CN111666077A - 算子处理方法、装置、电子设备及存储介质 - Google Patents
算子处理方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111666077A CN111666077A CN202010286449.4A CN202010286449A CN111666077A CN 111666077 A CN111666077 A CN 111666077A CN 202010286449 A CN202010286449 A CN 202010286449A CN 111666077 A CN111666077 A CN 111666077A
- Authority
- CN
- China
- Prior art keywords
- operation node
- calculation
- precision
- computing
- node
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/40—Transformation of program code
- G06F8/41—Compilation
- G06F8/42—Syntactic analysis
-
- 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
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/20—Processor architectures; Processor configuration, e.g. pipelining
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (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)
- Machine Translation (AREA)
Abstract
本申请公开了算子处理方法、装置、电子设备及存储介质,涉及人工智能领域,其中的方法可包括:获取待处理的算子表达式;将算子表达式解析为语法树,语法树中包括操作数节点及计算操作节点;分别确定出各计算操作节点适合的精度类型,所述精度类型包括半精度计算和单精度计算;根据确定结果生成与语法树等价的核函数。应用本申请所述方案,可充分利用半精度计算和单精度计算各自的优势,提升算子性能等。
Description
技术领域
本申请涉及计算机应用技术,特别涉及人工智能领域的算子处理方法、装置、电子设备及存储介质。
背景技术
图形处理单元(GPU,Graphics Processing Unit)是深度学习平台依托的主要计算单元,可用于加速大规模矩阵计算过程等。
为了进一步提升计算速度,目前某些GPU提供了半精度浮点计算逻辑,即支持半精度计算,半精度浮点表示只需要16位宽度,是单精度浮点表示的一半,具有更简化的硬件逻辑,计算速度更快。
但是,半精度计算的精度等较单精度计算会有一定的降低。为了利用半精度计算和单精度计算各自的优势,目前的开源深度学习平台通常采用黑白名单的机制,即根据不同算子的精度要求等,制定白名单和黑名单,白名单中的算子支持半精度计算和单精度计算,而黑名单中的算子仅支持单精度计算。但这种方式以算子为划分粒度,不能充分利用半精度计算和单精度计算各自的优势等。
发明内容
本申请提供了算子处理方法、装置、电子设备及存储介质。
一种算子处理方法,包括:
获取待处理的算子表达式;
将所述算子表达式解析为语法树,所述语法树中包括操作数节点及计算操作节点;
分别确定出各计算操作节点适合的精度类型,所述精度类型包括半精度计算和单精度计算;
根据确定结果生成与所述语法树等价的核函数。
一种算子处理装置,包括:获取模块、构建模块、确定模块以及生成模块;
所述获取模块,用于获取待处理的算子表达式;
所述构建模块,用于将所述算子表达式解析为语法树,所述语法树中包括操作数节点及计算操作节点;
所述确定模块,用于分别确定出各计算操作节点适合的精度类型,所述精度类型包括半精度计算和单精度计算;
所述生成模块,用于根据确定结果生成与所述语法树等价的核函数。
一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如以上所述的方法。
一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行如以上所述的方法。
上述申请中的一个实施例具有如下优点或有益效果:可对算子进行进一步的细粒度拆分,分别确定出其中包含的各计算操作适合的精度类型,即适合半精度计算还是单精度计算等,从而可得到更为高效的混合精度计算的算子,充分利用了半精度计算和单精度计算各自的优势,提升了算子性能等。应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1为本申请所述算子处理方法实施例的流程图;
图2为本申请所述语法树的示意图;
图3为在图2所示语法树中加入转换操作节点后的示意图;
图4为与图3所示语法树等价的kernel函数的示意图;
图5为本申请所述算子处理装置实施例50的组成结构示意图;
图6为根据本申请实施例所述方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
另外,应理解,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
图1为本申请所述算子处理方法实施例的流程图。如图1所示,包括以下具体实现方式。
在101中,获取待处理的算子表达式。
在102中,将算子表达式解析为语法树,语法树中包括操作数节点及计算操作节点。
在103中,分别确定出各计算操作节点适合的精度类型,所述精度类型包括半精度计算和单精度计算。
在104中,根据确定结果生成与语法树等价的核(kernel)函数。
神经网络中的算子是完成一个或多个逻辑功能的基本单元,其中通常包含多个输入和输出变量,并且完成多个计算操作。不同的计算操作有着不同的精度要求,比如,某一计算操作对精度要求较高,需要采用单精度计算,而另一计算操作对精度要求较低,则可采用半精度计算。
本实施例中,可首先获取待处理的算子表达式,算子表达式可以是指以类C语言计算表达式的方式描述算子的计算过程。
比如,待处理的算子表达式可为:
B=sigmoid(A0+A1);
C=ln(B);
其中,A0、A1和B均表示一个Tensor,即一个多维的数组,sigmoid为激活函数,即sigmoid(x)=1/(1+e-x),该算子表达式中假定A0、A1和B的大小相同,C为标量类型,ln(B)表示对B进行行方向归一化操作。
进一步地,可将算子表达式解析为语法树,语法树中包括操作数节点及计算操作节点。
图2为本申请所述语法树的示意图。如图2所示,针对左侧的算子表达式,可通过词法及语法解析器的分析等,按照现有方式将其解析为右侧的语法树,其中的A0、A1、B和C等均为操作数节点,+、sig(即sigmoid)及ln等均为计算操作节点,操作数节点记录了操作数的维度信息和类型信息等,计算操作节点记录了针对输入执行的计算操作等。
计算操作可以是一元操作,也可以是多元操作。比如,“+”计算操作为二元操作,输入为A0和A1,“sig”计算操作为一元操作,输入为“+”这一计算操作的输出。
优选地,计算操作可包括:加法操作、减法操作、乘法操作、除法操作、激活操作、累计和操作、行方向归一化操作以及列方向归一化操作等,分别如下所示:
1)a+b:对a和b进行元素级或广播加法操作;
2)a-b:对a和b进行元素级或广播减法操作;
3)a*b:对a和b进行元素级或广播乘法操作;
4)a/b:对a和b进行元素级或广播除法操作;
5)act(a):对a进行激活操作,如sig、tanh、relu等激活操作;
6)sum(a):对a进行累计和操作;
7)layer_norm(a):对a进行行方向归一化操作,缩写为ln;
8)batch_norm(a):对a进行列方向归一化操作。
针对语法树中的各计算操作节点,可分别确定出各计算操作节点适合的精度类型,所述精度类型包括半精度计算和单精度计算。
优选地,针对任一计算操作节点,若确定该计算操作节点的计算操作位于预先设定的第一计算操作列表中,则可确定该计算操作节点适合的精度类型为半精度计算,若确定该计算操作节点的计算操作位于预先设定的第二计算操作列表中,则可确定该计算操作节点适合的精度类型为单精度计算。
可预先通过统计分析等,分别确定出不同的计算操作适合的精度类型,从而分别生成第一计算操作列表和第二计算操作列表,第一计算操作列表中可记录有适合半精度计算的计算操作,第二计算操作列表中可记录有适合单精度计算的计算操作。
比如,“+”计算操作适合半精度计算,而“ln”计算操作适合单精度计算。
通过上述方式,可方便准确地确定出不同的计算操作节点适合的精度类型,并且,可适用于各种计算操作,具有广泛适用性。
可根据确定出的各计算操作节点适合的精度类型,生成与语法树等价的kernel函数。优选地,在此之前,还可进行以下处理:针对任一计算操作节点,分别根据该计算操作节点适合的精度类型确定出该计算操作节点所需的输入的类型及该计算操作节点的输出的类型,所述输入的类型和输出的类型包括:半精度变量和单精度变量;根据语法树中的各计算操作节点之间的连接关系以及确定出的各计算操作节点所需的输入的类型及输出的类型,按照使得各计算操作节点的输入符合所需的输入的类型的原则,在语法树中加入转换操作节点。相应地,在生成与语法树等价的kernel函数时,可生成与加入转换操作节点后的语法树等价的kernel函数。
针对任一计算操作节点,在确定出该计算操作节点适合的精度类型后,可根据适合的精度类型进一步确定出该计算操作节点所需的输入的类型及该计算操作节点的输出的类型,即确定出所需的输入的类型为单精度变量还是半精度变量,输出的类型为单精度变量还是半精度变量。各计算操作节点的输入需要符合所需的输入的类型,为此,可根据实际需要,在语法树中的相应位置加入转换操作节点。
转换操作节点可包括第一类转换操作节点以及第二类转换操作节点。
对于相连的任意两个计算操作节点,若其中的第一计算操作节点的输出为第二计算操作节点的输入,且第一计算操作节点的输出为半精度变量而第二计算操作节点所需的输入为单精度变量,则可在第一计算操作节点和第二计算操作节点之间加入第一类转换操作节点,用于将第一计算操作节点的输出转换为单精度变量后输入给第二计算操作节点。
对于相连的任意两个计算操作节点,若其中的第一计算操作节点的输出为第二计算操作节点的输入,且第一计算操作节点的输出为单精度变量而第二计算操作节点所需的输入为半精度变量,则可在第一计算操作节点和第二计算操作节点之间加入第二类转换操作节点,用于将第一计算操作节点的输出转换为半精度变量后输入给第二计算操作节点。
图3为在图2所示语法树中加入转换操作节点后的示意图。如图3所示,“+”计算操作节点的输出为半精度变量,而“sig”计算操作节点所需的输入为单精度变量,因此可在“+”计算操作节点和“sig”计算操作节点之间加入第一类转换操作节点,图3所示的另一个转换操作节点为第二类转换操作节点,为简化附图,图3中将第一类转换操作节点和第二类转换操作节点均用cast表示。
通过加入转换操作节点,可使得各计算操作节点的输入符合所需的输入的类型,从而实现了对于语法树的优化和完善,并提升了后续处理结果的准确性等。
之后,可生成与加入转换操作节点后的语法树等价的kernel函数。比如,可根据不同的后端处理器类型,生成相应的kernel函数,如何生成kernel函数为现有技术。针对kernel函数,后续还可通过第三方编译器编译生成可执行程序等。以GPU为例,图4为与图3所示语法树等价的kernel函数的示意图。
需要说明的是,对于前述的方法实施例,为了简单描述,将其表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其它顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
通过本申请方法实施例所述方案,可对算子进行进一步的细粒度拆分,分别确定出其中包含的各计算操作适合的精度类型,即适合半精度计算还是单精度计算等,从而可得到更为高效的混合精度计算的算子,充分利用了半精度计算和单精度计算各自的优势,提升了算子性能等。
以上是关于方法实施例的介绍,以下通过装置实施例,对本申请所述方案进行进一步说明。
图5为本申请所述算子处理装置实施例50的组成结构示意图。如图5所示,包括:获取模块501、构建模块502、确定模块503以及生成模块504。
获取模块501,用于获取待处理的算子表达式。
构建模块502,用于将算子表达式解析为语法树,所述语法树中包括操作数节点及计算操作节点。
确定模块503,用于分别确定出各计算操作节点适合的精度类型,所述精度类型包括半精度计算和单精度计算。
生成模块504,用于根据确定结果生成与语法树等价的kernel函数。
其中,算子表达式可以是指以类C语言计算表达式的方式描述算子的计算过程。
构建单元502可将算子表达式解析为语法树,语法树中包括操作数节点及计算操作节点。
优选地,计算操作可包括:加法操作、减法操作、乘法操作、除法操作、激活操作、累计和操作、行方向归一化操作以及列方向归一化操作等。
针对语法树中的各计算操作节点,确定模块503可分别确定出各计算操作节点适合的精度类型。优选地,确定模块503针对任一计算操作节点,若确定该计算操作节点的计算操作位于预先设定的第一计算操作列表中,则可确定该计算操作节点适合的精度类型为半精度计算,若确定该计算操作节点的计算操作位于预先设定的第二计算操作列表中,则可确定该计算操作节点适合的精度类型为单精度计算。
优选地,确定模块503还可进一步进行以下处理:针对任一计算操作节点,分别根据该计算操作节点适合的精度类型确定出该计算操作节点所需的输入的类型及该计算操作节点的输出的类型,所述输入的类型和输出的类型包括:半精度变量和单精度变量;根据语法树中的各计算操作节点之间的连接关系以及确定出的各计算操作节点所需的输入的类型及输出的类型,按照使得各计算操作节点的输入符合所需的输入的类型的原则,在语法树中加入转换操作节点。
转换操作节点可包括第一类转换操作节点以及第二类转换操作节点。
确定模块503可针对相连的任意两个计算操作节点,若确定其中的第一计算操作节点的输出为第二计算操作节点的输入,且第一计算操作节点的输出为半精度变量而第二计算操作节点所需的输入为单精度变量,则在第一计算操作节点和第二计算操作节点之间加入第一类转换操作节点,用于将第一计算操作节点的输出转换为单精度变量后输入给第二计算操作节点。
确定模块503还可针对相连的任意两个计算操作节点,若确定其中的第一计算操作节点的输出为第二计算操作节点的输入,且第一计算操作节点的输出为单精度变量而第二计算操作节点所需的输入为半精度变量,则在第一计算操作节点和第二计算操作节点之间加入第二类转换操作节点,用于将第一计算操作节点的输出转换为半精度变量后输入给第二计算操作节点。
之后,生成模块504可生成与加入转换操作节点后的语法树等价的kernel函数。
图5所示装置实施例的具体工作流程请参照前述方法实施例中的相关说明,不再赘述。
总之,采用本申请装置实施例所述方案,可对算子进行进一步的细粒度拆分,分别确定出其中包含的各计算操作适合的精度类型,即适合半精度计算还是单精度计算等,从而可得到更为高效的混合精度计算的算子,充分利用了半精度计算和单精度计算各自的优势,提升了算子性能等;另外,基于计算操作列表,可方便准确地确定出不同的计算操作节点适合的精度类型,并且,可适用于各种计算操作,具有广泛适用性;再有,通过加入转换操作节点,可使得各计算操作节点的输入符合所需的输入的类型,从而实现了对于语法树的优化和完善,并提升了后续处理结果的准确性等。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图6所示,是根据本申请实施例所述方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图6所示,该电子设备包括:一个或多个处理器Y01、存储器Y02,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示图形用户界面的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图6中以一个处理器Y01为例。
存储器Y02即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的方法。
存储器Y02作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的方法对应的程序指令/模块。处理器Y01通过运行存储在存储器Y02中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的方法。
存储器Y02可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据电子设备的使用所创建的数据等。此外,存储器Y02可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器Y02可选包括相对于处理器Y01远程设置的存储器,这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、区块链网络、局域网、移动通信网及其组合。
电子设备还可以包括:输入装置Y03和输出装置Y04。处理器Y01、存储器Y02、输入装置Y03和输出装置Y04可以通过总线或者其他方式连接,图6中以通过总线连接为例。
输入装置Y03可接收输入的数字或字符信息,以及产生与电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置Y04可以包括显示设备、辅助照明装置和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器、发光二极管显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用集成电路、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,阴极射线管或者液晶显示器监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网、广域网、区块链网络和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (12)
1.一种算子处理方法,其特征在于,包括:
获取待处理的算子表达式;
将所述算子表达式解析为语法树,所述语法树中包括操作数节点及计算操作节点;
分别确定出各计算操作节点适合的精度类型,所述精度类型包括半精度计算和单精度计算;
根据确定结果生成与所述语法树等价的核函数。
2.根据权利要求1所述的方法,其特征在于,
所述分别确定出各计算操作节点适合的精度类型包括:
针对任一计算操作节点,若确定所述计算操作节点的计算操作位于预先设定的第一计算操作列表中,则确定所述计算操作节点适合的精度类型为半精度计算,若确定所述计算操作节点的计算操作位于预先设定的第二计算操作列表中,则确定所述计算操作节点适合的精度类型为单精度计算。
3.根据权利要求1所述的方法,其特征在于,
所述根据确定结果生成与所述语法树等价的核函数之前,进一步包括:
针对任一计算操作节点,分别根据所述计算操作节点适合的精度类型确定出所述计算操作节点所需的输入的类型及所述计算操作节点的输出的类型,所述输入的类型和所述输出的类型包括:半精度变量和单精度变量;
根据所述语法树中的各计算操作节点之间的连接关系以及确定出的各计算操作节点所需的输入的类型及输出的类型,按照使得各计算操作节点的输入符合所需的输入的类型的原则,在所述语法树中加入转换操作节点;
所述生成与所述语法树等价的核函数包括:生成与加入所述转换操作节点后的语法树等价的核函数。
4.根据权利要求3所述的方法,其特征在于,
所述按照使得各计算操作节点的输入符合所需的输入的类型的原则,在所述语法树中加入转换操作节点包括:
对于相连的任意两个计算操作节点,若其中的第一计算操作节点的输出为第二计算操作节点的输入,且所述第一计算操作节点的输出为半精度变量而所述第二计算操作节点所需的输入为单精度变量,则在所述第一计算操作节点和所述第二计算操作节点之间加入第一类转换操作节点,用于将所述第一计算操作节点的输出转换为单精度变量后输入给所述第二计算操作节点;
对于相连的任意两个计算操作节点,若其中的第一计算操作节点的输出为第二计算操作节点的输入,且所述第一计算操作节点的输出为单精度变量而所述第二计算操作节点所需的输入为半精度变量,则在所述第一计算操作节点和所述第二计算操作节点之间加入第二类转换操作节点,用于将所述第一计算操作节点的输出转换为半精度变量后输入给所述第二计算操作节点。
5.根据权利要求1所述的方法,其特征在于,
所述计算操作包括:加法操作、减法操作、乘法操作、除法操作、激活操作、累计和操作、行方向归一化操作以及列方向归一化操作。
6.一种算子处理装置,其特征在于,包括:获取模块、构建模块、确定模块以及生成模块;
所述获取模块,用于获取待处理的算子表达式;
所述构建模块,用于将所述算子表达式解析为语法树,所述语法树中包括操作数节点及计算操作节点;
所述确定模块,用于分别确定出各计算操作节点适合的精度类型,所述精度类型包括半精度计算和单精度计算;
所述生成模块,用于根据确定结果生成与所述语法树等价的核函数。
7.根据权利要求6所述的装置,其特征在于,
所述确定模块针对任一计算操作节点,若确定所述计算操作节点的计算操作位于预先设定的第一计算操作列表中,则确定所述计算操作节点适合的精度类型为半精度计算,若确定所述计算操作节点的计算操作位于预先设定的第二计算操作列表中,则确定所述计算操作节点适合的精度类型为单精度计算。
8.根据权利要求6所述的装置,其特征在于,
所述确定模块进一步用于,针对任一计算操作节点,分别根据所述计算操作节点适合的精度类型确定出所述计算操作节点所需的输入的类型及所述计算操作节点的输出的类型,所述输入的类型和所述输出的类型包括:半精度变量和单精度变量;根据所述语法树中的各计算操作节点之间的连接关系以及确定出的各计算操作节点所需的输入的类型及输出的类型,按照使得各计算操作节点的输入符合所需的输入的类型的原则,在所述语法树中加入转换操作节点;
所述生成模块生成与加入所述转换操作节点后的语法树等价的核函数。
9.根据权利要求8所述的装置,其特征在于,
所述确定模块针对相连的任意两个计算操作节点,若确定其中的第一计算操作节点的输出为第二计算操作节点的输入,且所述第一计算操作节点的输出为半精度变量而所述第二计算操作节点所需的输入为单精度变量,则在所述第一计算操作节点和所述第二计算操作节点之间加入第一类转换操作节点,用于将所述第一计算操作节点的输出转换为单精度变量后输入给所述第二计算操作节点;
所述确定模块针对相连的任意两个计算操作节点,若确定其中的第一计算操作节点的输出为第二计算操作节点的输入,且所述第一计算操作节点的输出为单精度变量而所述第二计算操作节点所需的输入为半精度变量,则在所述第一计算操作节点和所述第二计算操作节点之间加入第二类转换操作节点,用于将所述第一计算操作节点的输出转换为半精度变量后输入给所述第二计算操作节点。
10.根据权利要求6所述的装置,其特征在于,
所述计算操作包括:加法操作、减法操作、乘法操作、除法操作、激活操作、累计和操作、行方向归一化操作以及列方向归一化操作。
11.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010286449.4A CN111666077B (zh) | 2020-04-13 | 2020-04-13 | 算子处理方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010286449.4A CN111666077B (zh) | 2020-04-13 | 2020-04-13 | 算子处理方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111666077A true CN111666077A (zh) | 2020-09-15 |
CN111666077B CN111666077B (zh) | 2022-02-25 |
Family
ID=72382678
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010286449.4A Active CN111666077B (zh) | 2020-04-13 | 2020-04-13 | 算子处理方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111666077B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112149828A (zh) * | 2020-09-29 | 2020-12-29 | 北京百度网讯科技有限公司 | 基于深度学习框架的算子精度检测方法和装置 |
CN112270412A (zh) * | 2020-10-15 | 2021-01-26 | 北京百度网讯科技有限公司 | 网络算子处理方法、装置、电子设备及存储介质 |
CN114841326A (zh) * | 2022-05-19 | 2022-08-02 | 北京百度网讯科技有限公司 | 深度学习框架的算子处理方法、装置、设备和存储介质 |
CN117971236A (zh) * | 2024-03-31 | 2024-05-03 | 浪潮电子信息产业股份有限公司 | 基于词法和语法分析的算子解析方法、装置、设备及介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080046497A1 (en) * | 2006-08-18 | 2008-02-21 | Conexant Systems, Inc. | Systems and Methods for Implementing a Double Precision Arithmetic Memory Architecture |
KR20080018692A (ko) * | 2006-08-25 | 2008-02-28 | 엠텍비젼 주식회사 | 다양한 정밀도에 대한 고속 부동 소수점 연산을 수행하는방법, 프로그래밍 구조 및 기록 매체 |
CN102088603A (zh) * | 2010-12-31 | 2011-06-08 | 北京大学深圳研究生院 | 用于视频编码器的熵编码器及其实现方法 |
US8745111B2 (en) * | 2010-11-16 | 2014-06-03 | Apple Inc. | Methods and apparatuses for converting floating point representations |
US9189200B1 (en) * | 2013-03-14 | 2015-11-17 | Altera Corporation | Multiple-precision processing block in a programmable integrated circuit device |
CN106355246A (zh) * | 2015-10-08 | 2017-01-25 | 上海兆芯集成电路有限公司 | 三配置神经网络单元 |
CN107844830A (zh) * | 2016-12-08 | 2018-03-27 | 上海兆芯集成电路有限公司 | 具有数据大小和权重大小混合计算能力的神经网络单元 |
CN109634558A (zh) * | 2018-12-12 | 2019-04-16 | 上海燧原科技有限公司 | 可编程的混合精度运算单元 |
CN110647360A (zh) * | 2019-08-20 | 2020-01-03 | 百度在线网络技术(北京)有限公司 | 协处理器的设备执行代码的处理方法、装置、设备及计算机可读存储介质 |
CN110716959A (zh) * | 2019-10-09 | 2020-01-21 | 北京百度网讯科技有限公司 | 流式数据处理方法、装置、电子设备及存储介质 |
-
2020
- 2020-04-13 CN CN202010286449.4A patent/CN111666077B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080046497A1 (en) * | 2006-08-18 | 2008-02-21 | Conexant Systems, Inc. | Systems and Methods for Implementing a Double Precision Arithmetic Memory Architecture |
KR20080018692A (ko) * | 2006-08-25 | 2008-02-28 | 엠텍비젼 주식회사 | 다양한 정밀도에 대한 고속 부동 소수점 연산을 수행하는방법, 프로그래밍 구조 및 기록 매체 |
US8745111B2 (en) * | 2010-11-16 | 2014-06-03 | Apple Inc. | Methods and apparatuses for converting floating point representations |
CN102088603A (zh) * | 2010-12-31 | 2011-06-08 | 北京大学深圳研究生院 | 用于视频编码器的熵编码器及其实现方法 |
US9189200B1 (en) * | 2013-03-14 | 2015-11-17 | Altera Corporation | Multiple-precision processing block in a programmable integrated circuit device |
CN106355246A (zh) * | 2015-10-08 | 2017-01-25 | 上海兆芯集成电路有限公司 | 三配置神经网络单元 |
CN107844830A (zh) * | 2016-12-08 | 2018-03-27 | 上海兆芯集成电路有限公司 | 具有数据大小和权重大小混合计算能力的神经网络单元 |
CN109634558A (zh) * | 2018-12-12 | 2019-04-16 | 上海燧原科技有限公司 | 可编程的混合精度运算单元 |
CN110647360A (zh) * | 2019-08-20 | 2020-01-03 | 百度在线网络技术(北京)有限公司 | 协处理器的设备执行代码的处理方法、装置、设备及计算机可读存储介质 |
CN110716959A (zh) * | 2019-10-09 | 2020-01-21 | 北京百度网讯科技有限公司 | 流式数据处理方法、装置、电子设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
SONDA AMMAR BOUHAMED等: "Merging operator selection in possibility theory", 《2017 14TH INTERNATIONAL MULTI-CONFERENCE ON SYSTEMS, SIGNALS & DEVICES (SSD)》 * |
李金宇: "高精度MQ拟插值算子的构造", 《CNKI优秀硕士学位论文全文库 基础科学辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112149828A (zh) * | 2020-09-29 | 2020-12-29 | 北京百度网讯科技有限公司 | 基于深度学习框架的算子精度检测方法和装置 |
CN112270412A (zh) * | 2020-10-15 | 2021-01-26 | 北京百度网讯科技有限公司 | 网络算子处理方法、装置、电子设备及存储介质 |
CN112270412B (zh) * | 2020-10-15 | 2023-10-27 | 北京百度网讯科技有限公司 | 网络算子处理方法、装置、电子设备及存储介质 |
CN114841326A (zh) * | 2022-05-19 | 2022-08-02 | 北京百度网讯科技有限公司 | 深度学习框架的算子处理方法、装置、设备和存储介质 |
CN114841326B (zh) * | 2022-05-19 | 2024-01-12 | 北京百度网讯科技有限公司 | 深度学习框架的算子处理方法、装置、设备和存储介质 |
CN117971236A (zh) * | 2024-03-31 | 2024-05-03 | 浪潮电子信息产业股份有限公司 | 基于词法和语法分析的算子解析方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111666077B (zh) | 2022-02-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111666077B (zh) | 算子处理方法、装置、电子设备及存储介质 | |
JP7166322B2 (ja) | モデルを訓練するための方法、装置、電子機器、記憶媒体およびコンピュータプログラム | |
CN111667054A (zh) | 生成神经网络模型的方法、装置、电子设备以及存储介质 | |
CN112270399B (zh) | 基于深度学习的算子注册处理方法、装置及电子设备 | |
CN112069201A (zh) | 目标数据的获取方法和装置 | |
CN110706147B (zh) | 图像处理的环境确定方法、装置、电子设备和存储介质 | |
JP7170094B2 (ja) | オペレーター併合方法、装置、電子デバイス、記憶媒体及びコンピュータプログラム | |
CN110705696B (zh) | 神经网络的量化与定点化融合方法及装置 | |
JP7229291B2 (ja) | データ拡張の方法及び装置、機器、記憶媒体 | |
CN111563593B (zh) | 神经网络模型的训练方法和装置 | |
KR20210071886A (ko) | 모델의 증류 방법, 장치, 전자기기 및 저장매체 | |
CN112148871A (zh) | 摘要生成方法、装置、电子设备及存储介质 | |
CN111582477A (zh) | 神经网络模型的训练方法和装置 | |
US20220101194A1 (en) | Method, electronic device, and computer program product for processing machine learning model | |
CN111709252A (zh) | 基于预训练的语义模型的模型改进方法及装置 | |
CN111782181A (zh) | 代码生成方法、装置、电子设备以及存储介质 | |
CN114691148A (zh) | 模型推理加速方法、装置、电子设备及存储介质 | |
EP3992774A1 (en) | Method and device for implementing dot product operation, electronic device, and storage medium | |
CN110647360A (zh) | 协处理器的设备执行代码的处理方法、装置、设备及计算机可读存储介质 | |
CN112529189A (zh) | 模型压缩方法、装置、电子设备及存储介质 | |
CN112560928B (zh) | 负样本挖掘方法、装置、电子设备及存储介质 | |
US10289392B2 (en) | Reducing call overhead through function splitting | |
US20220113943A1 (en) | Method for multiply-add operations for neural network | |
JP7344259B2 (ja) | 深層学習フレームワークにおけるパターン変換方法、装置、電子デバイス、コンピューター記憶媒体およびコンピュータープログラム製品 | |
CN114548407A (zh) | 层级目标定向因果发现方法、装置及电子设备 |
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 |