CN111626398A

CN111626398A - 运算方法、装置及相关产品

Info

Publication number: CN111626398A
Application number: CN201910149733.4A
Authority: CN
Inventors: 不公告发明人
Original assignee: Shanghai Cambricon Information Technology Co Ltd
Current assignee: Shanghai Cambricon Information Technology Co Ltd
Priority date: 2019-02-28
Filing date: 2019-02-28
Publication date: 2020-09-04
Anticipated expiration: 2039-02-28
Also published as: CN111626398B

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编译方法及装置。

根据本公开的一方面，提供了一种神经网络的编译方法，所述方法包括：

根据所述神经网络的计算图得到所述神经网络对应的哈希码；

在已保存的哈希码中存在所述神经网络对应的哈希码时，根据所述神经网络对应的哈希码获取所述神经网络对应的编译指令；

其中，所述已保存的哈希码为已经编译过的神经网络的哈希码。

在一种可能的实现方式中，所述方法还包括：

在已保存的哈希码中不存在所述神经网络对应的哈希码时，对所述神经网络进行编译生成编译文件，所述编译文件中包括所述神经网络对应的编译指令；

记录所述神经网络对应的哈希码和所述编译文件的标识之间的第一关联关系。

在一种可能的实现方式中，所述神经网络对应的哈希码包括根据计算图的第一特征得到的第一哈希码和根据计算图的第二特征得到的第二哈希码，

在已保存的哈希码中存在所述神经网络对应的哈希码时，根据所述神经网络对应的哈希码获取所述神经网络对应的编译指令，包括：

在已保存的哈希码中存在所述根据计算图的第一特征得到的第一哈希码和所述根据计算图的第二特征得到的第二哈希码，且已保存的所述第一哈希码和所述第二哈希码之间存在第二关联关系时，根据所述第一哈希码和所述第二哈希码获取所述神经网络对应的编译指令。

在一种可能的实现方式中，在已保存的哈希码中不存在所述神经网络对应的哈希码时，对所述神经网络进行编译生成编译文件，包括：

在已保存的哈希码中不存在所述第一哈希码，或者，在已保存的哈希码中不存在所述第二哈希码，或者，在已保存的哈希码中存在的所述第一哈希码和第二哈希码不存在第二关联关系时，对所述神经网络进行编译生成编译文件。

在一种可能的实现方式中，所述方法还包括：

在已保存的哈希码中不存在所述第一哈希码，或者，在已保存的哈希码中不存在所述第二哈希码，或者，在已保存的哈希码中存在的所述第一哈希码和第二哈希码不存在第二关联关系时，根据所述第一哈希码和所述第二哈希码生成第三哈希码；

将所述第三哈希码作为所述编译文件的标识。

在一种可能的实现方式中，已保存的哈希码中的第一哈希码、第二哈希码和编译文件的标识之间存在第一关联关系，

根据所述第一哈希码和所述第二哈希码获取所述神经网络对应的编译指令，包括：

根据所述第一哈希码、所述第二哈希码和所述第一关联关系，确定与所述第一哈希码和所述第二哈希码对应的编译文件的标识；

根据所述编译文件的标识获取编译文件，所述编译文件中包括所述编译指令。

在一种可能的实现方式中，根据所述神经网络的计算图得到所述神经网络对应的哈希码，包括：

根据所述计算图的图结构计算所述神经网络的所述第一哈希码；

根据所述计算图的数据信息计算所述神经网络的所述第二哈希码。

在一种可能的实现方式中，所述图结构包括计算图中的算子的结构和算子的参数，所述数据信息包括与每个算子对应的数据信息。

在一种可能的实现方式中，所述算子的参数包括算子类型、算子标识和算子参数属性。

在一种可能的实现方式中，与每个算子对应的数据信息包括：每个算子对应的输入数据、输出数据、权值、偏重中的一项或多项，或者，根据每个算子对应的输入数据、输出数据、权值、偏置中的一项或多项生成的哈希码。

根据本公开的另一方面，提供了一种神经网络的编译装置，所述装置包括：

第一哈希模块，用于根据所述神经网络的计算图得到所述神经网络对应的哈希码；

获取模块，用于在已保存的哈希码中存在所述神经网络对应的哈希码时，根据所述神经网络对应的哈希码获取所述神经网络对应的编译指令；

在一种可能的实现方式中，所述装置还包括：

编译模块，用于在已保存的哈希码中不存在所述神经网络对应的哈希码时，对所述神经网络进行编译生成编译文件，所述编译文件中包括所述神经网络对应的编译指令；

记录模块，用于记录所述神经网络对应的哈希码和所述编译文件的标识之间的第一关联关系。

所述获取模块包括：

获取单元，用于在已保存的哈希码中存在所述根据计算图的第一特征得到的第一哈希码和所述根据计算图的第二特征得到的第二哈希码，且已保存的所述第一哈希码和所述第二哈希码之间存在第二关联关系时，根据所述第一哈希码和所述第二哈希码获取所述神经网络对应的编译指令。

在一种可能的实现方式中，所述编译模块包括：

编译单元，用于在已保存的哈希码中不存在所述第一哈希码，或者，在已保存的哈希码中不存在所述第二哈希码，或者，在已保存的哈希码中存在的所述第一哈希码和第二哈希码不存在第二关联关系时，对所述神经网络进行编译生成编译文件。

在一种可能的实现方式中，所述装置还包括：

第二哈希模块，用于在已保存的哈希码中不存在所述第一哈希码，或者，在已保存的哈希码中不存在所述第二哈希码，或者，在已保存的哈希码中存在的所述第一哈希码和第二哈希码不存在第二关联关系时，根据所述第一哈希码和所述第二哈希码生成第三哈希码；

标识模块，用于将所述第三哈希码作为所述编译文件的标识。

所述获取单元还用于：

在一种可能的实现方式中，所述第一哈希模块包括：

第一哈希单元，用于根据所述计算图的图结构计算所述神经网络的所述第一哈希码；

第二哈希单元，用于根据所述计算图的数据信息计算所述神经网络的所述第二哈希码。

根据本公开的另一方面，提供了一种神经网络的编译装置，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。

通过对神经网络的计算图进行哈希运算得到神经网络对应的哈希码，如果已保存的哈希码中存在该神经网络对应的哈希码，则说明相同的神经网络已经被编译过，可以根据神经网络对应的哈希码获取神经网络对应的编译指令。从而在相同的网络被再次利用时，不需要重新编译一次，节省编译时间，提高运算效率。

根据本公开的神经网络的编译方法及装置，在多次调用相同的神经网络时，只在第一次调用该神经网络进行一次编译即可，生成的编译指令可以多次使用，节省了编译时间，提高了运算效率。

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编译方法的流程图。

图2示出根据本公开一实施例的神经网络的编译方法的流程图。

图3示出根据本公开一实施例的步骤S11的方法的流程图。

图4示出根据本公开一实施例的神经网络的编译装置的框图。

图5示出根据本公开一实施例的神经网络的编译装置的框图。

图6示出根据本公开一实施例的处理器的框图。

图7是一示例性实施例示出的一种用于神经网络的编译的装置的框图。

图8是一示例性实施例示出的一种用于神经网络的编译的装置的框图。

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。

随着深度学习的发展，现在的神经网络越来越深。在神经网络的计算图构建完成之后，对神经网络进行编译生成硬件指令的时间也随着神经网络深度的增加越来越长。特别是在一些端设备上，长时间的等待是无法让用户接受的。

为了解决上述问题，本公开提供了一种神经网络的编译方法及相关装置。该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(Graphics Processing 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-Network Processing 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编译方法的流程图。如图1所示，该编译方法可以包括：

步骤S11，根据所述神经网络的计算图得到所述神经网络对应的哈希码；

步骤S12，在已保存的哈希码中存在所述神经网络对应的哈希码时，根据所述神经网络对应的哈希码获取所述神经网络对应的编译指令；

根据本公开的神经网络的编译过程，在多次调用相同的神经网络时，只在第一次调用该神经网络进行一次编译即可，生成的编译指令可以多次使用，节省了编译时间，提高了运算效率。

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，点代表事物，连接两点的边表示两个事物间具有的关系。而计算图中用点代表神经网络中的输入值或者算子，连接两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。

在一种可能的实现方式中，可以通过哈希函数对计算图进行运算得到神经网络的哈希码，哈希函数可以为MD4、MD5、SHS等，本公开对此不作限定。在一个示例中，可以根据计算图生成计算图对应的字符串，将字符串输入到哈希函数中进行运算，得到神经网络的哈希码。

图2示出根据本公开一实施例的神经网络的编译方法的流程图。如图2所示，该编译方法还可以包括：

步骤S13，在已保存的哈希码中不存在所述神经网络对应的哈希码时，对所述神经网络进行编译生成编译文件，所述编译文件中包括所述神经网络对应的编译指令；

步骤S14，记录所述神经网络对应的哈希码和所述编译文件的标识之间的第一关联关系。

在得到神经网络对应的哈希码后，可以查找已保存的哈希码中是否存在神经网络对应的哈希码，如果在已保存的哈希码中不存在神经网络对应的哈希码时，说明之前没有编译过相同的神经网络，需要对神经网络进行编译生成编译文件。其中，编译文件中保存有神经网络对应的编译指令，运行编译文件中的编译指令可以实现通过神经网络对数据进行处理的过程。可以对编译文件进行保存，保存的格式可以为.mef格式，也可以是其他合适的格式，本公开对此不作限定。

对于这种情况，还可以执行步骤14，记录神经网络对应的哈希码和编译文件的标识之间的第一关联关系，以便于在相同的神经网络再次需要编译时，可以直接通过查找已保存的哈希码以及第一关联关系获得编译指令。其中，编译文件的标识可以是指唯一标识编译文件的信息，通过编译文件的标识可以查找到唯一相应的编译文件，编译文件的标识可以是系统自动生成的，也可以通过其他方式确定，例如根据上文的哈希码进行哈希运算得到的哈希码作为编译文件的标识，或者直接将上文的哈希码作为编译文件的标识，本公开对此不作限定。

需要说明的是，记录上述第一关联关系并不是必须的过程，以上存储哈希码和编译文件的标识的第一关联关系，从而便于后续获取编译文件的方式仅仅是本公开的一个示例，本公开不限于此，例如，如上所述，还可以直接将哈希码作为编译文件的标识等，只要能够获得神经网络对应的编译文件即可。

在一种可能的实现方式中，上述第一关联关系可以通过表的形式存储，如下表1所示。

表1

哈希码	编译文件名
		哈希码1	文件1
哈希码2	文件2
		…	…
哈希码n	文件n

为了更清楚的说明本公开的神经网络的编译方法，下面结合表1以一个示例举例说明。

在一个示例中，要使用神经网络1对某一图片中的目标对象(例如，图片中的一朵花、一只动物等等)进行分类。现有技术中是要先对神经网络1进行编译生成编译指令，然后运行指令完成对目标对象的分类。本公开的一实施例中，可以先根据神经网络1搭建出对应的计算图，然后，通过哈希函数对计算图进行运算得到神经网络的哈希码H，之后，在表1中进行查找确定在表1中不存在哈希码H，对神经网络1进行编译生成编译文件F，编译文件中保存有神经网络对应的编译指令，在表1的同一行中存储哈希码H以及编译文件F的标识，生成表2，同时存储编译文件。

表2

哈希码	编译文件名
		哈希码1	文件1
哈希码2	文件2
		…	…
哈希码n	文件n
		H	F

之后，要再次使用神经网络1。通过以上同样的过程之后得到神经网络的哈希码H，之后，在表1中进行查找确定在表1中存在哈希码H，根据哈希码H和表1可以确定对应的编译文件的标识F，通过F查找到神经网络1对应的编译文件即可直接运行编译指令，不需要再次对神经网络1进行编译，节省编译时间，提高运算效率。

在一种可能的实现方式中，所述神经网络对应的哈希码包括根据计算图的第一特征得到的第一哈希码和根据计算图的第二特征得到的第二哈希码。其中，计算图的第一特征可以是指计算图的图结构，计算图的第二特征可以是指计算图的数据信息。其中，图结构可以包括计算图中算子的结构和算子的参数，算子的结构可以是指算子之间的连接关系等，算子的参数可以是指算子类型、算子标识、算子参数属性等等；数据信息可以包括与每个算子对应的数据信息，与每个算子对应的数据信息可以包括：每个算子对应的输入数据、输出数据、权值、偏重等，与每个算子对应的数据信息还可以包括数据类型(例如，是否为浮点型)、数据顺序(与数据保存方式相关)等等；或者，与每个算子对应的数据信息可以包括：根据每个算子对应的输入数据、输出数据、权值、偏置等数据，数据的数据类型和数据顺序等生成的哈希码。

在一种可能的实现方式中，可以将计算图的图结构和数据信息以文件的方式进行保存，例如，保存为图结构文件和数据信息文件。其中，图结构文件中可以保存算子的结构、每一个算子的算子类型、算子标识、算子参数属性等；数据信息文件中可以保存每一个算子对应的数据、数据的数据类型和数据顺序等，每一个算子对应的数据可以包括输入数据、输出数据、权值和偏置等数据，或者，数据信息文件中也可以保存根据每个算子对应的数据中的一项或多项、或数据的数据类型、或数据顺序等生成的哈希码。

在另一个示例中，计算图的第一特征可以是指计算图的数据信息，计算图的第二特征可以是指计算图的图结构，本公开对此不作限定。

需要说明的是，以上仅仅是第一特征和第二特征的一个示例，本公开不限于此，第一特征和第二特征也可以选取其他合适的特征。

图3示出根据本公开一实施例的步骤S11的方法的流程图。如图3所示，步骤S11可以包括：

步骤S111，根据所述计算图的图结构计算所述神经网络的第一哈希码；

步骤S112，根据所述计算图的数据信息计算所述神经网络的第二哈希码。

其中，图结构和数据信息的解释参见上文的描述，通过以上过程可以得到神经网络对应的第一哈希码和第二哈希码。

在一种可能的实现方式中，可以通过哈希函数对图结构中的算子的结构和算子的参数进行哈希运算得到第一哈希码。

在一种可能的实现方式中，可以通过哈希函数对数据信息中的各算子的数据进行哈希运算得到第二哈希码，或者，对各算子的数据对应的字段进行哈希运算得到哈希码，然后再对该哈希码进行哈希运算得到第二哈希码。

需要说明的是，图3仅仅是步骤S111和步骤S112的一个示例，不以任何方式限制本公开中步骤S111和步骤S112的执行顺序，也就是说，步骤S111和步骤S112可以同时执行，还可以先执行步骤S112在执行步骤S111。

通过图结构和数据信息计算神经网络的哈希码，可以更准确的描述神经网络，以区分不同的神经网络，提高运算的准确性。

在一种可能的实现方式中，步骤S14，记录所述神经网络对应的哈希码和所述编译文件的标识之间的第一关联关系，可以包括：记录第一哈希码、第二哈希码和编译文件的标识之间的第一关联关系。也就是说，已保存的哈希码中的第一哈希码、第二哈希码和编译文件的标识之间存在第一关联关系。

表3示出根据本公开的第一关联关系的一个示例，如表3所示：

表3

根据计算图得到的哈希码	根据数据信息得到的哈希码	编译文件名
			哈希码11	哈希码12	文件1
哈希码21	哈希码22	文件2
			…	…	…
哈希码n1	哈希码32	文件n

在一种可能的实现方式中，步骤S12可以包括：在已保存的哈希码中存在所述根据计算图的第一特征得到的第一哈希码和所述根据计算图的第二特征得到的第二哈希码，且已保存的第一哈希码和第二哈希码之间存在第二关联关系时，根据第一哈希码和第二哈希码获取所述神经网络对应的编译指令。

在一种可能的实现方式中，步骤S13可以包括：在已保存的哈希码中不存在所述第一哈希码，或者，在已保存的哈希码中不存在所述第二哈希码，或者，在已保存的哈希码中存在的所述第一哈希码和第二哈希码不存在第二关联关系时，对所述神经网络进行编译生成编译文件。

其中，第二关联关系是指第一哈希码和第二哈希码之间的对应关系。

假设第一特征为计算图的图结构，第二特征为计算图的数据信息，以表3为例对本公开的上述过程进行说明。在执行完步骤S111和步骤S112之后，可以查找表3以确定在已存储的哈希码中是否存在第一哈希码和第二哈希码。具体地，可以在表3中查找根据计算图得到的哈希码中是否存在第一哈希码、根据数据信息得到的哈希码中是否存在第二哈希码、以及查找到的已存储的第一哈希码和第二哈希码之间是否存在第二关联关系(位于表3中的同一行)。

如果在已保存的哈希码中存在所述根据计算图的第一特征得到的第一哈希码和所述根据计算图的第二特征得到的第二哈希码，且已保存的第一哈希码和第二哈希码之间存在第二关联关系时，根据第一哈希码和第二哈希码获取神经网络对应的编译指令。

其中，“根据第一哈希码和第二哈希码获取神经网络对应的编译指令”，可以包括：根据第一哈希码、第二哈希码和第一关联关系，确定与第一哈希码和第二哈希码对应的编译文件的标识；根据编译文件的标识获取编译文件，编译文件中包括所述编译指令。

其中，“在已保存的哈希码中不存在所述第一哈希码，或者，在已保存的哈希码中不存在所述第二哈希码，或者，在已保存的哈希码中存在的所述第一哈希码和第二哈希码不存在第二关联关系时”可以包括多种情况，例如：

(1)在已保存的哈希码中既不存在所述第一哈希码，也不存在所述第二哈希码；(2)在已保存的哈希码中存在所述第一哈希码，但是不存在所述第二哈希码；(3)在已保存的哈希码中存在所述第二哈希码，但是不存在所述第一哈希码；(4)在已保存的哈希码中存在所述第一哈希码和所述第二哈希码，但是已保存的第一哈希码和第二哈希码之间没有第二关联关系(例如，位于表中不同的行)。

如果满足以上几种情况是时，说明原来没有编译过相同的神经网络，可以对所述神经网络进行编译生成编译文件，并记录第一哈希码、第二哈希码和编译文件的标识的第一关联关系，同时保存编译文件。

在一种可能的实现方式中，在已保存的哈希码中不存在所述第一哈希码，或者，在已保存的哈希码中不存在所述第二哈希码，或者，在已保存的哈希码中存在的所述第一哈希码和第二哈希码不存在第二关联关系时，所述方法还可以包括：根据所述第一哈希码和所述第二哈希码生成第三哈希码；将所述第三哈希码作为所述编译文件的标识。也就是说，在执行步骤S13时，还可以根据第一哈希码和第二哈希码生成第三哈希码作为编译文件的标识，这样，可以简单唯一的标识不同的编译文件，利于查找编译文件获得编译指令。

通过哈希函数对第一哈希码、第二哈希码进行运算得到第三哈希码，将第三哈希码作为编译文件的标识。表4给出了一个示例：

表4

根据计算图得到的哈希码	根据数据信息得到的哈希码	编译文件名
			哈希码11	哈希码12	哈希码31
哈希码21	哈希码22	哈希码32
			…	…	…
哈希码n1	哈希码32	哈希码3n

需要说明的是，以上以表的形式存储和展示哈希码与编译文件的标识之间的第一关联关系、哈希码之间的第二关联关系的方式仅仅是本公开的一个示例，本公开不限于此，还可以通过其他合适的方式存储关联关系，比如说，可以以数组的方式存储，(哈希码11，哈希码12，哈希码13)、(哈希码21，哈希码22，哈希码23)，等等，本公开对此不作限定，只要能确定这些数据之间的关联关系即可。这样，通过查找已存储的数组的方式，可以确定已存储的哈希码中是否存在神经网络对应的哈希码，例如，可以通过比对各个数组中第一个元素和第二个元素是否分别与第一哈希码、第二哈希码相同，来确定已存储的哈希码中是否存在神经网络对应的哈希码。

根据本公开各实施例的神经网络的编译过程，在多次调用相同的神经网络时，只在第一次调用该神经网络进行一次编译即可，生成的编译指令可以多次使用，节省了编译时间，提高了运算效率。

图4示出根据本公开一实施例的神经网络的编译装置的框图。该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(CentralProcessing Unit)、图形处理单元GPU(Graphics Processing 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-Network Processing 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，该编译装置可以包括：

第一哈希模块91，用于根据所述神经网络的计算图得到所述神经网络对应的哈希码；

获取模块92，用于在已保存的哈希码中存在所述神经网络对应的哈希码时，根据所述神经网络对应的哈希码获取所述神经网络对应的编译指令；

图5示出根据本公开一实施例的神经网络的编译装置的框图。如图5所示，在一种可能的实现方式中，所述装置还包括：

编译模块93，用于在已保存的哈希码中不存在所述神经网络对应的哈希码时，对所述神经网络进行编译生成编译文件，所述编译文件中包括所述神经网络对应的编译指令；

记录模块94，用于记录所述神经网络对应的哈希码和所述编译文件的标识之间的第一关联关系。

在一种可能的实现方式中，所述神经网络对应的哈希码包括根据计算图的第一特征得到的第一哈希码和根据计算图的第二特征得到的第二哈希码，所述获取模块92包括：

获取单元921，用于在已保存的哈希码中存在所述根据计算图的第一特征得到的第一哈希码和所述根据计算图的第二特征得到的第二哈希码，且已保存的所述第一哈希码和所述第二哈希码之间存在第二关联关系时，根据所述第一哈希码和所述第二哈希码获取所述神经网络对应的编译指令。

在一种可能的实现方式中，所述编译模块93包括：

编译单元931，用于在已保存的哈希码中不存在所述第一哈希码，或者，在已保存的哈希码中不存在所述第二哈希码，或者，在已保存的哈希码中存在的所述第一哈希码和第二哈希码不存在第二关联关系时，对所述神经网络进行编译生成编译文件。

在一种可能的实现方式中，所述装置还包括：

第二哈希模块95，用于在已保存的哈希码中不存在所述第一哈希码，或者，在已保存的哈希码中不存在所述第二哈希码，或者，在已保存的哈希码中存在的所述第一哈希码和第二哈希码不存在第二关联关系时，根据所述第一哈希码和所述第二哈希码生成第三哈希码；

标识模块96，用于将所述第三哈希码作为所述编译文件的标识。

在一种可能的实现方式中，已保存的哈希码中的第一哈希码、第二哈希码和编译文件的标识之间存在第一关联关系，所述获取单元921还用于：根据所述第一哈希码、所述第二哈希码和所述第一关联关系，确定与所述第一哈希码和所述第二哈希码对应的编译文件的标识；根据所述编译文件的标识获取编译文件，所述编译文件中包括所述编译指令。

在一种可能的实现方式中，所述第一哈希模块91包括：

第一哈希单元911，用于根据所述计算图的图结构计算所述神经网络的所述第一哈希码；

第二哈希单元912，用于根据所述计算图的数据信息计算所述神经网络的所述第二哈希码。

图6示出根据本公开一实施例的处理器的框图。该处理器可以应用于上述神经网络的编译装置。

参阅图6，该处理器用于执行机器学习计算，该处理器包括：控制器单元141和运算单元142，其中，控制器单元141与运算单元142连接，处理器可以包括多个运算单元142，该多个运算单元142包括：一个主处理电路和多个从处理电路；

控制器单元141，用于获取输入数据以及计算指令。该输入数据可以是经过处理器进行补齐处理后的数据。

在一种可选方案中，一个主处理电路和多个从处理电路可以为树型结构、H型结构或者脉冲阵列机结构，本公开对主处理电路和从处理电路之前的连接方式不作限定。

在一种可选方案中，具体的，获取输入数据以及计算指令方式可以通过数据输入输出单元得到，该数据输入输出单元具体可以为一个或多个数据I/O接口或I/O引脚。

上述计算指令包括但不限于：正向运算指令或反向训练指令，或其他神经网络运算指令等等，例如卷积运算指令，本申请具体实施方式并不限制上述计算指令的具体表现形式。

控制器单元141，还用于解析该计算指令得到多个运算指令，将该多个运算指令以及所述输入数据发送给所述主处理电路；

主处理电路101，用于对所述输入数据执行前序处理以及与所述多个从处理电路之间传输数据以及运算指令；

多个从处理电路102，用于依据从所述主处理电路传输的数据以及运算指令并行执行中间运算得到多个中间结果，并将多个中间结果传输给所述主处理电路；

主处理电路101，用于对所述多个中间结果执行后续处理得到所述计算指令的计算结果。

本申请提供的技术方案将运算单元设置成一主多从结构，对于正向运算的计算指令，其可以将依据正向运算的计算指令将数据进行拆分，这样通过多个从处理电路即能够对计算量较大的部分进行并行运算，从而提高运算速度，节省运算时间，进而降低功耗。

可选的，上述机器学习计算具体可以包括：人工神经网络运算，上述输入数据具体可以包括：输入神经元数据和权值数据。上述计算结果具体可以为：人工神经网络运算的结果即输出神经元数据。

对于神经网络中的运算可以为神经网络中的一层的运算，对于多层神经网络，其实现过程是，在正向运算中，当上一层人工神经网络执行完成之后，下一层的运算指令会将运算单元中计算出的输出神经元作为下一层的输入神经元进行运算(或者是对该输出神经元进行某些操作再作为下一层的输入神经元)，同时，将权值也替换为下一层的权值；在反向运算中，当上一层人工神经网络的反向运算执行完成后，下一层运算指令会将运算单元中计算出的输入神经元梯度作为下一层的输出神经元梯度进行运算(或者是对该输入神经元梯度进行某些操作再作为下一层的输出神经元梯度)，同时将权值替换为下一层的权值。

上述机器学习计算还可以包括支持向量机运算，k-近邻(k-nn)运算，k-均值(k-means)运算，主成分分析运算等等。为了描述的方便，下面以人工神经网络运算为例来说明机器学习计算的具体方案。

对于人工神经网络运算，如果该人工神经网络运算具有多层运算，多层运算的输入神经元和输出神经元并非是指整个神经网络的输入层中神经元和输出层中神经元，而是对于网络中任意相邻的两层，处于网络正向运算下层中的神经元即为输入神经元，处于网络正向运算上层中的神经元即为输出神经元。以卷积神经网络为例，设一个卷积神经网络有L层，K＝1,2,...,L-1，对于第K层和第K+1层来说，我们将第K层称为输入层，其中的神经元为所述输入神经元，第K+1层称为输出层，其中的神经元为所述输出神经元。即除最顶层外，每一层都可以作为输入层，其下一层为对应的输出层。

可选的，上述处理器还可以包括：该存储单元140和直接内存访问单元50，存储单元140可以包括：寄存器、缓存中的一个或任意组合，具体的，所述缓存，用于存储所述计算指令；所述寄存器，用于存储所述输入数据和标量；所述缓存为高速暂存缓存。直接内存访问单元50用于从存储单元10读取或存储数据。

可选的，该控制器单元包括：指令存储单元410、指令处理单元411和存储队列单元413；

指令存储单元410，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411，用于对所述计算指令解析得到多个运算指令；

存储队列单元413，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。

举例说明，在一个可选的技术方案中，主运算处理电路也可以包括一个控制器单元，该控制器单元可以包括主指令处理单元，具体用于将指令译码成微指令。当然在另一种可选方案中，从运算处理电路也可以包括另一个控制器单元，该另一个控制器单元包括从指令处理单元，具体用于接收并处理微指令。上述微指令可以为指令的下一级指令，该微指令可以通过对指令的拆分或解码后获得，能被进一步解码为各部件、各单元或各处理电路的控制信号。

在一种可选方案中，该计算指令的结构可以如下表所示。

操作码

寄存器或立即数

寄存器/立即数

…

上表中的省略号表示可以包括多个寄存器或立即数。

在另一种可选方案中，该计算指令可以包括：一个或多个操作域以及一个操作码。该计算指令可以包括神经网络运算指令。以神经网络运算指令为例，如表1所示，其中，寄存器号0、寄存器号1、寄存器号2、寄存器号3、寄存器号4可以为操作域。其中，每个寄存器号0、寄存器号1、寄存器号2、寄存器号3、寄存器号4可以是一个或者多个寄存器的号码。

上述寄存器可以为片外存储器，当然在实际应用中，也可以为片内存储器，用于存储数据，该数据具体可以为n维数据，n为大于等于1的整数，例如，n＝1时，为1维数据，即向量，如n＝2时，为2维数据，即矩阵，如n＝3或3以上时，为多维张量。

可选的，该控制器单元还可以包括：

所述依赖关系处理单元412，用于在具有多个运算指令时，确定第一运算指令与所述第一运算指令之前的第零运算指令是否存在关联关系，如所述第一运算指令与所述第零运算指令存在关联关系，则将所述第一运算指令缓存在所述指令存储单元内，在所述第零运算指令执行完毕后，从所述指令存储单元提取所述第一运算指令传输至所述运算单元；

所述确定该第一运算指令与第一运算指令之前的第零运算指令是否存在关联关系包括：

依据所述第一运算指令提取所述第一运算指令中所需数据(例如矩阵)的第一存储地址区间，依据所述第零运算指令提取所述第零运算指令中所需矩阵的第零存储地址区间，如所述第一存储地址区间与所述第零存储地址区间具有重叠的区域，则确定所述第一运算指令与所述第零运算指令具有关联关系，如所述第一存储地址区间与所述第零存储地址区间不具有重叠的区域，则确定所述第一运算指令与所述第零运算指令不具有关联关系。

图7是根据一示例性实施例示出的一种用于神经网络的编译的装置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7，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8是根据一示例性实施例示出的一种用于神经网络的编译的装置1900的框图。例如，装置1900可以被提供为一服务器。参照图8，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

1.一种神经网络的编译方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

在已保存的哈希码中不存在所述神经网络对应的哈希码时，对所述神经网络进行编译生成编译文件，所述编译文件中包括所述神经网络对应的编译指令。

3.根据权利要求1或2所述的方法，其特征在于，所述神经网络对应的哈希码包括根据计算图的第一特征得到的第一哈希码和根据计算图的第二特征得到的第二哈希码，

4.根据权利要求3所述的方法，其特征在于，

在已保存的哈希码中不存在所述神经网络对应的哈希码时，对所述神经网络进行编译生成编译文件，包括：

5.根据权利要求4所述的方法，其特征在于，所述方法还包括：

将所述第三哈希码作为所述编译文件的标识。

6.根据权利要求3所述的方法，其特征在于，

已保存的哈希码中的第一哈希码、第二哈希码和编译文件的标识之间存在第一关联关系，

7.根据权利要求1-6任意一项所述的方法，其特征在于，根据所述神经网络的计算图得到所述神经网络对应的哈希码，包括：

8.根据权利要求7所述的方法，其特征在于，

所述图结构包括计算图中的算子的结构和算子的参数，所述数据信息包括与每个算子对应的数据信息。

9.根据权利要求8所述的方法，其特征在于，所述算子的参数包括算子类型、算子标识和算子参数属性。

10.根据权利要求8所述的方法，其特征在于，与每个算子对应的数据信息包括：每个算子对应的输入数据、输出数据、权值、偏重中的一项或多项，或者，根据每个算子对应的输入数据、输出数据、权值、偏置中的一项或多项生成的哈希码。

11.一种神经网络的编译装置，其特征在于，所述装置包括：

12.根据权利要求11所述的装置，其特征在于，所述装置还包括：

编译模块，用于在已保存的哈希码中不存在所述神经网络对应的哈希码时，对所述神经网络进行编译生成编译文件，所述编译文件中包括所述神经网络对应的编译指令。

13.根据权利要求11或12所述的装置，其特征在于，所述神经网络对应的哈希码包括根据计算图的第一特征得到的第一哈希码和根据计算图的第二特征得到的第二哈希码，

所述获取模块包括：

14.根据权利要求13所述的装置，其特征在于，

所述编译模块包括：

15.根据权利要求14所述的装置，其特征在于，所述装置还包括：

16.根据权利要求13所述的装置，其特征在于，

所述获取单元还用于：

17.根据权利要求11-16任意一项所述的装置，其特征在于，所述第一哈希模块包括：

18.根据权利要求17所述的装置，其特征在于，

19.根据权利要求18所述的装置，其特征在于，所述算子的参数包括算子类型、算子标识和算子参数属性。

20.根据权利要求18所述的装置，其特征在于，与每个算子对应的数据信息包括：每个算子对应的输入数据、输出数据、权值、偏重中的一项或多项，或者，根据每个算子对应的输入数据、输出数据、权值、偏置中的一项或多项生成的哈希码。

21.一种神经网络的编译装置，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指令实现权利要求1至10中任意一项所述的方法。

22.一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10中任意一项所述的方法。