CN111090438A - 一种基于kubernetes的FPGA虚拟化训练的方法、设备及介质 - Google Patents
一种基于kubernetes的FPGA虚拟化训练的方法、设备及介质 Download PDFInfo
- Publication number
- CN111090438A CN111090438A CN201911082405.3A CN201911082405A CN111090438A CN 111090438 A CN111090438 A CN 111090438A CN 201911082405 A CN201911082405 A CN 201911082405A CN 111090438 A CN111090438 A CN 111090438A
- Authority
- CN
- China
- Prior art keywords
- fpga
- kubernets
- training
- training model
- packaging
- 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.)
- Withdrawn
Links
- 238000012549 training Methods 0.000 title claims abstract description 93
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000004806 packaging method and process Methods 0.000 claims abstract description 33
- 230000003993 interaction Effects 0.000 claims abstract description 23
- 230000007246 mechanism Effects 0.000 claims abstract description 15
- 238000004590 computer program Methods 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000005538 encapsulation Methods 0.000 claims 2
- 230000006870 function Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/60—Software deployment
- G06F8/61—Installation
- G06F8/63—Image based installation; Cloning; Build to order
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Stored Programmes (AREA)
Abstract
本发明公开了一种基于kubernetes的FPGA虚拟化训练的方法,包括以下步骤:在训练模型上添加对FPGA的注册和发现;编写FPGA的算子并进行封装,并将封装文件烧写到FPGA上;运行FPGA的驱动程序以完成与训练模型的数据交互;以及将训练模型程序封装到kubernetes的配置文件上,并在kubernetes中基于FPGA执行训练。本发明提出的基于kubernetes的FPGA虚拟化训练的方法、设备及介质利用TensorFlow原有的运行机制和编程接口,增加对FPGA设备训练的支持;并利用Kubernetes的device plugin机制增加对FPGA设备的支持,用户可以在kubernetes中正常使用FPGA资源。
Description
技术领域
本发明涉及机器学习技术领域,更具体地,特别是指一种基于kubernetes的FPGA虚拟化训练的方法、设备及可读介质。
背景技术
目前很多厂商可以使FPGA板卡支持tensorflow模型的推理(通过特定编译器将tensorflow模型编译成与FPGA匹配的bit流文件,并下载到FPGA中使用),但TensorFlow不支持在FPGA上的训练。TensorFlow现在只支持CPU、GPU、TPU,尚未支持FPGA,kubernetes现在也不支持FPGA设备的虚拟化,不能在TensorFlow中使用kubernetes上的已经虚拟化的FPGA进行训练加速,因此有些需要在线上部署且需要在线训练的模型无法使用。
发明内容
有鉴于此,本发明实施例的目的在于提出一种基于kubernetes的FPGA虚拟化训练的方法、设备及介质,利用TensorFlow原有的运行机制和编程接口,增加对FPGA设备训练的支持;并利用Kubernetes的device plugin机制增加对FPGA设备的支持,用户可以在kubernetes中正常使用FPGA资源。
基于上述目的,本发明实施例的一方面提供了一种基于kubernetes的FPGA虚拟化训练的方法,包括如下步骤:在训练模型上添加对FPGA的注册和发现;编写FPGA的算子并进行封装,并将封装文件烧写到FPGA上;运行FPGA的驱动程序以完成与训练模型的数据交互;以及将训练模型程序封装到kubernetes的配置文件上,并在kubernetes中基于FPGA执行训练。
在一些实施方式中,编写FPGA的算子并进行封装,将封装文件烧写到FPGA上还包括:编写训练模型应用层程序并指定FPGA作为资源目的;Kubernetes通过device plugin机制增加对FPGA的支持。
在一些实施方式中,运行FPGA的驱动程序以完成与训练模型的数据交互包括:通过FPGA的高速串行传输驱动和应用程序接口的连接,完成中央处理器和FPGA的数据交互。
在一些实施方式中,将训练模型程序封装到kubernetes的配置文件上,在kubernetes中基于FPGA执行训练还包括:编写在kubernetes中的配置文件yaml文件,yaml文件指定生成的pod启动后调用训练模型进行训练;将yaml文件生成的pod调度到拥有FPGA资源的kubernetes节点上;启动pod,在kubernetes中使用FPGA进行训练。
在一些实施方式中,还包括:训练模型为tensorflow模型。
本发明实施例的另一方面,还提供了一种计算机设备,包括:至少一个处理器;以及存储器,存储器存储有可在处理器上运行的计算机指令,指令由处理器执行以实现如下步骤:在训练模型上添加对FPGA的注册和发现;编写FPGA的算子并进行封装,并将封装文件烧写到FPGA上;运行FPGA的驱动程序以完成与训练模型的数据交互;以及将训练模型程序封装到kubernetes的配置文件上,并在kubernetes中基于FPGA执行训练。
在一些实施方式中,编写FPGA的算子并进行封装,将封装文件烧写到FPGA上还包括:编写训练模型应用层程序并指定FPGA作为资源目的;Kubernetes通过device plugin机制增加对FPGA的支持。
在一些实施方式中,运行FPGA的驱动程序以完成与训练模型的数据交互包括:通过FPGA的高速串行传输驱动和应用程序接口的连接,完成中央处理器和FPGA的数据交互。
在一些实施方式中,将训练模型程序封装到kubernetes的配置文件上,在kubernetes中基于FPGA执行训练还包括:编写在kubernetes中的配置文件yaml文件,yaml文件指定生成的pod启动后调用训练模型进行训练;将yaml文件生成的pod调度到拥有FPGA资源的kubernetes节点上;启动pod,在kubernetes中使用FPGA进行训练。
本发明实施例的再一方面,还提供了一种计算机可读存储介质,计算机可读存储介质存储有被处理器执行时实现如上方法步骤的计算机程序。
本发明具有以下有益技术效果:利用TensorFlow原有的运行机制和编程接口,增加对FPGA设备训练的支持;并利用Kubernetes的device plugin机制增加对FPGA设备的支持,用户可以在kubernetes中正常使用FPGA资源。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的实施例。
图1为本发明提供的基于kubernetes的FPGA虚拟化训练的方法的实施例的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明实施例进一步详细说明。
需要说明的是,本发明实施例中所有使用“第一”和“第二”的表述均是为了区分两个相同名称非相同的实体或者非相同的参量,可见“第一”“第二”仅为了表述的方便,不应理解为对本发明实施例的限定,后续实施例对此不再一一说明。
基于上述目的,本发明实施例的第一个方面,提出了一种基于kubernetes的FPGA虚拟化训练的方法的实施例。图1示出的是本发明提供的基于kubernetes的FPGA虚拟化训练的方法的实施例的示意图。如图1所示,本发明实施例包括如下步骤:
S1、在训练模型上添加对FPGA的注册和发现;
S2、编写FPGA的算子并进行封装,并将封装文件烧写到FPGA上;
S3、运行FPGA的驱动程序以完成与训练模型的数据交互;以及
S4、将训练模型程序封装到kubernetes的配置文件上,并在kubernetes中基于FPGA执行训练。
在本发明的一些实施例中,在训练模型tensorflow上,根据其原有机制添加对FPGA的注册和发现,使FPGA在tensorflow的发现列表中;使用opencl编写FPGA的正向算子和反向算子并进行封装,opencl端程序还负责分配调用FPGA内存资源和计算单元;通过FPGA的PCIE(高速串行点对点双通道高带宽传输)驱动程序和应用程序接口完成CPU和FPGA的数据交互,从而达到tensorflow中tensor数据交互的目的;将训练模型程序封装到kubernetes的配置文件上,在kubernetes中基于FPGA执行训练。
tensorflow中使用FPGA虚拟化设备训练方案,可以在kubernetes中添加对FPGA设备的支持,tensorflow应用层程序在kubernetes环境中运行;tensorflow中指定FPGA运行相应的算子,可以用FPGA实现一些运算量大的算子,从而达到训练加速效果。本实施例扩大了FPGA的使用场景,并增加了FPGA使用的灵活性,适用于需要在线训练并更新模型的场景。
根据本发明的一些实施方式,编写FPGA的算子并进行封装,将封装文件烧写到FPGA上还包括:
根据tensorflow的算子注册机制使用opencl进行注册,包括正向forward算子和反向backward算子。卷积程序如下,
REGISTER_KERNEL_BUILDER(Name("Conv2D").Device(DEVICE_FP GA).TypeConstraint<float>("T"),Conv2DOp<FPGADevice,float>)
FPGA需要注册为为DEVICE_FPGA,算子名称和参数设置与CPU(中央处理器)的版本相同,这样可以兼容所有的CPU、GPU和NPU的二维卷积模型。
编写训练模型应用层程序并指定FPGA作为资源目的,使用TF.device(“/FPGA:N”)指定需要使用的FPGA设备,一个服务器可以插多张FPGA卡,N即为FPGA的设备号;Kubernetes通过device plugin机制增加对FPGA的支持,之后用户可以在kubernetes环境中操作FPGA。FPGA需要使用opencl编译形成bit文件,该bit文件内是用户自定义的逻辑算法,最终烧写到FPGA内。
根据本发明的一些实施方式,运行FPGA的驱动程序以完成与训练模型的数据交互包括:通过FPGA的高速串行传输驱动和应用程序接口的连接,完成中央处理器和FPGA的数据交互。利用tensorflow原有的运行机制的编程接口,增加对FPGA训练的支持,通过FPGA的PCIE(高速串行点对点双通道高带宽传输)驱动程序和应用程序接口完成CPU和FPGA的数据交互,从而达到tensorflow中tensor数据交互的目的。
根据本发明的一些实施方式,将训练模型程序封装到kubernetes的配置文件上,在kubernetes中基于FPGA执行训练还包括:编写在kubernetes中的配置文件yaml文件,yaml文件指定生成的pod启动后调用训练模型进行训练;将yaml文件生成的pod调度到拥有FPGA资源的kubernetes节点上;启动pod,在kubernetes中使用FPGA进行训练。
根据本发明的一些实施方式,步骤还包括:训练模型为tensorflow模型。tensorflow作为最新的、应用范围最为广泛的深度学习开源框架近年来受到了广泛的关注与重视,它不仅便携、高效、可扩展,具有灵活的移植性,编译速度快,还能在不同的计算机上运行:小到智能手机,大到计算机集群都可以。tensorflow现已广泛用于从个人到企业、从初创公司到大公司等不同群体,无论在工业、商业还是科学研究上都展现出巨大的应用价值,因而已成为时下最热门的深度学习框架。基于tensorflow实现对FPGA的虚拟化训练,体现其灵活性和计算优势,同时提高训练速度。
需要特别指出的是,上述基于kubernetes的FPGA虚拟化训练的方法的各个实施例中的各个步骤均可以相互交叉、替换、增加、删减,因此,这些合理的排列组合变换之于基于软链接的文件保护的方法也应当属于本发明的保护范围,并且不应将本发明的保护范围局限在实施例之上。
基于上述目的,本发明实施例的第二个方面,提出了一种计算机设备,包括:至少一个处理器;以及存储器,存储器存储有可在处理器上运行的计算机指令,指令由处理器执行以实现如下步骤:S1、在训练模型上添加对FPGA的注册和发现;S2、编写FPGA的算子并进行封装,并将封装文件烧写到FPGA上;S3、运行FPGA的驱动程序以完成与训练模型的数据交互;以及S4、将训练模型程序封装到kubernetes的配置文件上,并在kubernetes中基于FPGA执行训练。
在一些实施方式中,编写FPGA的算子并进行封装,将封装文件烧写到FPGA上还包括:编写训练模型应用层程序并指定FPGA作为资源目的;Kubernetes通过device plugin机制增加对FPGA的支持。
在一些实施方式中,运行FPGA的驱动程序以完成与训练模型的数据交互包括:通过FPGA的高速串行传输驱动和应用程序接口的连接,完成中央处理器和FPGA的数据交互。
在一些实施方式中,将训练模型程序封装到kubernetes的配置文件上,在kubernetes中基于FPGA执行训练还包括:编写在kubernetes中的配置文件yaml文件,yaml文件指定生成的pod启动后调用训练模型进行训练;将yaml文件生成的pod调度到拥有FPGA资源的kubernetes节点上;启动pod,在kubernetes中使用FPGA进行训练。
本发明还提供了一种计算机可读存储介质,计算机可读存储介质存储有被处理器执行时执行如上方法的计算机程序。
最后需要说明的是,本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关硬件来完成,基于软链接的文件保护的方法的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,程序的存储介质可为磁碟、光盘、只读存储记忆体(ROM)或随机存储记忆体(RAM)等。上述计算机程序的实施例,可以达到与之对应的前述任意方法实施例相同或者相类似的效果。
此外,根据本发明实施例公开的方法还可以被实现为由处理器执行的计算机程序,该计算机程序可以存储在计算机可读存储介质中。在该计算机程序被处理器执行时,执行本发明实施例公开的方法中限定的上述功能。
此外,上述方法步骤以及系统单元也可以利用控制器以及用于存储使得控制器实现上述步骤或单元功能的计算机程序的计算机可读存储介质实现。
此外,应该明白的是,本文的计算机可读存储介质(例如,存储器)可以是易失性存储器或非易失性存储器,或者可以包括易失性存储器和非易失性存储器两者。作为例子而非限制性的,非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦写可编程ROM(EEPROM)或快闪存储器。易失性存储器可以包括随机存取存储器(RAM),该RAM可以充当外部高速缓存存储器。作为例子而非限制性的,RAM可以以多种形式获得,比如同步RAM(DRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据速率SDRAM(DDRSDRAM)、增强SDRAM(ESDRAM)、同步链路DRAM(SLDRAM)、以及直接Rambus RAM(DRRAM)。所公开的方面的存储设备意在包括但不限于这些和其它合适类型的存储器。
本领域技术人员还将明白的是,结合这里的公开所描述的各种示例性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。为了清楚地说明硬件和软件的这种可互换性,已经就各种示意性组件、方块、模块、电路和步骤的功能对其进行了一般性的描述。这种功能是被实现为软件还是被实现为硬件取决于具体应用以及施加给整个系统的设计约束。本领域技术人员可以针对每种具体应用以各种方式来实现的功能,但是这种实现决定不应被解释为导致脱离本发明实施例公开的范围。
结合这里的公开所描述的各种示例性逻辑块、模块和电路可以利用被设计成用于执行这里功能的下列部件来实现或执行:通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑器件、分立门或晶体管逻辑、分立的硬件组件或者这些部件的任何组合。通用处理器可以是微处理器,但是可替换地,处理器可以是任何传统处理器、控制器、微控制器或状态机。处理器也可以被实现为计算设备的组合,例如,DSP和微处理器的组合、多个微处理器、一个或多个微处理器结合DSP和/或任何其它这种配置。
结合这里的公开所描述的方法或算法的步骤可以直接包含在硬件中、由处理器执行的软件模块中或这两者的组合中。软件模块可以驻留在RAM存储器、快闪存储器、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动盘、CD-ROM、或本领域已知的任何其它形式的存储介质中。示例性的存储介质被耦合到处理器,使得处理器能够从该存储介质中读取信息或向该存储介质写入信息。在一个替换方案中,存储介质可以与处理器集成在一起。处理器和存储介质可以驻留在ASIC中。ASIC可以驻留在用户终端中。在一个替换方案中,处理器和存储介质可以作为分立组件驻留在用户终端中。
在一个或多个示例性设计中,功能可以在硬件、软件、固件或其任意组合中实现。如果在软件中实现,则可以将功能作为一个或多个指令或代码存储在计算机可读介质上或通过计算机可读介质来传送。计算机可读介质包括计算机存储介质和通信介质,该通信介质包括有助于将计算机程序从一个位置传送到另一个位置的任何介质。存储介质可以是能够被通用或专用计算机访问的任何可用介质。作为例子而非限制性的,该计算机可读介质可以包括RAM、ROM、EEPROM、CD-ROM或其它光盘存储设备、磁盘存储设备或其它磁性存储设备,或者是可以用于携带或存储形式为指令或数据结构的所需程序代码并且能够被通用或专用计算机或者通用或专用处理器访问的任何其它介质。此外,任何连接都可以适当地称为计算机可读介质。例如,如果使用同轴线缆、光纤线缆、双绞线、数字用户线路(DSL)或诸如红外线、无线电和微波的无线技术来从网站、服务器或其它远程源发送软件,则上述同轴线缆、光纤线缆、双绞线、DSL或诸如红外线、无线电和微波的无线技术均包括在介质的定义。如这里所使用的,磁盘和光盘包括压缩盘(CD)、激光盘、光盘、数字多功能盘(DVD)、软盘、蓝光盘,其中磁盘通常磁性地再现数据,而光盘利用激光光学地再现数据。上述内容的组合也应当包括在计算机可读介质的范围内。
以上是本发明公开的示例性实施例,但是应当注意,在不背离权利要求限定的本发明实施例公开的范围的前提下,可以进行多种改变和修改。根据这里描述的公开实施例的方法权利要求的功能、步骤和/或动作不需以任何特定顺序执行。此外,尽管本发明实施例公开的元素可以以个体形式描述或要求,但除非明确限制为单数,也可以理解为多个。
应当理解的是,在本文中使用的,除非上下文清楚地支持例外情况,单数形式“一个”旨在也包括复数形式。还应当理解的是,在本文中使用的“和/或”是指包括一个或者一个以上相关联地列出的项目的任意和所有可能组合。
上述本发明实施例公开实施例序号仅仅为了描述,不代表实施例的优劣。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本发明实施例公开的范围(包括权利要求)被限于这些例子;在本发明实施例的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,并存在如上的本发明实施例的不同方面的许多其它变化,为了简明它们没有在细节中提供。因此,凡在本发明实施例的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本发明实施例的保护范围之内。
Claims (10)
1.一种基于kubernetes的FPGA虚拟化训练的方法,其特征在于,包括以下步骤:
在训练模型上添加对FPGA的注册和发现;
编写所述FPGA的算子并进行封装,并将封装文件烧写到所述FPGA上;
运行所述FPGA的驱动程序以完成与所述训练模型的数据交互;以及
将所述训练模型程序封装到kubernetes的配置文件上,并在所述kubernetes中基于所述FPGA执行训练。
2.根据权利要求1所述的方法,其特征在于,编写所述FPGA的算子并进行封装,将封装文件烧写到所述FPGA上还包括:
编写所述训练模型应用层程序并指定所述FPGA作为资源目的;
所述Kubernetes通过device plugin机制增加对所述FPGA的支持。
3.根据权利要求1所述的方法,其特征在于,运行所述FPGA的驱动程序以完成与所述训练模型的数据交互包括:
通过所述FPGA的高速串行传输驱动和应用程序接口的连接,完成中央处理器和所述FPGA的数据交互。
4.根据权利要求1所述的方法,其特征在于,将所述训练模型程序封装到kubernetes的配置文件上,并在所述kubernetes中基于所述FPGA执行训练还包括:
编写在所述kubernetes中的所述配置文件yaml文件,所述yaml文件指定生成的pod启动后调用所述训练模型进行训练;
将所述yaml文件生成的所述pod调度到拥有所述FPGA资源的所述kubernetes节点上;
启动所述pod,在kubernetes中使用FPGA进行训练。
5.根据权利要求1所述的方法,其特征在于,所述训练模型为tensorflow模型。
6.一种计算机设备,其特征在于,包括:
至少一个处理器;以及
存储器,所述存储器存储有可在所述处理器上运行的计算机指令,所述指令由所述处理器执行时实现以下步骤:
在训练模型上添加对FPGA的注册和发现;
编写所述FPGA的算子并进行封装,并将封装文件烧写到所述FPGA上;
运行所述FPGA的驱动程序以完成与所述训练模型的数据交互;以及
将所述训练模型程序封装到kubernetes的配置文件上,并在所述kubernetes中基于所述FPGA执行训练。
7.根据权利要求6所述的计算机设备,其特征在于,编写所述FPGA的算子并进行封装,将封装文件烧写到所述FPGA上还包括:
编写所述训练模型应用层程序并指定所述FPGA作为资源目的;
所述Kubernetes通过device plugin机制增加对所述FPGA的支持。
8.根据权利要求6所述的计算机设备,其特征在于,运行所述FPGA的驱动程序以完成与所述训练模型的数据交互包括:
通过所述FPGA的高速串行传输驱动和应用程序接口的连接,完成中央处理器和所述FPGA的数据交互。
9.根据权利要求6所述的计算机设备,其特征在于,将所述训练模型程序封装到kubernetes的配置文件上,在所述kubernetes中基于所述FPGA执行训练还包括:
编写在所述kubernetes中的所述配置文件yaml文件,所述yaml文件指定生成的pod启动后调用所述训练模型进行训练;
将所述yaml文件生成的所述pod调度到拥有所述FPGA资源的所述kubernetes节点上;
启动所述pod,在kubernetes中使用FPGA进行训练。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-5任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911082405.3A CN111090438A (zh) | 2019-11-07 | 2019-11-07 | 一种基于kubernetes的FPGA虚拟化训练的方法、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911082405.3A CN111090438A (zh) | 2019-11-07 | 2019-11-07 | 一种基于kubernetes的FPGA虚拟化训练的方法、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111090438A true CN111090438A (zh) | 2020-05-01 |
Family
ID=70393097
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911082405.3A Withdrawn CN111090438A (zh) | 2019-11-07 | 2019-11-07 | 一种基于kubernetes的FPGA虚拟化训练的方法、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111090438A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111858036A (zh) * | 2020-06-29 | 2020-10-30 | 浪潮电子信息产业股份有限公司 | 基于FPGA设备的TensorFlow系统加速方法、装置、设备及存储介质 |
CN111858241A (zh) * | 2020-07-10 | 2020-10-30 | 浪潮电子信息产业股份有限公司 | 一种fpga云平台的监控方法、装置、设备及存储介质 |
CN112241368A (zh) * | 2020-09-30 | 2021-01-19 | 北京影谱科技股份有限公司 | 基于Kubernetes的自动化模型训练方法和装置 |
CN113110938A (zh) * | 2021-05-08 | 2021-07-13 | 网易(杭州)网络有限公司 | 一种资源分配方法、装置、计算机设备及存储介质 |
-
2019
- 2019-11-07 CN CN201911082405.3A patent/CN111090438A/zh not_active Withdrawn
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111858036A (zh) * | 2020-06-29 | 2020-10-30 | 浪潮电子信息产业股份有限公司 | 基于FPGA设备的TensorFlow系统加速方法、装置、设备及存储介质 |
CN111858036B (zh) * | 2020-06-29 | 2022-06-10 | 浪潮电子信息产业股份有限公司 | 基于FPGA设备的TensorFlow系统加速方法、装置、设备及存储介质 |
CN111858241A (zh) * | 2020-07-10 | 2020-10-30 | 浪潮电子信息产业股份有限公司 | 一种fpga云平台的监控方法、装置、设备及存储介质 |
CN112241368A (zh) * | 2020-09-30 | 2021-01-19 | 北京影谱科技股份有限公司 | 基于Kubernetes的自动化模型训练方法和装置 |
CN113110938A (zh) * | 2021-05-08 | 2021-07-13 | 网易(杭州)网络有限公司 | 一种资源分配方法、装置、计算机设备及存储介质 |
CN113110938B (zh) * | 2021-05-08 | 2023-08-29 | 网易(杭州)网络有限公司 | 一种资源分配方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111090438A (zh) | 一种基于kubernetes的FPGA虚拟化训练的方法、设备及介质 | |
JP6198939B2 (ja) | ドライバをロードする方法及び組み込みデバイス | |
CN109299587A (zh) | 基于go语言的算法保护方法、装置、设备及存储介质 | |
JP2018517986A (ja) | 階層的サブルーチン情報を含む中間コードからのオブジェクトコードの生成 | |
JP5384551B2 (ja) | 非abi準拠機能を初見のインタフェースにわたって実現するための方法及びシステム | |
CN110929883A (zh) | 一种在TensorFlow中支持FPGA训练的方法和装置 | |
CN111190589A (zh) | 一种可视化的编程方法及终端设备 | |
US10387124B2 (en) | System and method for creating domain specific language | |
CN107678741B (zh) | 列表视图的实现方法、装置、可读存储介质及设备 | |
CN112882694A (zh) | 一种程序编译方法、装置、电子设备及可读存储介质 | |
US9886251B2 (en) | Optimized compiling of a template function | |
US9552158B2 (en) | Conditional stack frame allocation | |
CN112882690B (zh) | 一种应用开发方法及装置 | |
CN110333867A (zh) | 一种多方安全计算数据处理方法、装置及系统 | |
JP2016502219A (ja) | 不変オブジェクトタイプ | |
CN110018831B (zh) | 程序处理方法、装置及计算机可读存储介质 | |
CN113177292B (zh) | 一种通用的bim二次开发实现方法和装置 | |
WO2023123111A1 (zh) | 编译方法以及用于编译的装置 | |
CN110442353A (zh) | 一种安装包管理的方法、装置及电子设备 | |
CN107239270B (zh) | 代码处理方法和装置 | |
WO2018227942A1 (zh) | 一种基于内存优化的任务执行方法及系统 | |
CN111338640B (zh) | 一种可动态调整的非对称指令重链接方法和装置 | |
CN107402749A (zh) | 实现图片加载库的方法及装置 | |
CN108958795B (zh) | 一种嵌入式系统中BootLoader代码重利用方法和开发板 | |
CN111913712A (zh) | 用于在Web端部署神经网络模型的方法和装置 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200501 |