执行运算。

图1示出根据本公开一实施例的神经网络的计算图的配置方法的流程图。如图1所示，该方法可以包括：

步骤S11，获取计算图的配置文件；

步骤S12，解析所述配置文件得到第一数组，所述第一数组中包括表示所述计算图的节点的第一对象，所述第一对象包括节点属性键值对以及节点参数键值对，其中，所述节点属性键值对用于记录节点的属性，节点参数键值对用于记录节点的参数；

步骤S13，根据所述节点参数键值对提取第一对象表示的节点的参数，并根据所述第一对象表示的节点的参数创建第一对象表示的节点；

步骤S14，根据第一对象的节点属性键值对提取第一对象表示的节点的属性，并为所述第一对象表示的节点添加所述属性。

通过为配置文件中的节点属性键值对、节点参数键值对赋予不同的属性和参数，可以对不同节点的不确定、不相同的属性和参数进行统一又灵活的配置，实现了向神经网络执行框架传递计算图的信息，使得神经网络执行框架中用于计算图的解析和构建的类比较稳定，不因节点属性的变化而变化。

其中的配置文件可以通过以下方式预先配置，也就是说，步骤S11，获取计算图的配置文件的过程可以包括：创建第一数组，第一数组中可以包括如上所述的用于表示计算图的节点的第一对象；根据神经网络模型的计算图对所述第一数组进行配置，生成计算图的配置文件，也就是根据计算图中的节点对第一数组中的第一对象进行配置，生成计算图的配置文件。

其中，计算图(Computational Graph)是通过图论语言表示数据函数的一种方式。在图论中节点通过边连接，节点代表事物，连接两节点的边表示两个事物间具有的关系。而计算图中用节点代表神经网络的输入数据或者算子(操作)，连接两节点的边表示两点之间的输入输出关系，边还可以附有权值等。在进行配置之前，可以先根据神经网络模型搭建对应的计算图，然后根据计算图进行以上配置过程。

第一数组可以是JSON(JavaScript Object Notation，JS对象简谱)数组，第一对象可以是JSON对象，计算图中的每个节点可以用JSON数组中的JSON对象表示，JSON对象可以用键值对描述计算图中的节点，一个JSON对象可以包括一个或多个键值对，多个键值对可以描述节点的不同信息。当然，第一数组不仅仅限于JSON数组，第一对象也不仅仅限于JSON对象。

举例来说，对于计算图中的每个节点，可以通过多个键值对描述这个节点，例如，节点属性键值对、节点参数键值对，所述节点属性键值对用于记录节点的属性，节点参数键值对用于记录节点的参数。

其中，节点参数键值对可以包括节点名称键值对和运算键值对，节点名称键值对用于记录节点的名称，运算键值对用于记录节点的操作类型。节点的操作类型也就是节点的运算operation，例如，reshape、transpose等。

举例来说，节点名称键值对的key(键)可以为name、value(值)可以是string，运算键值对的key可以为op、value可以是string。

节点的属性可以是指与节点的运算operation相关的信息，例如，运算的add_pad属性。

在一种可能的实现方式中，节点属性键值对的key可以为attrs、value可以为JSON对象，JSON对象的key和value都可以是string，string可以取不同的值，进而表示不同的属性。通过这种方式，可以实现对不同节点的不同属性进行统一又灵活的配置。

在一种可能的实现方式中，所述节点属性键值对的值可以为第二数组，第二数组可以包括多个第二对象，第二对象可以是用于定义该第二对象所属的节点的属性的键值对。其中，第二数组也可以是JSON数组，第二对象也可以为JSON对象。举例来说，节点属性键值对的key可以为attrs、value可以为JSON数组。第二对象的key和value都可以是string，多个第二对象的key和value的string可以取不同的值，进而表示各种属性，可以实现对一个节点的多个不同属性的灵活配置。当然，第二数组不仅仅限于JSON数组，第二对象也不仅仅限于JSON对象。

在一种可能的实现方式中，第一对象还可以包括结构键值对，结构键值对用于记录结构键值对所属节点的输入节点，例如，结构键值对的值可以记录结构键值对所属节点的输入节点的名称，其中，节点的输入节点的输出数据作为该节点的输入数据。举例来说，结构键值对的key可以为input、value可以是string。

在另一种可能的实现方式中，若某一节点的输入节点包括多个输出数据，结构键值对的值可以为第三数组，第三数组也可以为JSON数组，结构键值对的值可以包括：输入节点的多个输出数据、用于指明所述多个输出数据中的某一个输出数据作为所述某一节点的输入数据的字符串。此时，结构键值对的value可以是string组成的JSON数组，也就是说，可以通过多个string分别表示多个输出数据，通过一个string指明其中的一个输出数据作为输入数据。

表1示出了根据本公开实施例的计算图中节点定义的方式。

表1

表2示出了节点属性键值对的值定义的方式。

表2 attrs的值

在一种可能的实现方式中，可以人工配置计算图中节点的参数、属性等，处理器根据人工配置的节点的参数、属性等创建第一数组用于保存节点的参数、属性等，生成配置文件，从而获取到计算图的配置文件。

根据本公开的实施例，针对计算图中的每个节点，通过多个键值对进行描述，针对不同节点的不同属性和参数可以进行统一又灵活的配置。

在配置完配置文件后，可以将配置文件作为图定义文件保存到处理器中，处理器可以获取配置文件，然后解析配置文件得到第一数组。

第一数组中可以包括多个第一对象，针对多个第一对象中的每一个，都可以执行步骤S13、步骤S14的过程，创建第一对象对应的节点，并为节点添加节点的属性。也就是说，处理器可以逐个遍历第一数组中的第一对象，并创建第一对象表示的节点。

在遍历完第一数据中的所有第一对象之前，可以根据该第一对象中的节点参数键值对提取该第一对象表示的节点的参数，并根据第一对象表示的节点的参数创建第一对象表示的节点。如上所述，节点参数键值对可以包括节点名称键值对和运算键值对，因此，在一个示例中，步骤S13可以包括：根据节点名称键值对、运算键值对提取第一对象表示的节点的名称和操作类型，并根据第一对象表示的节点的名称和操作类型创建第一对象表示的节点。

在一种可能的实现方式中，通过识别键值对的key可以确定该键值对的值表示的含义。例如，若键值对的key为name，那么该键值对的值表示节点的名称；若键值对的key为op，那么该键值对的值表示节点的操作类型。

在一种可能的实现方式中，可以创建NodeDef类，在NodeDef类中根据提取的节点的名称和操作类型设置第一对象表示的节点的名称和操作类型。

需要说明的是，节点参数键值对还可以包括其他的键值对用于表示节点的其他参数，例如，节点的权值等参数，本公开对此不作限定。

对于步骤S14，如上所述，通过键值对的key是否为attrs确定节点属性键值对，然后提取节点属性键值对的值获得第一对象表示的节点的属性，并在NodeDef类中根据提取的节点的属性设置第一对象表示的节点的属性。

图2示出根据本公开一实施例的神经网络的计算图的配置方法的流程图。如上所述，结构键值对的值可以为结构键值对所属节点的输入节点的名称，其中，节点的输入节点的输出数据作为该节点的输入数据，如图2所示，所述方法还可以包括：

步骤S15，根据所述结构键值对提取第一对象表示的节点的输入节点的名称，并为所述第一对象表示的节点添加输入节点的名称。

第一数组中可以包括多个第一对象，针对多个第一对象中的每一个，都可以执行步骤S15的过程，为节点添加输入节点的名称。

通过键值对的key是否为inputs可以确定结构键值对，然后提取结构键值对的值可以获得第一对象表示的节点的输入节点的名称，并在NodeDef类中根据提取的节点的输入节点的名称设置第一对象表示的节点的输入节点的名称。

对于输入节点包括多个输出数据的情况，还可以提取结构键值对的值获得第一对象表示的节点的输入节点的名称、输入节点的多个输出数据以及作为第一对象表示的节点的输入数据的输出数据，并在NodeDef类中设置第一对象表示的节点的输入节点的名称、输入节点的多个输出数据以及作为第一对象表示的节点的输入数据的输出数据。

应用示例

图3示出根据本公开一实施例的神经网络的计算图的配置方法的流程图。如图3所示，可以先解析配置文件到JSON数组中，然后遍历JSON数组中的每一个JSON对象，依次读取每一个JSON对象中的键值对并创建对应的节点。

如图3所示，判断JSON数组是否遍历完毕，如果JSON数组没有遍历完毕(也就是没有遍历完JSON数组中的JSON对象)，则创建NodeDef类用于记录当前遍历的JSON对象表示的节点。在NodeDef类中根据提取的节点的名称和操作类型设置当前遍历的JSON对象表示的节点的名称和操作类型(运算)。

然后可以根据当前遍历的JSON对象的结构键值对遍历节点的输入节点，并在NodeDef类中根据提取的节点的输入节点的名称设置当前遍历的JSON对象表示的节点的输入节点的名称。

还可以根据当前遍历的JSON对象的节点属性键值对遍历节点的属性，并在NodeDef类中根据提取的节点的属性设置当前遍历的JSON对象表示的节点的属性。

遍历完当前遍历的JSON对象的节点属性键值对后，可以将NodeDef类保存到GraphDef类中，然以继续判断JSON数组是否遍历完毕。

不断重复上述过程，直到遍历完JSON数组中的JSON对象，结束配置的过程。

需要说明的是，图3中遍历节点的输入节点和属性的顺序仅仅是本公开的一个示例，本公开不限于此，还可以先遍历节点的属性，再遍历节点的输入节点。

本公开还提供了一种神经网络的计算图的配置装置，图4示出根据本公开一实施例的神经网络的计算图的配置装置的框图。

该计算图的配置装置可以应用于处理器，所述处理器可以为通用处理器，例如，处理器可以为中央处理单元CPU(Central Processing Unit)、图形处理单元GPU(GraphicsProcessing Unit)等。所述处理器还可以为用于执行人工智能运算的人工智能处理器，人工智能运算可包括机器学习运算，类脑运算等。其中，机器学习运算包括神经网络运算、k-means运算、支持向量机运算等。该人工智能处理器可例如包括NPU(Neural-NetworkProcessing Unit，神经网络处理单元)、DSP(Digital Signal Process，数字信号处理单元)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)芯片中的一种或组合。人工智能处理器可以包括多个运算单元，多个运算单元可以并行执行运算。

如图4所示，所述配置装置可以包括：

获取模块51，用于获取计算图的配置文件；

解析模块52，用于解析所述配置文件得到第一数组，所述第一数组中包括表示所述计算图的节点的第一对象，所述第一对象包括节点属性键值对以及节点参数键值对，其中，所述节点属性键值对用于记录节点的属性，节点参数键值对用于记录节点的参数；

创建模块53，用于根据所述节点参数键值对提取第一对象表示的节点的参数，并根据所述第一对象表示的节点的参数创建第一对象表示的节点；

属性添加模块54，用于根据第一对象的节点属性键值对提取第一对象表示的节点的属性，并为所述第一对象表示的节点添加所述属性。

通过为配置文件中的节点属性键值对、节点参数键值对赋予不同的属性和参数，可以对不同节点的不确定、不相同的属性和参数进行统一又灵活的配置，实现了向神经网络执行框架传递计算图的信息，使得神经网络执行框架中用于计算图的解析和构建的类比较稳定，不因节点属性的变化而变化。

在一种可能的实现方式中，所述节点属性键值对的值为第二数组，所述第二数组包括第二对象，所述第二对象是用于定义该第二对象所属的节点的属性的键值对。

在一种可能的实现方式中，所述节点参数键值对包括节点名称键值对和运算键值对，其中，所述节点名称键值对用于记录节点的名称，所述运算键值对用于记录节点的操作类型。

图5示出根据本公开一实施例的神经网络的计算图的配置装置的框图。

如图5所示，在一种可能的实现方式中，所述创建模块53包括：

第一创建单元531，用于根据所述节点名称键值对、运算键值对提取第一对象表示的节点的名称和操作类型，并根据所述第一对象表示的节点的名称和操作类型创建第一对象表示的节点。

在一种可能的实现方式中，所述第一对象还包括结构键值对，所述结构键值对用于记录结构键值对所属节点的输入节点。

在一种可能的实现方式中，结构键值对的值为结构键值对所属节点的输入节点的名称，其中，节点的输入节点的输出数据作为该节点的输入数据，

如图5所示，所述配置装置还可以包括：

输入添加模块55，用于根据所述结构键值对提取第一对象表示的节点的输入节点的名称，并为所述第一对象表示的节点添加输入节点的名称。

在一种可能的实现方式中，若某一节点的输入节点包括多个输出数据，结构键值对的值为第三数组，所述结构键值对的值包括用于指明所述多个输出数据中的某一个输出数据作为所述某一节点的输入数据的字符串。

在一种可能的实现方式中，所述获取模块51包括：

第二创建单元511，用于创建第一数组；

生成单元512，用于根据神经网络模型的计算图对所述第一数组进行配置，生成计算图的配置文件。

图6是根据一示例性实施例示出的一种用于神经网络的计算图的配置的装置800的框图。例如，装置800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。

参照图6，装置800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。

处理组件802通常控制装置800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在装置800的操作。这些数据的示例包括用于在装置800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件806为装置800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为装置800生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述装置800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当装置800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当装置800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件814包括一个或多个传感器，用于为装置800提供各个方面的状态评估。例如，传感器组件814可以检测到装置800的打开/关闭状态，组件的相对定位，例如所述组件为装置800的显示器和小键盘，传感器组件814还可以检测装置800或装置800一个组件的位置改变，用户与装置800接触的存在或不存在，装置800方位或加速/减速和装置800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，装置800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由装置800的处理器820执行以完成上述方法。

图7是根据一示例性实施例示出的一种用于神经网络的计算图的配置的装置1900的框图。例如，装置1900可以被提供为一服务器。参照图7，装置1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。

装置1900还可以包括一个电源组件1926被配置为执行装置1900的电源管理，一个有线或无线网络接口1950被配置为将装置1900连接到网络，和一个输入输出(I/O)接口1958。装置1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，MacOS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由装置1900的处理组件1922执行以完成上述方法。

本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令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)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。

这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本公开的多个实施例的系统、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、程序段或指令的一部分，所述模块、程序段或指令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。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，两个连续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动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。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (10)

1.一种神经网络的计算图的配置方法，其特征在于，所述配置方法包括：

获取计算图的配置文件；

解析所述配置文件得到第一数组，所述第一数组中包括表示所述计算图的节点的第一对象，所述第一对象包括节点属性键值对以及节点参数键值对，其中，所述节点属性键值对用于记录节点的属性，节点参数键值对用于记录节点的参数；

根据所述节点参数键值对提取第一对象表示的节点的参数，并根据所述第一对象表示的节点的参数创建第一对象表示的节点；

根据第一对象的节点属性键值对提取第一对象表示的节点的属性，并为所述第一对象表示的节点添加所述属性。

2.根据权利要求1所述的配置方法，其特征在于，所述节点属性键值对的值为第二数组，所述第二数组包括第二对象，所述第二对象是用于定义该第二对象所属的节点的属性的键值对。

3.根据权利要求1所述的配置方法，其特征在于，所述节点参数键值对包括节点名称键值对和运算键值对，其中，所述节点名称键值对用于记录节点的名称，所述运算键值对用于记录节点的操作类型。

4.根据权利要求3所述的配置方法，其特征在于，根据所述节点参数键值对提取第一对象表示的节点的参数，并根据所述第一对象表示的节点的参数创建第一对象表示的节点，包括：

根据所述节点名称键值对、运算键值对提取第一对象表示的节点的名称和操作类型，并根据所述第一对象表示的节点的名称和操作类型创建第一对象表示的节点。

5.根据权利要求1所述的配置方法，其特征在于，所述第一对象还包括结构键值对，结构键值对的值为结构键值对所属节点的输入节点的名称，其中，节点的输入节点的输出数据作为该节点的输入数据，

所述配置方法还包括：

根据所述结构键值对提取第一对象表示的节点的输入节点的名称，并为所述第一对象表示的节点添加输入节点的名称。

6.根据权利要求5所述的配置方法，其特征在于，若某一节点的输入节点包括多个输出数据，结构键值对的值为第三数组，所述结构键值对的值包括用于指明所述多个输出数据中的某一个输出数据作为所述某一节点的输入数据的字符串。

7.根据权利要求1所述的配置方法，其特征在于，获取计算图的配置文件，包括：

创建第一数组；

根据神经网络模型的计算图对所述第一数组进行配置，生成计算图的配置文件。

8.一种神经网络的计算图的配置装置，其特征在于，所述配置装置包括：

获取模块，用于获取计算图的配置文件；

解析模块，用于解析所述配置文件得到第一数组，所述第一数组中包括表示所述计算图的节点的第一对象，所述第一对象包括节点属性键值对以及节点参数键值对，其中，所述节点属性键值对用于记录节点的属性，节点参数键值对用于记录节点的参数；

创建模块，用于根据所述节点参数键值对提取第一对象表示的节点的参数，并根据所述第一对象表示的节点的参数创建第一对象表示的节点；

属性添加模块，用于根据第一对象的节点属性键值对提取第一对象表示的节点的属性，并为所述第一对象表示的节点添加所述属性。

9.一种神经网络的计算图的配置装置，其特征在于，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为执行可执行指令时实现权利要求1至7中任意一项所述的方法。

10.一种非易失性计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的方法。