CN111695158B - 运算方法及装置 - Google Patents
运算方法及装置 Download PDFInfo
- Publication number
- CN111695158B CN111695158B CN201910196875.6A CN201910196875A CN111695158B CN 111695158 B CN111695158 B CN 111695158B CN 201910196875 A CN201910196875 A CN 201910196875A CN 111695158 B CN111695158 B CN 111695158B
- Authority
- CN
- China
- Prior art keywords
- file
- check code
- offline
- model
- offline file
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/64—Protecting data integrity, e.g. using checksums, certificates or signatures
-
- 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
Abstract
本公开涉及运算方法及装置,所述装置包括控制器单元,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。本公开可以提高装置在进行神经网络模型的运算时的运算效率。
Description
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及装置。
背景技术
随着信息技术的不断发展和人们日益增长的需求,人们对信息及时性的要求越来越高了。目前,终端对信息的获取以及处理通常是基于通用处理器获得的。在实践中,为了加快信息处理效率,相关技术会把可以直接使用的文件进行储存,通用处理器可以获取该文件进行运算。然而,相关技术在利用存储的文件进行运算时,由于无法保证文件的完整性,在运算过程中,常常发生运算错误,这极大地降低了信息处理效率,并且无法保证运算的准确性。
发明内容
有鉴于此,本公开提出了一种运算方法,所述方法包括:
获取待编译的神经网络模型的模型校验码;
根据所述模型校验码在已存储的离线文件中查询与所述待编译的神经网络模型匹配的离线文件,所述离线文件为已有神经网络模型被编译后的文件,所述离线文件携带模型校验码和文件校验码;
对所述匹配的离线文件进行处理,得到所述离线文件的文件校验码;
在所述得到的文件校验码与所述离线文件携带的文件校验码一致时,利用所述匹配的离线文件运行所述神经网络模型。
在一种可能的实施方式中,所述离线文件为加密文件,所述对所述匹配的离线文件进行处理,得到所述离线文件的文件校验码,包括:
对所述加密后的离线文件进行处理,得到所述离线文件的文件校验码,或
对所述离线文件进行解密,并对解密后的离线文件进行处理,得到所述离线文件的文件校验码。
在一种可能的实施方式中,所述对所述匹配的离线文件进行处理,得到所述离线文件的文件校验码,包括:
利用消息摘要算法对所述离线文件进行处理,得到所述离线文件的文件校验码。
在一种可能的实施方式中,所述获取待编译的神经网络模型的模型校验码,包括:
提取所述神经网络模型的模型信息,所述模型信息包括所述神经网络模型的网络结构信息和参数信息;
利用消息摘要算法对所述模型信息进行处理,得到所述模型校验码。
在一种可能的实施方式中,所述网络结构信息包括算子、算子之间的连接关系,所述参数信息包括权值信息和运行时信息,所述运行时信息包括模型版本信息和数据维度信息。
在一种可能的实施方式中,所述模型校验码和文件校验码携带于所述离线文件的文件名和/或索引信息中。
在一种可能的实施方式中,在不存在匹配的离线文件时,所述方法还包括:
对所述待编译的神经网络模型进行编译,得到离线文件;
对所述离线文件进行处理,得到所述离线文件对应的文件校验码;
根据所述模型校验码及所述文件校验码生成所述离线文件的索引信息和/或文件名;
存储所述离线文件及所述索引信息和/或文件名。
根据本公开的另一方面,提出了一种运算装置,所述装置包括:
获取模块,用于获取待编译的神经网络模型的模型校验码;
查询模块,连接于所述获取模块,用于根据所述模型校验码在已存储的离线文件中查询与所述待编译的神经网络模型匹配的离线文件,所述离线文件为已有神经网络模型被编译后的文件,所述离线文件携带模型校验码和文件校验码;
第一处理模块,连接于所述查询模块,用于对所述匹配的离线文件进行处理,得到所述离线文件的文件校验码;
运行模块,连接于所述第一处理模块,用于在所述得到的文件校验码与所述离线文件携带的文件校验码一致时,利用所述匹配的离线文件运行所述神经网络模型。
在一种可能的实施方式中,所述离线文件为加密文件,所述第一处理模块,包括:
第一处理子模块,用于对所述加密后的离线文件进行处理,得到所述离线文件的文件校验码,或
第二处理子模型,用于对所述离线文件进行解密,并对解密后的离线文件进行处理,得到所述离线文件的文件校验码。
在一种可能的实施方式中,所述第一处理模块,还包括:
第三处理子模块,用于利用消息摘要算法对所述离线文件进行处理,得到所述离线文件的文件校验码。
在一种可能的实施方式中,所述获取模块,包括:
提取子模块,用于提取所述神经网络模型的模型信息,所述模型信息包括所述神经网络模型的网络结构信息和参数信息;
第四处理子模块,连接于所述提取子模块,用于利用消息摘要算法对所述模型信息进行处理,得到所述模型校验码。
在一种可能的实施方式中,所述网络结构信息包括算子、算子之间的连接关系,所述参数信息包括权值信息和运行时信息,所述运行时信息包括模型版本信息和数据维度信息。
在一种可能的实施方式中,所述模型校验码和文件校验码携带于所述离线文件的文件名和/或索引信息中。
在一种可能的实施方式中,在不存在匹配的离线文件时,所述装置还包括:
编译模块,连接于所述查询模块,用于对所述待编译的神经网络模型进行编译,得到离线文件;
第二处理模块,连接于所述编译模块,用于对所述离线文件进行处理,得到所述离线文件对应的文件校验码;
生成模块,连接于所述第二处理模块,用于根据所述模型校验码及所述文件校验码生成所述离线文件的索引信息和/或文件名;
存储模块,连接于所述生成模块,用于存储所述离线文件及所述索引信息和/或文件名。
根据本公开的另一方面,提供了一种运算装置,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。
通过以上方法,本公开在需要对神经网络模型进行编译时,获取待编译的神经网络模型的模型校验码,利用所述模型校验码在已存储的离线文件中查询与待编译的神经网络模型匹配的离线文件,在查询到匹配的离线文件后,对匹配的离线文件进行处理,得到所述离线文件的文件校验码,并在所述得到的文件校验码与所述离线文件携带的文件校验码一致时,利用匹配的离线文件运行所述神经网络模型。本公开利用待编译的神经网络模型的模型校验码在以存储的离线文件中查询匹配的离线文件,可以快速获得匹配的离线文件,结合生成的文件校验码可以验证离线文件的完整性,从而确保利用匹配的离线文件运行神经网络模型时的准确性,进而实现运算的准确性、并提高运算效率。
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示出了根据本公开一实施方式的运算方法的流程图。
图2示出了根据本公开一实施方式的运算方法中步骤S110的示意图。
图3示出了根据本公开一实施方式的运算方法的流程图。
图4示出了根据本公开一实施方式的运算装置的框图。
图5示出了根据本公开一实施方式的运算装置的框图。
图6示出了根据本公开一实施方式的运算装置的框图。
图7示出了根据本公开一实施方式的运算装置的框图。
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。
请参阅图1,图1示出了根据本公开一实施方式的运算方法的流程图。
所述方法可以应用于终端、服务器中,如图1所示,所述方法包括:
步骤S110,获取待编译的神经网络模型的模型校验码;
步骤S120,根据所述模型校验码在已存储的离线文件中查询与所述待编译的神经网络模型匹配的离线文件,所述离线文件为已有神经网络模型被编译后的文件,所述离线文件携带模型校验码和文件校验码;
步骤S130,对所述匹配的离线文件进行处理,得到所述离线文件的文件校验码;
步骤S140,在所述得到的文件校验码与所述离线文件携带的文件校验码一致时,利用所述匹配的离线文件运行所述神经网络模型。
通过以上方法,本公开在需要对神经网络模型进行编译时,获取待编译的神经网络模型的模型校验码,利用所述模型校验码在已存储的离线文件中查询与待编译的神经网络模型匹配的离线文件,在查询到匹配的离线文件后,对匹配的离线文件进行处理,得到所述离线文件的文件校验码,并在所述得到的文件校验码与所述离线文件携带的文件校验码一致时,利用匹配的离线文件运行所述神经网络模型。本公开利用待编译的神经网络模型的模型校验码在以存储的离线文件中查询匹配的离线文件,可以快速获得匹配的离线文件,结合生成的文件校验码可以验证离线文件的完整性,从而确保利用匹配的离线文件运行神经网络模型时的准确性,进而实现运算的准确性、并提高运算效率。
在一种可能的实施方式中,所述模型校验码和文件校验码携带于所述离线文件的文件名和/或索引信息中。
模型校验码和文件校验码可以作为所述离线文件的文件名,也可以作为所述离线文件的索引信息。
在一种可能的实施方式中,所述模型校验码和文件校验码的一部分可以携带与所述离线文件的文件名中,另一部分可以携带于索引信息中。
在一种可能的实施方式中,所述离线文件中携带有神经网络模型的已编译代码,所述已编译代码包括利用人工智能的机器学习库编写的,可供人工智能处理器运行的机器指令。
通过将模型校验码和文件校验码设置为离线文件的文件名和/或索引信息中,可以实现离线文件的快速检索、精确识别。
根据所述模型校验码在已存储的离线文件中查询与所述待编译的神经网络模型匹配的离线文件,可以是将待编译的神经网络模型的模型校验码与离线文件所携带的模型校验码(例如离线文件的文件名或索引信息中的模型校验码)进行比对,当离线文件所携带的模型校验码与待编译的神经网络模型的模型校验码一致时,可认为该离线文件为匹配的离线文件。
步骤S110-步骤S140中任一步骤的实施方式可以包括多种,下文将对各种可能的实施方式进行介绍,但是,应该明白的是,下文中介绍的各种可能的实施方式并非用于限制本公开,而是为了更好对本公开进行介绍。
请参阅图2,图2示出了根据本公开一实施方式的运算方法中步骤S110的示意图。
在一种可能的实施方式中,如图2所示,步骤S110获取待编译的神经网络模型的模型校验码,可以包括:
步骤S1101,提取所述神经网络模型的模型信息,所述模型信息包括所述神经网络模型的网络结构信息和参数信息;
步骤S1102,利用消息摘要算法对所述模型信息进行处理,得到所述模型校验码。
在一种可能的实施方式中,所述网络结构信息包括算子、算子之间的连接关系等,所述参数信息包括权值信息和运行时信息,所述运行时信息包括模型版本信息和数据维度信息等。神经网络模型的算子、算子之间的连接关系、模型版本信息和数据维度信息等信息可利用相关技术提取,本公开不限制具体的提取方式。
在一种可能的实施方式中,所述消息摘要算法可以包括多种,例如可以包括MD(Message Digest,消息摘要),SHA(Secure Hash Algorithm,安全散列),MAC(MessageAuthentication Code,消息认证码)等,其中MD可以包括MD4、MD5等。
当然,在其他的实施方式中,除了利用本公开所述消息摘要算法对所述模型信息进行处理外,还可以利用其他的算法对所述模型信息进行处理,从而得到所述模型校验码。只要根据其他的算法对所述模型信息进行处理后得到的模型校验码是唯一的即可。
当然,实现步骤S110获取待编译的神经网络模型的模型校验码的方式还可以包括其他,例如,在一种可能的实施方式中,在提取所述神经网络模型的模型信息时,可以分别提取神经网络模型的网络结构信息和参数信息,然后分别对所述网络结构信息和参数信息运用消息摘要算法得到对应的网络结构校验码和参数校验码,然后,可以利用所述网络结构校验码和参数校验码得到所述模型校验码。
通过以上方法,本公开在提取了所述神经网络模型的模型信息后,利用消息摘要算法对所述模型信息进行处理,得到的所述模型校验具有唯一性的特点,利用所述模型校验码,可以精确查找对应的离线文件。
在一种可能的实施方式中,所述离线文件可以为加密文件。
当对已有的神经网络模型进行编译后,可以将编译后的文件存储在存储器中作为离线文件,该离线文件可以被各个终端、服务器获取,并用来进行神经网络运算。
在存储该离线文件之前,可以对其进行加密,从而保证离线文件的安全性。
当离线文件为加密文件时,当有计算需求的终端、服务器获取该离线文件时,需要对其进行解密。通过这样的方式,可以提高离线文件的安全性。
在一种可能的实施方式中,步骤S130对所述匹配的离线文件进行处理,得到所述离线文件的文件校验码,可以包括:对所述加密后的离线文件进行处理,得到所述离线文件的文件校验码。
在一种可能的实施方式中,当离线文件携带的文件校验码是在对离线文件加密后生成的时,则可以直接对加密后的离线文件进行处理,以得到所述离线文件的文件校验码。
应该说明的是,本公开对所述加密后的离线文件进行处理的方式与生成离线文件携带的文件校验码的方式一致,例如,如果生成离线文件携带的文件校验码采用的是MD5,那么对所述加密后的离线文件进行处理的方式也为利用MD5对离线文件进行MD5转换处理。
在一种可能的实施方式中,步骤S130还可以包括:对所述离线文件进行解密,并对解密后的离线文件进行处理,得到所述离线文件的文件校验码。
在一种可能的实施方式中,当离线文件携带的文件校验码是在对离线文件加密之前生成时,则可以先对匹配的离线文件进行解密,得到解密后的离线文件,并对解密后的离线文件进行处理,得到所述离线文件的文件校验码。
与上文类似,本公开对离线文件进行处理的方式与生成离线文件携带的文件校验码的方式一致,例如,如果生成离线文件携带的文件校验码采用的是MD5,那么对离线文件进行处理的方式也为利用MD5对离线文件进行MD5转换处理。
应该说明的是,对离线文件进行加密可以选择编码、对称加密等,对于对离线文件的加密方式,本公开不做限定。另外,对加密后的离线文件进行解密可以是加密的逆过程。对于加密和解密的方式,可以参考相关技术的说明,在此不再赘述。
在一种可能的实施方式中,步骤S130对所述匹配的离线文件进行处理,得到所述离线文件的文件校验码,还可以包括:利用消息摘要算法对所述离线文件进行处理,得到所述离线文件的文件校验码。其中,可以是利用消息摘要算法对离线文件本身,或者解密后的离线文件进行处理,得到离线文件的文件校验码。
通过以上方法,本公开可以在不同的情况下生成所述离线文件对应的文件校验码,通过所述文件校验码可以实现离线文件的完整性校验。例如,在生成的文件校验码与离线文件携带的文件校验码不一致时,可以确定离线文件的内容发生了变化。
这样,当确定离线文件的内容发生了变化后,可以弃用所述离线文件,而对待编译的神经网络模型进行编译,得到可以利用的编译后的神经网络模型,从而避免了直接利用错误的(发生变化的)离线文件运行神经网络模型。
本公开提出的方法中,步骤S120可以根据所述模型校验码在已存储的离线文件中查询与所述待编译的神经网络模型匹配的离线文件,在查询后,如果发现已存储的离线文件中没有与所述待编译的神经网络模型匹配的离线文件时,可以执行与之前不同的操作。下面将对这些操作进行介绍。
请参阅图3,图3示出了根据本公开一实施方式的运算方法的流程图。
在一种可能的实施方式中,如图4所示,在不存在匹配的离线文件时,所述方法还可以包括:
步骤S210,对所述待编译的神经网络模型进行编译,得到离线文件;
步骤S220,对所述离线文件进行处理,得到所述离线文件对应的文件校验码;
步骤S230,根据所述模型校验码及所述文件校验码生成所述离线文件的索引信息和/或文件名;
步骤S240,存储所述离线文件及所述索引信息和/或文件名。
通过以上方法,本公开在确定已存储的离线文件中不存在匹配的离线文件时,可以对所述待编译的神经网络模型进行编译,得到离线文件,对所述离线文件进行处理,得到所述离线文件对应的文件校验码,根据所述模型校验码及所述文件校验码生成所述离线文件的索引信息和/或文件名,并存储所述离线文件及所述索引信息和/或文件名。本公开在确定不存在匹配的离线文件时,可以生成所述离线文件,该离线文件携带模型校验码和文件校验码,可用于后续待编译的神经网络模型的编译。
在一种可能的实施方式中,步骤S220中对所述离线文件进行处理可包括,对离线文件本身进行转换处理(例如利用消息摘要算法对离线文件进行处理),得到所述离线文件对应的文件校验码。在对所述离线文件进行转换处理之后,还可以对所述离线文件进行加密处理,得到加密处理后的离线文件。
在一种可能的实施方式中,步骤S220中对离线文件进行处理还可包括:对所述离线文件进行加密处理,得到加密处理后的离线文件。对加密处理后的离线文件进行转换处理(例如利用消息摘要算法对加密处理后的离线文件进行处理),得到所述加密处理后的离线文件对应的文件校验码。
应该说明的是,对所述离线文件进行加密及转换的方式,请参照之前的描述,对此,此处不再赘述。
请参阅图4,图4示出了根据本公开一实施方式的运算装置的框图。
所述装置可以应用于终端、服务器中,如图5所示,所述装置包括:
获取模块10,用于获取待编译的神经网络模型的模型校验码;
查询模块20,连接于所述获取模块10,用于根据所述模型校验码在已存储的离线文件中查询与所述待编译的神经网络模型匹配的离线文件,所述离线文件为已有神经网络模型被编译后的文件,所述离线文件携带模型校验码和文件校验码;
第一处理模块30,连接于所述查询模块20,用于对所述匹配的离线文件进行处理,得到所述离线文件的文件校验码;
运行模块40,连接于所述第一处理模块30,用于在所述得到的文件校验码与所述离线文件携带的文件校验码一致时,利用所述匹配的离线文件运行所述神经网络模型。
通过以上装置,本公开在需要对神经网络模型进行编译时,获取待编译的神经网络模型的模型校验码,利用所述模型校验码在已存储的离线文件中查询与待编译的神经网络模型匹配的离线文件,在查询到匹配的离线文件后,对匹配的离线文件进行处理,得到所述离线文件的文件校验码,并在所述得到的文件校验码与所述离线文件携带的文件校验码一致时,利用匹配的离线文件运行所述神经网络模型。本公开利用待编译的神经网络模型的模型校验码在以存储的离线文件中查询匹配的离线文件,可以快速获得匹配的离线文件,结合生成的文件校验码可以验证离线文件的完整性,从而确保利用匹配的离线文件运行神经网络模型时的准确性,进而实现运算的准确性、并提高运算效率。
在一种可能的实施方式中,所述离线文件为加密文件。
请参阅图5,图5示出了根据本公开一实施方式的运算装置的框图。
如图5所示,所述第一处理模块30,可以包括:
第一处理子模块301,用于对所述加密后的离线文件进行处理,得到所述离线文件的文件校验码,或
第二处理子模型302,用于对所述离线文件进行解密,并对解密后的离线文件进行处理,得到所述离线文件的文件校验码。
第三处理子模块303,用于利用消息摘要算法对所述离线文件进行处理,得到所述离线文件的文件校验码。
在一种可能的实施方式中,所述获取模块10,可以包括:
提取子模块101,用于提取所述神经网络模型的模型信息,所述模型信息包括所述神经网络模型的网络结构信息和参数信息;
第四处理子模块102,连接于所述提取子模块101,用于利用消息摘要算法对所述模型信息进行处理,得到所述模型校验码。
在一种可能的实施方式中,所述网络结构信息包括算子、算子之间的连接关系,所述参数信息包括权值信息和运行时信息,所述运行时信息包括模型版本信息和数据维度信息。
在一种可能的实施方式中,所述模型校验码和文件校验码携带于所述离线文件的文件名和/或索引信息中。
在一种可能的实施方式中,在不存在匹配的离线文件时,所述装置还包括:
编译模块60,连接于所述查询模块20,用于对所述待编译的神经网络模型进行编译,得到离线文件;
第二处理模块70,连接于所述编译模块60,用于对所述离线文件进行处理,得到所述离线文件对应的文件校验码;
生成模块80,连接于所述第二处理模块70,用于根据所述模型校验码及所述文件校验码生成所述离线文件的索引信息和/或文件名;
存储模块90,连接于所述生成模块80,用于存储所述离线文件及所述索引信息和/或文件名。
通过以上装置,本公开在确定已存储的离线文件中不存在匹配的离线文件时,可以对所述待编译的神经网络模型进行编译,得到离线文件,对所述离线文件进行处理,得到所述离线文件对应的文件校验码,根据所述模型校验码及所述文件校验码生成所述离线文件的索引信息和/或文件名,并存储所述离线文件及所述索引信息和/或文件名。本公开在确定不存在匹配的离线文件时,可以生成所述离线文件。
应该明白的是,所述运算装置为前述的运算方法对应的装置,其具体介绍请参照之前对运算方法的描述,在此不再赘述。
请参阅图6,图6示出了根据本公开一实施方式的运算装置的框图。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。
请参阅图7,图7示出了根据本公开一实施方式的运算装置的框图。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 (12)
1.一种运算方法,其特征在于,所述方法包括:
获取待编译的神经网络模型的模型校验码,包括:提取所述神经网络模型的模型信息,所述模型信息包括所述神经网络模型的网络结构信息和参数信息;利用消息摘要算法对所述模型信息进行处理,得到所述模型校验码,所述网络结构信息包括算子、算子之间的连接关系,所述参数信息包括权值信息和运行时信息,所述运行时信息包括模型版本信息和数据维度信息;
根据所述模型校验码在已存储的离线文件中查询与所述待编译的神经网络模型匹配的离线文件,所述离线文件为已有神经网络模型被编译后的文件,所述离线文件携带模型校验码和文件校验码;
对所述匹配的离线文件进行处理,得到所述离线文件的文件校验码;
在所述得到的文件校验码与所述离线文件携带的文件校验码一致时,利用所述匹配的离线文件运行所述神经网络模型。
2.根据权利要求1所述的方法,其特征在于,所述离线文件为加密文件,所述对所述匹配的离线文件进行处理,得到所述离线文件的文件校验码,包括:
对所述加密后的离线文件进行处理,得到所述离线文件的文件校验码,或
对所述离线文件进行解密,并对解密后的离线文件进行处理,得到所述离线文件的文件校验码。
3.根据权利要求1所述的方法,其特征在于,所述对所述匹配的离线文件进行处理,得到所述离线文件的文件校验码,包括:
利用消息摘要算法对所述离线文件进行处理,得到所述离线文件的文件校验码。
4.根据权利要求1所述的方法,其特征在于,所述模型校验码和文件校验码携带于所述离线文件的文件名和/或索引信息中。
5.根据权利要求1所述的方法,其特征在于,在不存在匹配的离线文件时,所述方法还包括:
对所述待编译的神经网络模型进行编译,得到离线文件;
对所述离线文件进行处理,得到所述离线文件对应的文件校验码;
根据所述模型校验码及所述文件校验码生成所述离线文件的索引信息和/或文件名;
存储所述离线文件及所述索引信息和/或文件名。
6.一种运算装置,其特征在于,所述装置包括:
获取模块,用于获取待编译的神经网络模型的模型校验码,所述获取模块包括:提取子模块,用于提取所述神经网络模型的模型信息,所述模型信息包括所述神经网络模型的网络结构信息和参数信息;第四处理子模块,连接于所述提取子模块,用于利用消息摘要算法对所述模型信息进行处理,得到所述模型校验码,所述网络结构信息包括算子、算子之间的连接关系,所述参数信息包括权值信息和运行时信息,所述运行时信息包括模型版本信息和数据维度信息;
查询模块,连接于所述获取模块,用于根据所述模型校验码在已存储的离线文件中查询与所述待编译的神经网络模型匹配的离线文件,所述离线文件为已有神经网络模型被编译后的文件,所述离线文件携带模型校验码和文件校验码;
第一处理模块,连接于所述查询模块,用于对所述匹配的离线文件进行处理,得到所述离线文件的文件校验码;
运行模块,连接于所述第一处理模块,用于在所述得到的文件校验码与所述离线文件携带的文件校验码一致时,利用所述匹配的离线文件运行所述神经网络模型。
7.根据权利要求6所述的装置,其特征在于,所述离线文件为加密文件,所述第一处理模块,包括:
第一处理子模块,用于对所述加密后的离线文件进行处理,得到所述离线文件的文件校验码,或
第二处理子模型,用于对所述离线文件进行解密,并对解密后的离线文件进行处理,得到所述离线文件的文件校验码。
8.根据权利要求6所述的装置,其特征在于,所述第一处理模块,还包括:
第三处理子模块,用于利用消息摘要算法对所述离线文件进行处理,得到所述离线文件的文件校验码。
9.根据权利要求6所述的装置,其特征在于,所述模型校验码和文件校验码携带于所述离线文件的文件名和/或索引信息中。
10.根据权利要求6所述的装置,其特征在于,在不存在匹配的离线文件时,所述装置还包括:
编译模块,连接于所述查询模块,用于对所述待编译的神经网络模型进行编译,得到离线文件;
第二处理模块,连接于所述编译模块,用于对所述离线文件进行处理,得到所述离线文件对应的文件校验码;
生成模块,连接于所述第二处理模块,用于根据所述模型校验码及所述文件校验码生成所述离线文件的索引信息和/或文件名;
存储模块,连接于所述生成模块,用于存储所述离线文件及所述索引信息和/或文件名。
11.一种运算装置,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:
执行如权利要求1-5任一项所述的方法。
12.一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5中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910196875.6A CN111695158B (zh) | 2019-03-15 | 2019-03-15 | 运算方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910196875.6A CN111695158B (zh) | 2019-03-15 | 2019-03-15 | 运算方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111695158A CN111695158A (zh) | 2020-09-22 |
CN111695158B true CN111695158B (zh) | 2022-12-09 |
Family
ID=72475857
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910196875.6A Active CN111695158B (zh) | 2019-03-15 | 2019-03-15 | 运算方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111695158B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105554098A (zh) * | 2015-12-14 | 2016-05-04 | 瑞斯康达科技发展股份有限公司 | 一种设备配置方法、服务器及系统 |
CN109284815A (zh) * | 2018-11-30 | 2019-01-29 | 上海寒武纪信息科技有限公司 | 神经网络模型算法编译方法、装置及相关产品 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5644777B2 (ja) * | 2010-01-21 | 2014-12-24 | 日本電気株式会社 | ファイル群整合性検証システム、ファイル群整合性検証方法およびファイル群整合性検証用プログラム |
US20130290731A1 (en) * | 2012-04-26 | 2013-10-31 | Appsense Limited | Systems and methods for storing and verifying security information |
-
2019
- 2019-03-15 CN CN201910196875.6A patent/CN111695158B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105554098A (zh) * | 2015-12-14 | 2016-05-04 | 瑞斯康达科技发展股份有限公司 | 一种设备配置方法、服务器及系统 |
CN109284815A (zh) * | 2018-11-30 | 2019-01-29 | 上海寒武纪信息科技有限公司 | 神经网络模型算法编译方法、装置及相关产品 |
Non-Patent Citations (2)
Title |
---|
基于NetMagic平台的MD5算法硬件加速模型;孟祥扬等;《计算机应用》;20150410(第04期);全文 * |
基于RBF神经网络的一次性口令认证方案;方俊等;《计算机工程》;20110505(第09期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111695158A (zh) | 2020-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113343212B (zh) | 设备注册方法及装置、电子设备和存储介质 | |
CN110858924B (zh) | 视频背景音乐的生成方法、装置及存储介质 | |
CN110519655B (zh) | 视频剪辑方法、装置及存储介质 | |
CN108495168B (zh) | 弹幕信息的显示方法及装置 | |
CN106991018B (zh) | 界面换肤的方法及装置 | |
CN110765434A (zh) | 身份验证方法、装置、电子设备和存储介质 | |
CN111368232A (zh) | 口令分享回流方法、装置、电子设备及存储介质 | |
CN114546460A (zh) | 固件升级方法及装置、电子设备和存储介质 | |
CN110750961A (zh) | 一种文件格式转换方法、装置、计算机设备和存储介质 | |
CN109992754B (zh) | 文档处理方法及装置 | |
CN110753106A (zh) | 文件上传方法及装置、电子设备 | |
CN110955800A (zh) | 视频检索方法及装置 | |
CN113312103A (zh) | 智能摄像机的软件定义方法及装置、电子设备和存储介质 | |
CN111694571B (zh) | 编译方法及装置 | |
CN111625671A (zh) | 数据处理方法及装置、电子设备及存储介质 | |
CN110121115B (zh) | 精彩视频片段的确定方法及装置 | |
CN111695158B (zh) | 运算方法及装置 | |
CN112131999B (zh) | 身份确定方法及装置、电子设备和存储介质 | |
CN106126104B (zh) | 键盘模拟方法和装置 | |
CN111050209A (zh) | 多媒体资源播放方法及装置 | |
CN110969569A (zh) | 试镜视频的生成方法及装置 | |
CN114168809A (zh) | 基于相似度的文档字符串编码匹配方法及装置 | |
CN110750448B (zh) | 基于符号执行的测试用例生成方法及装置 | |
CN110740360B (zh) | 多媒体资源播放方法及装置 | |
CN110493298B (zh) | 信息同步方法及装置 |
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 |