CN111783969A - 数据处理方法、装置、计算机设备和存储介质 - Google Patents
数据处理方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111783969A CN111783969A CN202010618842.9A CN202010618842A CN111783969A CN 111783969 A CN111783969 A CN 111783969A CN 202010618842 A CN202010618842 A CN 202010618842A CN 111783969 A CN111783969 A CN 111783969A
- Authority
- CN
- China
- Prior art keywords
- data
- artificial intelligence
- processor
- intelligence processor
- placing
- 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- Withdrawn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
- 238000012545 processing Methods 0.000 title claims abstract description 114
- 238000003672 processing method Methods 0.000 title abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 101
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 238000013473 artificial intelligence Methods 0.000 claims description 222
- 238000012549 training Methods 0.000 claims description 63
- 230000015654 memory Effects 0.000 claims description 54
- 238000006243 chemical reaction Methods 0.000 claims description 13
- 230000011218 segmentation Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 230000017105 transposition Effects 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 abstract description 29
- 238000003062 neural network model Methods 0.000 abstract 1
- 230000008569 process Effects 0.000 description 60
- 238000010586 diagram Methods 0.000 description 25
- 230000006854 communication Effects 0.000 description 16
- 238000004891 communication Methods 0.000 description 15
- 230000005540 biological transmission Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 6
- 230000005291 magnetic effect Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 230000003993 interaction Effects 0.000 description 5
- 230000004044 response Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 101100498818 Arabidopsis thaliana DDR4 gene Proteins 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- 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
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Neurology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开涉及一种数据处理方法、装置、计算机设备和存储介质。所述装置包括控制模块,所述控制模块包括: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
技术领域
本公开涉及信息处理技术领域,特别是涉及一种数据处理方法、装置、计算机设备和存储介质。
背景技术
人工智能芯片在与中央处理器(CPU,Central Processing Unit)等设备协同进行数据处理等任务的过程中,如何通过人工智能芯片与CPU等设备之间的交互,来提高处理数据处理的效率,是目前一个亟待解决的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种数据处理方法、装置、计算机设备和存储介质。
根据本公开的一方面,提供了一种数据处理方法,所述方法包括:
人工智能处理器获取第一数据;
在所述人工智能处理器对所述第一数据进行运算的同时,所述通用处理器对获取的第二数据进行摆放操作以及拷贝操作中的至少一种;其中,
所述第二数据与所述第一数据在所述人工智能处理器内,属于不同的计算批次。
根据本公开的另一方面,提供了一种数据处理装置,包括:
第一数据获取模块,用于通过人工智能处理器获取第一数据;
处理模块,用于在所述人工智能处理器对所述第一数据进行运算的同时,通过所述通用处理器对获取的第二数据进行摆放操作以及拷贝操作中的至少一种;其中,
所述第二数据与所述第一数据在所述人工智能处理器内,属于不同的计算批次。
根据本公开的另一方面,提供了一种数据处理装置,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任一项所述的方法。
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,所述计算机程序指令被处理器执行时实现上述任意一项所述的方法。
通过在人工智能处理器对第一数据进行运算的同时,通用处理器对与第一数据属于不同批次的第二数据进行摆放操作以及拷贝操作,根据本公开的各方面实施例的数据处理方法、装置及相关产品,能够同时利用人工智能处理器和通用处理器,将数据摆放以及拷贝操作与运算操作并行处理,从而节省数据处理的时间,提高数据处理的效率,实现人工智能处理器和通用处理器之间的高效协同操作。
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示出根据本公开实施例的数据处理方法的处理器的示意图;
图2示出根据本公开实施例的数据处理方法的流程示意图;
图3示出根据本公开一实施例的数据处理过程中并行操作的示意图;
图4示出根据本公开实施例的数据处理装置的框图;
图5示出根据本公开实施例的数据处理装置的框图;
图6示出根据本公开实施例的板卡的结构框图;
图7示出根据本公开实施例的一种电子设备的框图。
具体实施方式
下面将结合本公开实施例中的附图,对本公开实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本公开一部分实施例,而不是全部的实施例。基于本公开中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
应当理解,本公开的权利要求、说明书及附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象,而不是用于描述特定顺序。本公开的说明书和权利要求书中使用的术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本公开说明书中所使用的术语仅仅是出于描述特定实施例的目的,而并不意在限定本公开。如在本公开说明书和权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。还应当进一步理解,在本公开说明书和权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本说明书和权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
随着大数据时代的发展,数据处理过程中需要处理的数据量逐渐增大,因此可以通过多个处理器协同操作的方式来完成数据处理。在一种可能的实现方式中,可以通过图形处理单元(GPU,Graphics Processing Unit)与CPU的协作来实现批量任务处理。在一个示例中,GPU与CPU的协作过程可以为:当CPU把数据准备好之后,可以调用统一计算设备架构(CUDA,Compute Unified Device Architecture)的运行时接口,通过同步来告知GPU开始计算。GPU计算结束后,通过同步来告知CPU可以获取结果。
然而,由于硬件结构与数据处理方式的不同,GPU与CPU之间的协作方式,不一定适用于人工智能处理器与CPU的协作,或是人工智能处理器与GPU之间的协作。如何实现人工智能处理器与其他通用处理器之间的协作,成为目前一个亟待解决的问题。
因此,本公开实施例提出一种数据处理方法,可以通过将人工智能处理器的运算过程,与通用处理器的数据摆放操作等过程进行并行,来实现人工智能处理器与通用处理器之间的协同工作。其中,数据处理方法的具体实现方式详见下述各公开实施例,在此先不做展开。
根据本公开实施例的数据处理方法可应用于人工智能处理器和通用处理器的协同处理系统中,其中,人工智能处理器可以是用于执行人工智能运算的人工智能处理器(IPU)。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GPU(GraphicsProcessing Unit,图形处理单元)、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。本公开对处理器的具体类型不作限制。
通用处理器可例如包括CPU或其他处理器比如GPU等。本公开对通用处理器的具体类型不作限制,后续各公开实施例均以通用处理器为CPU为例进行说明,其他情况的实现形式可以参考后续各公开实施例进行灵活扩展,不再一一赘述。
在一种可能的实现方式中,本公开中所提及的人工智能处理器与通用处理器均可包括多个处理单元,每个处理单元可以独立运行所分配到的各种任务,如:卷积运算任务、池化任务或全连接任务等。本公开对处理单元及处理单元所运行的任务不作限制。
图1示出根据本公开实施例的数据处理方法的通用处理器或人工智能处理器的示意图。如图1所示,处理器100包括多个处理单元101以及存储单元102,多个处理单元101用于执行指令序列,存储单元102用于存储数据,可包括随机存储器(RAM,Random AccessMemory)和寄存器堆。处理器100中的多个处理单元101既可共用部分存储空间,例如共用部分RAM存储空间和寄存器堆,又可同时拥有各自的存储空间。
图2示出根据本公开一实施例的数据处理方法的流程图。如图2所示,本公开实施例提出的数据处理方法可以包括:
步骤S11,人工智能处理器获取第一数据。
步骤S12,在人工智能处理器对第一数据进行运算的同时,通用处理器对获取的第二数据进行摆放操作以及拷贝操作中的至少一种;其中,
第二数据与第一数据在人工智能处理器内,属于不同的计算批次。
其中,人工智能处理器和通用处理器的实现形式可以参考上述各公开实施例,在此不再赘述。第一数据可以是人工智能处理器中,用于运算的任意数据,其实现形式在本公开实施例中不做限制。
第二数据可以是在人工智能处理器与通用处理器的协同操作过程中,需要执行摆放操作的任意数据,其实现形式在本公开实施例中也不做限制,不局限于下述各公开实施例。
在一种可能的实现方式中,第二数据可以包括人工智能处理器在进行神经网络的推理过程中,所涉及到的神经网络推理的输入数据、输出数据以及模型数据等,其中,模型数据可以是神经网络推理过程中已知且不发生变化的数据,比如权值、偏置以及常数等数据。在一种可能的实现方式中,第二数据也可以包括人工智能处理器在进行神经网络的训练过程中,所涉及到的神经网络训练的输入数据、输出数据、训练过程中实时更新的数据以及其他数据等,其中,神经网络训练的输出数据除了可以包括神经网络输出的结果以外,也可以包括用于观测神经网络训练过程的数据,比如随着训练过程更新的损失函数(loss)值或是神经网络的评价指标(如物体检测神经网络中的交并比IOU)等;训练过程中实时更新的数据可以包括训练过程中更新的权值或参数等;训练过程中的其他数据可以是由于硬件结构所导致的需要进行摆放操作的数据,比如由于人工智能处理器内存容量的限制,需要在通用处理器的硬盘与人工智能处理器内存之间多次读取的数据、或是在多个人工智能处理器协作进行分布式训练的过程中,在不同人工智能处理器或通用处理器之间进行通信的数据等。
需要注意的是,虽然第一数据与第二数据的实现形式不受限制,但是第一数据与第二数据为属于不同计算批次的数据,即需要同时处理的数据A与数据B,不能作为一次数据处理过程中的第一数据和第二数据。
人工智能处理器对第一数据进行的运算操作,具体的运算形式与运算类型在本公开实施例中不做限制,可以根据第一数据的实际情况灵活决定。
同理,通用处理器对第二数据进行的摆放操作以及拷贝操作,具体的摆放形式以及拷贝的次数或类型等,在本公开实施例中均不做限制,同样可以根据第二数据的实际情况灵活决定。其中,摆放操作是指数据在内存中重排列,从而便于计算设备更快地处理数据,以提升数据存储性能、减少数据存储丢失。
如上所述,摆放操作的具体实现形式可以灵活决定,在一种可能的实现方式中,摆放操作可以包括:数据转置、数据分段、数据对齐以及数据类型转换中的一个或两个以上。其中,数据转置可以是对数据的维度进行转置或修改后,将数据摆放到与变换后的维度匹配的位置;数据分段可以是对数据拆分为多段后,将拆分的数据分别摆到相应的位置;数据对齐可以是对数据的位数进行修改后,再对修改后的数据进行搬迁;数据类型转换可以是将数据在单精度浮点数、半精度浮点数以及定点数等类型之间进行转换后,根据转换后的类型分配相应空间,来进行数据的布局等。
进一步地,通过上述实施例可以看出,摆放操作可能需要对数据在搬迁之前进行不同的运算操作,因此,在一种可能的实现方式中,摆放操作的实现过程可以包括:
获取待搬运数据的操作指令,操作指令用于对待搬运数据进行操作指令所指示的运算操作,运算操作包括以下中的至少一项:数据转置、数据对齐、数据分段以及数据类型转换,操作指令中携带待搬运数据的源地址和目的地址;根据操作指令,完成待搬运数据的运算操作,并将运算操作后的待搬运数据从源地址搬运到目的地址。
其中,在一种可能的实现方式中,根据操作指令,完成待搬运数据的运算操作,并将运算操作后的待搬运数据从源地址搬运到目的地址可以包括:
根据操作指令所指示的运算操作,对操作指令中携带的数据参数进行处理,获得处理后的数据参数,处理后的数据参数用于表征待搬运数据的操作序列,数据参数至少包括待搬运数据的源地址和目的地址;根据处理后的数据参数对待搬运数据进行重排列,以获得运算操作后的待搬运数据,并完成运算操作后的待搬运数据从源地址搬运到目的地址。
如上述各公开实施例所述,摆放操作可以实现对数据的数据转置、数据分段、数据对齐以及数据类型中的一个或多个,因此,随着摆放操作的类型不同,其实现的运算操作也可能灵活的发生变化。
因此,在一种可能的实现方式中,摆放操作可以包括数据转置,在这种情况下,根据操作指令,完成待搬运数据的运算操作可以包括:根据数据转置所指示的行列转换,对数据参数进行转换处理,以获得处理后的数据参数;根据处理后的数据参数对待搬运数据进行重排列,以获得运算操作后的待搬运数据。在一种可能的实现方式中,摆放操作可以包括数据对齐,在这种情况下,根据操作指令,完成待搬运数据的运算操作可以包括:根据数据对齐所指示的对齐位数,对数据参数进行对齐处理,以获得至少一组处理后的数据参数;根据处理后的数据参数对待搬运数据进行补位操作,以获得运算操作后的待搬运数据。在一种可能的实现方式中,摆放操作可以包括数据分段,在这种情况下,根据操作指令,完成所述待搬运数据的运算操作包括:根据数据分段所指示的分段位数,对数据参数进行分段处理,以获得至少一组处理后的数据参数;根据处理后的数据参数对待搬运数据进行重排列,以获得运算操作后的待搬运数据。在一种可能的实现方式中,摆放操作可以包括数据类型转换,在这种情况下,根据操作指令,完成待搬运数据的运算操作可以包括:根据数据类型转换所指示的类型转换,将待搬运数据具备的所述源数据类型所指示的数据类型转换为目的数据类型所指示的数据类型,以获得运算操作后的待搬运数据。
上述各公开实施例中各种灵活的数据的摆放操作方式,可以解决针对多操作的数据处理方案中存在的计算资源浪费、数据处理性能和效率降低等问题。
进一步地,通过上述各公开实施例中摆放操作的具体实现形式可以看出,摆放操作的实现过程中可能涉及到对第二数据的运算处理,因此,对第二数据的摆放操作与拷贝操作同样可能耗费一定的时间,由于第二数据与第一数据属于不同的计算批次,且对第一数据和第二数据执行处理的设备不同,因此,可以通过上述公开实施例中提出的方式,来同时实现第一数据的运算过程和第二数据的摆放操作以及拷贝操作过程。通过在人工智能处理器对第一数据进行运算的同时,通用处理器对与第一数据属于不同批次的第二数据进行摆放操作以及拷贝操作,根据本公开的各方面实施例的数据处理方法、装置及相关产品,能够同时利用人工智能处理器和通用处理器,将数据摆放以及拷贝操作与运算操作并行处理,从而节省数据处理的时间,提高数据处理的效率,实现人工智能处理器和通用处理器之间的高效协同操作。
如上述各公开实施例所述,第二数据可能存在多种不同的实现形式。随着第二数据的不同,步骤S12的实现方式也可能灵活发生变化,因此,在一种可能的实现方式中,步骤S12可以包括:
步骤S121,在人工智能处理器对第一数据进行运算的同时,通用处理器对第二数据进行摆放操作,得到摆放结果,将摆放结果通过拷贝操作传输至人工智能处理器。和/或,
步骤S122,在人工智能处理器对第一数据进行运算的同时,通用处理器通过拷贝操作接收人工智能处理器传输的第二数据,得到拷贝结果,对拷贝结果进行摆放操作。
其中,步骤S121可以适用于第二数据为神经网络推理或训练过程中的输入数据的情况,即在一种可能的实现方式中,在第二数据为神经网络推理或训练过程中的输入数据的情况下,可以在第一数据进行运算的同时,先对第二数据进行摆放操作来得到摆放结果,再对摆放结果执行拷贝操作,从而将拷贝的摆放结果作为输入数据传输至人工智能处理器。
步骤S122可以适用于第二数据为神经网络推理或训练过程中的输出数据的情况,即在一种可能的实现方式中,在第二数据为神经网络推理或训练过程中的输出数据的情况下,可以在第一数据进行运算的同时,先获取人工智能处理器输出的第二数据并对其进行拷贝来得到拷贝结果,再对拷贝结果进行摆放操作,从而将人工智能处理器输出的数据摆放到合适的位置。
需要注意的是,步骤S121与步骤S122可以单独实现,也可以同时实现,即可以仅将输入数据或输出数据的摆放拷贝过程与第一数据的运算过程并行,也可以将输入数据的摆放拷贝过程、输出数据的摆放拷贝过程与第一数据的运算过程三者同时并行起来。图3示出根据本公开一实施例的数据处理过程中并行操作的示意图,从图中可以看出,在一种可能的实现方式中,在人工智能处理器进行神经网络推理的过程中,可以将属于不同计算批次的第一数据、输入数据和输出数据的相应操作并行来提高数据处理的效率,如图所示,在一个示例中,在第一批的输入数据进行摆放及拷贝的过程中,由于人工智能处理器还未接收到输入数据,因此人工智能处理器还未运算,也暂时没有输出的数据,因此,第一批的输入数据的摆放及拷贝操作单独执行;在第一批的输入数据完成摆放及拷贝操作以后,人工智能处理器可以将第一批输入数据作为第一数据进行运算,此时通用处理器可以同时执行第二批输入数据的摆放及拷贝,由于人工智能处理器正处于运算过程中,还未输出数据,因此,此时仅并行执行第一数据的运算以及输入数据的摆放及拷贝这两个操作过程;在人工智能处理器完成第一批输入数据的运算后可以输出第一批数据,此时第一批输出数据的摆放及拷贝、第二批输入数据作为第一数据的运算以及第三批输入数据的摆放及拷贝这三个过程可以并行执行;后续批次的并行操作过程可以参考前述过程依次进行,在此不再赘述。
通过步骤S121与步骤S122的任意组合形式,可以根据实际情况,实现第一数据的运算、输入数据的摆放与拷贝以及输出数据的摆放与拷贝等操作的灵活并行,提升数据处理效率的同时,也提升了数据处理的灵活性和实用性。
在一种可能的实现方式中,第二数据的摆放操作与拷贝操作所需的处理时间可能少于第一数据的运算时间,因此通过上述各公开实施例的数据处理过程,可以大大提升数据处理的效率。在一种可能的实现方式中,第二数据的摆放操作与拷贝操作所需的处理时间也可能不小于第一数据的运算时间,举例来说,在一个示例中,通用处理器的处理效率可能较低,且人工智能处理器中执行的神经网络运算可能较快,因此第二数据的摆放操作与拷贝操作所需的时间反而大于第一数据的运算时间。
因此,在一种可能的实现方式中,本公开实施例提出的数据处理方法,还可以包括:
在人工智能处理器对第一数据进行运算后,且通用处理器中包括待进行摆放操作的第二数据的情况下,人工智能处理器从通用处理器中获取待进行摆放操作的第二数据,得到获取结果;
人工智能处理器对获取结果进行摆放操作。
上述公开实施例中,由于人工智能处理器与通用处理器的处理速度的不同,在人工智能处理器对第一数据进行运算后,可能通用处理器中还存在至少部分待进行摆放操作的第二数据,在这种情况下,可以利用人工智能处理器的剩余算力,分担通用处理器中第二数据的摆放操作。
其中,待进行摆放操作的第二数据的类型同样不受限制,可以参考上述公开实施例中第二数据的实现形式进行灵活选择,不局限于下述公开实施例。在一种可能的实现方式中,在第二数据包括神经网络推理的输入数据、输出数据以及模型数据的情况下,由于模型数据一般不会在推理过程中发生变化,因此摆放操作的复杂度较低,较为容易实现。因此,为了充分利用人工智能处理器的算力,在一种可能的实现方式中,可以选择神经网络推理的输入数据和输出数据作为待进行摆放操作的第二数据。
人工智能处理器对获取的待进行摆放操作的第二数据进行的摆放操作的具体类型,可以根据待进行摆放操作的第二数据的具体类型,以及人工智能处理器本身的运算方式所灵活决定。举例来说,在一个示例中,可以利用人工智能处理器中的转置算子来对获取的输入数据或输出数据进行维度变换,从而完成数据转置操作等。也可以利用人工智能处理器的其他算子来对获取的输入数据或输出数据执行数据分段、数据对齐或是数据类型转换等操作,在此不再一一列举。
人工智能处理器通过从通用处理器中获取待进行摆放操作的第二数据来得到获取结果,并对获取结果进行摆放操作,可以将数据处理的一些任务在通用处理器和人工智能处理器之间灵活分配,达到提高数据处理的总体性能的目的。同时,如何对数据处理的任务在通用处理器与人工智能处理器之间进行分配,以及将哪些第二数据放到人工智能处理器中摆放,则可以数据处理任务的具体情况择优进行处理,从而大大提升了数据处理的灵活性。
在一种可能的实现方式中,如上述各公开实施例所述,第二数据也可以包括人工智能处理器在进行神经网络的训练过程中,所涉及到的神经网络训练的输入数据、输出数据、训练过程中实时更新的数据以及其他数据等,因此,在这种情况下,数据处理的方式也可能随之发生相应的变化。
在一种可能的实现方式中,在第二数据包括神经网络训练的输入数据的情况下,由于训练的输入数据是可以提前获知的固定数据,而非像推理过程中的数据会随着获取过程而灵活发生变化,因此训练的输入数据的摆放操作耗时较短,结束较快。因此,在一种可能的实现方式中,可以在训练的运算之前,统一对训练的输入数据进行摆放操作,即训练过程中,输入数据可以不与第一数据的运算并行执行;在一种可能的实现方式中,也可以将训练的输入数据与第一数据的运算并行执行;上述两种实现方式可以根据实际情况灵活选择,在本公开实施例中不做限制。
在一种可能的实现方式中,在第二数据包括神经网络训练的输出数据的情况下,如上述各公开实施例所述,训练的输出数据除了神经网络输出的结果以外,还可以包括有用于观测神经网络训练过程的数据。在一种可能的实现方式中,用于观测神经网络训练过程的输出数据,可能要实时输出或显示,因此这些输出数据可以与训练过程中第一数据的运算过程同时并行实现。
在一种可能的实现方式中,第二数据还可以包括由于人工智能处理器内存容量的限制,需要在通用处理器的硬盘与人工智能处理器的内存之间进行多次读取的数据,即由于人工智能处理器的内存容量有限,可能无法将所有训练数据同时全部读取到内存中进行处理,因此通用处理器需要随着人工智能处理器的训练运算,在硬盘与内存之间反复进行数据的拷贝操作。因此在一种可能的实现方式中,可以在人工智能处理器对第一数据进行运算的同时,通用处理器对获取的第二数据进行拷贝操作。即在这种情况下,可以在人工智能处理器使用部分训练数据作为第一数据进行运算的同时,通用处理器将下一批次的训练数据作为第二数据,通过拷贝操作将其搬迁到人工智能处理器的内存中,来进一步提高数据处理的并行性和处理效率。
在一种可能的实现方式中,在第二数据包括神经网络训练的输出数据的情况下,如上述各公开实施例所述,训练的输出数据还可以包括有训练过程中更新的权值或参数等。由于权值与参数等数据可以随着训练过程实时更新,因此权值与参数等数据的摆放也可以与第一数据的运算过程并行执行。在一种可能的实现方式中,由于权值与参数为神经网络训练过程中的数据,摆放后的位置一般位于人工智能处理器内,如果通过通用处理器与人工智能处理器之间进行交互来实现摆放,可能需要较大的交互开销时间和运算成本,因此,在一种可能的实现方式中,可以通过人工智能处理器实现对权值与参数等数据的摆放。因此,在一种可能的实现方式中,本公开实施例提出的数据处理方法还可以包括:
在人工智能处理器对第一数据进行训练运算的同时,人工智能处理器对训练运算得到的输出数据进行摆放操作。
需要注意的是,人工智能处理器对输出数据的摆放操作,在于人工智能处理器对第一数据进行训练运算并行执行的同时,也可以同时执行上述各公开实施例中提到的任意可以并行执行的操作,比如通用处理器还可以同时对训练运算的输入数据或是其余类型的输出数据进行摆放操作等。
通过人工智能处理器同时进行第一数据的训练运算和训练运算得到的输出数据的摆放操作,可以节省通用处理器与人工智能处理器进行交互操作所需的时间与开销,进一步提升数据处理的效率,得到较高的数据吞吐量。
如上述各公开实施例所述,在一种可能的实现方式中,第二数据还可以包括在多个人工智能处理器协作进行分布式训练的过程中,在不同人工智能处理器或通用处理器之间进行通信的数据等。即在一种可能的实现方式中,本公开实施例中提出的数据处理方法,还可以应用于分布式训练平台,在这种情况下,本公开实施例中数据处理方法的人工智能处理器,可以是通过多个人工智能处理芯片共同组成的分布式人工智能处理平台。在训练过程中,多个人工智能处理芯片之间还可能需要对各芯片运算得到的权值的梯度或者更新后的权值进行汇总,多个人工智能处理芯片可能需要相互之间进行通信。由于通信同样可能需要消耗一定的处理时间,因此,在一种可能的实现方式中,本公开实施例提出的数据处理方法还可以包括:
在人工智能处理器对第一数据进行训练运算的同时,与待通信人工智能处理器进行通信。
其中,待通信人工智能处理器可以是需要于当前的人工智能处理器进行通信或信息交互的人工智能处理器,其实现形式可以与当前的人工智能处理器相同,也可以不同,在本公开实施例中不做限制。通信的具体方式在本公开实施例中也不做限制,可以根据当前的人工智能处理器以及待通信人工智能处理器的实际情况灵活决定。
通过上述公开实施例可以看出,在一种可能的实现方式中,可以将不同人工智能处理器之间的通信过程,与人工智能处理器对第一数据的训练运算过程,并行执行,从而进一步提升数据处理的执行效率。同样地,在人工智能处理器对第一数据进行训练运算和待通信人工智能处理器之间进行通信并行执行的过程中,也可以根据实际情况,对上述各公开实施例中提出的任意操作进行并行执行。
通过将训练运算与通信操作的并行执行,可以进一步提升数据处理效率,充分利用人工智能处理器与通用处理器的效率,实现高效的数据处理。
在一种可能的实现方式中,在于待通信人工智能处理器进行通信的过程中,可以是当前的人工智能处理器直接与待通信人工智能处理器进行通信,也可以是当前的人工智能处理器利用通用处理器间接进行通信,因此,在一种可能的实现方式中,与待通信人工智能处理器进行通信可以包括:
通过通用处理器与待通信人工智能处理器进行通信;或者,通过人工智能处理器与待通信人工智能处理器进行通信。
上述公开实施例中,具体是通过通用处理器还是人工智能处理器与待通信人工智能处理器进行通信,可以取决于通用处理器和当前的人工智能处理器的实现形式,以及当前数据处理状态。比如在一种可能的实现方式中,在当前的人工智能处理器运算占用的资源较大的情况下,可以利用通用处理器与待通信人工智能处理器进行通信,以降低对训练运算过程效率的影响;在一种可能的实现方式中,在通用处理器的性能较低且当前的人工智能处理器运算效率较高的情况下,可以利用当前的人工智能处理器,与待通信人工智能处理器进行通信。
通过利用通用处理器或人工智能处理器与待通信人工智能处理器进行通信,可以根据实际情况灵活选择通信方式,从而在通过并行执行各操作提高数据处理效率的同时,减小通用处理器或人工智能处理器本身的运算负担,进一步减小数据处理的开销和成本。
需要注意的是,本公开实施例提出的各类可以并行执行的操作,比如第一数据的运算操作、不同类型第二数据的摆放操作以及不同类型第二数据的拷贝操作,在实际实现的过程中,均可以根据上述各公开实施例灵活扩展,即可以根据实际情况灵活选择组合和并行方式,不局限于上述各公开实施例。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本公开并不受所描述的动作顺序的限制,因为依据本公开,某些步骤可以采用其他顺序或者同时进行。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可选实施例,所涉及的动作和模块并不一定是本公开所必须的。
进一步需要说明的是,虽然图2的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
图4示出根据本公开实施例的数据处理装置的框图。如图所示,数据处理装置可以包括:
第一数据获取模块21,用于通过人工智能处理器获取第一数据。
处理模块22,用于在人工智能处理器对第一数据进行运算的同时,通过通用处理器对获取的第二数据进行摆放操作以及拷贝操作中的至少一种;其中,第二数据与第一数据在人工智能处理器内,属于不同的计算批次。
在一种可能的实现方式中,处理模块用于:在人工智能处理器对第一数据进行运算的同时,通用处理器对第二数据进行摆放操作,得到摆放结果,将摆放结果通过拷贝操作传输至人工智能处理器;和/或,在人工智能处理器对第一数据进行运算的同时,通用处理器通过拷贝操作接收人工智能处理器传输的第二数据,得到拷贝结果,对拷贝结果进行摆放操作。
在一种可能的实现方式中,摆放操作包括:数据转置、数据分段、数据对齐以及数据类型转换中的一个或两个以上。
在一种可能的实现方式中,装置还用于:在人工智能处理器对第一数据进行运算后,且通用处理器中包括待进行摆放操作的第二数据的情况下,人工智能处理器从通用处理器中获取待进行摆放操作的第二数据,得到获取结果;人工智能处理器对获取结果进行摆放操作。
在一种可能的实现方式中,装置还用于:在人工智能处理器对第一数据进行训练运算的同时,与待通信人工智能处理器进行通信。
在一种可能的实现方式中,与待通信人工智能处理器进行通信包括:通过通用处理器与待通信人工智能处理器进行通信;或者,通过人工智能处理器与待通信人工智能处理器进行通信。
在一种可能的实现方式中,装置还用于:在人工智能处理器对第一数据进行训练运算的同时,人工智能处理器对训练运算得到的输出数据进行摆放操作。
图5是根据一示例性实施例示出的一种数据处理装置1300的框图。例如,装置1300可以被提供为一服务器。参照图5,装置1300包括处理组件1322,其进一步包括一个或多个处理器,以及由存储器1332所代表的存储器资源,用于存储可由处理组件1322的执行的指令,例如应用程序。存储器1332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1322被配置为执行指令,以执行上述方法。
装置1300还可以包括一个电源组件1326被配置为执行装置1300的电源管理,一个有线或无线网络接口1350被配置为将装置1300连接到网络,和一个输入输出(I/O)接口1358。装置1300可以操作基于存储在存储器1332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1332,上述计算机程序指令可由装置1300的处理组件1322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。
应该理解,上述的装置实施例仅是示意性的,本公开的装置还可通过其它的方式实现。例如,上述实施例中所述单元/模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。例如,多个单元、模块或组件可以结合,或者可以集成到另一个系统,或一些特征可以忽略或不执行。
另外,若无特别说明,在本公开各个实施例中的各功能单元/模块可以集成在一个单元/模块中,也可以是各个单元/模块单独物理存在,也可以两个或两个以上单元/模块集成在一起。上述集成的单元/模块既可以采用硬件的形式实现,也可以采用软件程序模块的形式实现。
所述集成的单元/模块如果以硬件的形式实现时,该硬件可以是数字电路,模拟电路等等。硬件结构的物理实现包括但不局限于晶体管,忆阻器等等。若无特别说明,所述人工智能处理器可以是任何适当的硬件处理器,比如CPU、GPU、FPGA、DSP和ASIC等等。若无特别说明,所述存储单元可以是任何适当的磁存储介质或者磁光存储介质,比如,阻变式存储器RRAM(Resistive Random Access Memory)、动态随机存取存储器DRAM(Dynamic RandomAccess Memory)、静态随机存取存储器SRAM(Static Random-Access Memory)、增强动态随机存取存储器EDRAM(Enhanced Dynamic Random Access Memory)、高带宽内存HBM(High-Bandwidth Memory)、混合存储立方HMC(Hybrid Memory Cube)等等。
所述集成的单元/模块如果以软件程序模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储器中。基于这样的理解,本公开的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储器中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本公开各个实施例所述方法的全部或部分步骤。而前述的存储器包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
在一种可能的实现方式中,还公开了一种人工智能芯片,其包括了上述数据处理装置。
在一种可能的实现方式中,还公开了一种板卡,其包括存储器件、接口装置和控制器件以及上述人工智能芯片;其中,所述人工智能芯片与所述存储器件、所述控制器件以及所述接口装置分别连接;所述存储器件,用于存储数据;所述接口装置,用于实现所述人工智能芯片与外部设备之间的数据传输;所述控制器件,用于对所述人工智能芯片的状态进行监控。
图6示出根据本公开实施例的板卡的结构框图,参阅图6,上述板卡除了包括上述芯片389以外,还可以包括其他的配套部件,该配套部件包括但不限于:存储器件390、接口装置391和控制器件392;
所述存储器件390与所述人工智能芯片通过总线连接,用于存储数据。所述存储器件可以包括多组存储单元393。每一组所述存储单元与所述人工智能芯片通过总线连接。可以理解,每一组所述存储单元可以是DDR SDRAM(英文:Double Data Rate SDRAM,双倍速率同步动态随机存储器)。
DDR不需要提高时钟频率就能加倍提高SDRAM的速度。DDR允许在时钟脉冲的上升沿和下降沿读出数据。DDR的速度是标准SDRAM的两倍。在一个实施例中,所述存储装置可以包括4组所述存储单元。每一组所述存储单元可以包括多个DDR4颗粒(芯片)。在一个实施例中,所述人工智能芯片内部可以包括4个72位DDR4控制器,上述72位DDR4控制器中64bit用于传输数据,8bit用于ECC校验。可以理解,当每一组所述存储单元中采用DDR4-3200颗粒时,数据传输的理论带宽可达到25600MB/s。
在一个实施例中,每一组所述存储单元包括多个并联设置的双倍速率同步动态随机存储器。DDR在一个时钟周期内可以传输两次数据。在所述芯片中设置控制DDR的控制器,用于对每个所述存储单元的数据传输与数据存储的控制。
所述接口装置与所述人工智能芯片电连接。所述接口装置用于实现所述人工智能芯片与外部设备(例如服务器或计算机)之间的数据传输。例如在一个实施例中,所述接口装置可以为标准PCIE接口。比如,待处理的数据由服务器通过标准PCIE接口传递至所述芯片,实现数据转移。优选的,当采用PCIE 3.0X 16接口传输时,理论带宽可达到16000MB/s。在另一个实施例中,所述接口装置还可以是其他的接口,本公开并不限制上述其他的接口的具体表现形式,所述接口单元能够实现转接功能即可。另外,所述人工智能芯片的计算结果仍由所述接口装置传送回外部设备(例如服务器)。
所述控制器件与所述人工智能芯片电连接。所述控制器件用于对所述人工智能芯片的状态进行监控。具体的,所述人工智能芯片与所述控制器件可以通过SPI接口电连接。所述控制器件可以包括单片机(Micro Controller Unit,MCU)。如所述人工智能芯片可以包括多个处理芯片、多个处理核或多个处理电路,可以带动多个负载。因此,所述人工智能芯片可以处于多负载和轻负载等不同的工作状态。通过所述控制装置可以实现对所述人工智能芯片中多个处理芯片、多个处理和或多个处理电路的工作状态的调控。
在一种可能的实现方式中,公开了一种电子设备,其包括了上述人工智能芯片。电子设备包括数据处理装置、机器人、电脑、打印机、扫描仪、平板电脑、智能终端、手机、行车记录仪、导航仪、传感器、摄像头、服务器、云端服务器、相机、摄像机、投影仪、手表、耳机、移动存储、可穿戴设备、交通工具、家用电器、和/或医疗设备。
所述交通工具包括飞机、轮船和/或车辆;所述家用电器包括电视、空调、微波炉、冰箱、电饭煲、加湿器、洗衣机、电灯、燃气灶、油烟机;所述医疗设备包括核磁共振仪、B超仪和/或心电图仪。
本公开实施例还提出一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备,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调用所述存储器存储的指令,以执行上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图7示出根据本公开实施例的一种电子设备800的框图。例如,电子设备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,个人数字助理等终端。
参照图7,电子设备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通常控制电子设备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电子设备800的操作。这些数据的示例包括用于在电子设备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为电子设备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,及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备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。当电子设备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),当电子设备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,用于为电子设备800提供各个方面的状态评估。例如,传感器组件814可以检测到电子设备800的打开/关闭状态,组件的相对定位,例如所述组件为电子设备800的显示器和小键盘,传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变,用户与电子设备800接触的存在或不存在,电子设备800方位或加速/减速和电子设备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被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备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,电子设备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电子设备800的处理器820执行以完成上述方法。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。上述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
依据以下条款可更好地理解前述内容:
条款A1,一种数据处理方法,所述方法包括:
人工智能处理器获取第一数据;在所述人工智能处理器对所述第一数据进行运算的同时,所述通用处理器对获取的第二数据进行摆放操作以及拷贝操作中的至少一种;其中,所述第二数据与所述第一数据在所述人工智能处理器内,属于不同的计算批次。
条款A2,根据条款A1所述的方法,所述在所述人工智能处理器对所述第一数据进行运算的同时,所述通用处理器对获取的第二数据进行摆放操作以及拷贝操作中的至少一种,包括:在所述人工智能处理器对所述第一数据进行运算的同时,所述通用处理器对所述第二数据进行摆放操作,得到摆放结果,将所述摆放结果通过拷贝操作传输至所述人工智能处理器;和/或,在所述人工智能处理器对所述第一数据进行运算的同时,所述通用处理器通过拷贝操作接收所述人工智能处理器传输的第二数据,得到拷贝结果,对所述拷贝结果进行摆放操作。
条款A3,根据条款A1或条款A2所述的方法,所述摆放操作包括:数据转置、数据分段、数据对齐以及数据类型转换中的一个或两个以上。
条款A4,根据条款A1至条款A3中任意一项所述的方法,所述方法还包括:在所述人工智能处理器对所述第一数据进行运算后,且所述通用处理器中包括待进行摆放操作的第二数据的情况下,所述人工智能处理器从所述通用处理器中获取所述待进行摆放操作的第二数据,得到获取结果;所述人工智能处理器对所述获取结果进行摆放操作。
条款A5,根据条款A1所述的方法,所述方法还包括:在所述人工智能处理器对所述第一数据进行训练运算的同时,与待通信人工智能处理器进行通信。
条款A6,根据条款A5所述的方法,所述与待通信人工智能处理器进行通信包括:通过所述通用处理器与待通信人工智能处理器进行通信;或者,通过所述人工智能处理器与待通信人工智能处理器进行通信。
条款A7,根据条款A5或条款A6所述的方法,所述方法还包括:在所述人工智能处理器对所述第一数据进行训练运算的同时,所述人工智能处理器对所述训练运算得到的输出数据进行摆放操作。
条款A8,一种数据处理装置,包括:第一数据获取模块,用于通过人工智能处理器获取第一数据;处理模块,用于在所述人工智能处理器对所述第一数据进行运算的同时,通过所述通用处理器对获取的第二数据进行摆放操作以及拷贝操作中的至少一种;其中,所述第二数据与所述第一数据在所述人工智能处理器内,属于不同的计算批次。
条款A9,根据条款A8所述的装置,所述处理模块用于:在所述人工智能处理器对所述第一数据进行运算的同时,所述通用处理器对所述第二数据进行摆放操作,得到摆放结果,将所述摆放结果通过拷贝操作传输至所述人工智能处理器;和/或,在所述人工智能处理器对所述第一数据进行运算的同时,所述通用处理器通过拷贝操作接收所述人工智能处理器传输的第二数据,得到拷贝结果,对所述拷贝结果进行摆放操作。
条款A10,根据条款A8或条款A9所述的装置,所述摆放操作包括:数据转置、数据分段、数据对齐以及数据类型转换中的一个或两个以上。
条款A11,根据条款A8至条款A10中任意一项所述的装置,所述装置还用于:在所述人工智能处理器对所述第一数据进行运算后,且所述通用处理器中包括待进行摆放操作的第二数据的情况下,所述人工智能处理器从所述通用处理器中获取所述待进行摆放操作的第二数据,得到获取结果;所述人工智能处理器对所述获取结果进行摆放操作。
条款A12,根据条款A8所述的方法,所述装置还用于:在所述人工智能处理器对所述第一数据进行训练运算的同时,与待通信人工智能处理器进行通信。
条款A13,根据条款A12所述的装置,所述与待通信人工智能处理器进行通信包括:通过所述通用处理器与待通信人工智能处理器进行通信;或者,通过所述人工智能处理器与待通信人工智能处理器进行通信。
条款A14,根据条款A12或条款A13所述的方法,所述装置还用于:在所述人工智能处理器对所述第一数据进行训练运算的同时,所述人工智能处理器对所述训练运算得到的输出数据进行摆放操作。
条款A15、一种数据处理装置,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条款A1-7任一项所述的方法。
条款A16、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,所述计算机程序指令被处理器执行时实现条款A1至7中任意一项所述的方法。
以上对本公开实施例进行了详细介绍,本文中应用了具体个例对本公开的原理及实施方式进行了阐述,以上实施例的说明仅用于帮助理解本公开的方法及其核心思想。同时,本领域技术人员依据本公开的思想,基于本公开的具体实施方式及应用范围上做出的改变或变形之处,都属于本公开保护的范围。综上所述,本说明书内容不应理解为对本公开的限制。
Claims (10)
1.一种数据处理方法,其特征在于,所述方法包括:
人工智能处理器获取第一数据;
在所述人工智能处理器对所述第一数据进行运算的同时,所述通用处理器对获取的第二数据进行摆放操作以及拷贝操作中的至少一种;其中,
所述第二数据与所述第一数据在所述人工智能处理器内,属于不同的计算批次。
2.根据权利要求1所述的方法,其特征在于,所述在所述人工智能处理器对所述第一数据进行运算的同时,所述通用处理器对获取的第二数据进行摆放操作以及拷贝操作中的至少一种,包括:
在所述人工智能处理器对所述第一数据进行运算的同时,所述通用处理器对所述第二数据进行摆放操作,得到摆放结果,将所述摆放结果通过拷贝操作传输至所述人工智能处理器;和/或,
在所述人工智能处理器对所述第一数据进行运算的同时,所述通用处理器通过拷贝操作接收所述人工智能处理器传输的第二数据,得到拷贝结果,对所述拷贝结果进行摆放操作。
3.根据权利要求1或2所述的方法,其特征在于,所述摆放操作包括:
数据转置、数据分段、数据对齐以及数据类型转换中的一个或两个以上。
4.根据权利要求1至3中任意一项所述的方法,其特征在于,所述方法还包括:
在所述人工智能处理器对所述第一数据进行运算后,且所述通用处理器中包括待进行摆放操作的第二数据的情况下,所述人工智能处理器从所述通用处理器中获取所述待进行摆放操作的第二数据,得到获取结果;
所述人工智能处理器对所述获取结果进行摆放操作。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
在所述人工智能处理器对所述第一数据进行训练运算的同时,与待通信人工智能处理器进行通信。
6.根据权利要求5所述的方法,其特征在于,所述与待通信人工智能处理器进行通信包括:
通过所述通用处理器与待通信人工智能处理器进行通信;或者,
通过所述人工智能处理器与待通信人工智能处理器进行通信。
7.根据权利要求5或6所述的方法,其特征在于,所述方法还包括:
在所述人工智能处理器对所述第一数据进行训练运算的同时,所述人工智能处理器对所述训练运算得到的输出数据进行摆放操作。
8.一种数据处理装置,其特征在于,包括:
第一数据获取模块,用于通过人工智能处理器获取第一数据;
处理模块,用于在所述人工智能处理器对所述第一数据进行运算的同时,通过所述通用处理器对获取的第二数据进行摆放操作以及拷贝操作中的至少一种;其中,
所述第二数据与所述第一数据在所述人工智能处理器内,属于不同的计算批次。
9.一种数据处理装置,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权利要求1-7任一项所述的方法。
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010618842.9A CN111783969A (zh) | 2020-06-30 | 2020-06-30 | 数据处理方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010618842.9A CN111783969A (zh) | 2020-06-30 | 2020-06-30 | 数据处理方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111783969A true CN111783969A (zh) | 2020-10-16 |
Family
ID=72760043
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010618842.9A Withdrawn CN111783969A (zh) | 2020-06-30 | 2020-06-30 | 数据处理方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111783969A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112416433A (zh) * | 2020-11-24 | 2021-02-26 | 中科寒武纪科技股份有限公司 | 一种数据处理装置、数据处理方法及相关产品 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4507728A (en) * | 1981-03-20 | 1985-03-26 | Fujitsu Limited | Data processing system for parallel processing of different instructions |
CN101246434A (zh) * | 2008-03-06 | 2008-08-20 | 中国人民解放军国防科学技术大学 | 一种利用剩余资源分配寄存器的方法 |
CN102063287A (zh) * | 2011-01-06 | 2011-05-18 | 清华大学 | 一种处理器的指令执行结果存储结构 |
-
2020
- 2020-06-30 CN CN202010618842.9A patent/CN111783969A/zh not_active Withdrawn
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4507728A (en) * | 1981-03-20 | 1985-03-26 | Fujitsu Limited | Data processing system for parallel processing of different instructions |
CN101246434A (zh) * | 2008-03-06 | 2008-08-20 | 中国人民解放军国防科学技术大学 | 一种利用剩余资源分配寄存器的方法 |
CN102063287A (zh) * | 2011-01-06 | 2011-05-18 | 清华大学 | 一种处理器的指令执行结果存储结构 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112416433A (zh) * | 2020-11-24 | 2021-02-26 | 中科寒武纪科技股份有限公司 | 一种数据处理装置、数据处理方法及相关产品 |
CN112416433B (zh) * | 2020-11-24 | 2023-01-17 | 中科寒武纪科技股份有限公司 | 一种数据处理装置、数据处理方法及相关产品 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111443917B (zh) | 神经网络运行优化方法、装置及相关产品 | |
US11449242B2 (en) | Shared storage space access method, device and system and storage medium | |
CN104488258A (zh) | 用于双相机快门的方法和设备 | |
WO2021036893A1 (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
CN110851787B (zh) | 合并指令处理方法、装置、电子设备和存储介质 | |
CN111597029A (zh) | 数据处理方法及装置、电子设备和存储介质 | |
CN111783969A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
CN113297128B (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
WO2021114904A1 (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
CN115098262B (zh) | 一种多神经网络任务处理方法及装置 | |
CN113919490A (zh) | 推理引擎的适配方法、装置及电子设备 | |
CN113033813A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
CN107193530B (zh) | 一种生成随机数的方法和装置 | |
CN113364993B (zh) | 曝光参数值处理方法、装置和电子设备 | |
CN111488964A (zh) | 图像处理方法及装置、神经网络训练方法及装置 | |
CN112988194A (zh) | 基于设备信息的程序优化方法、装置、电子设备及存储介质 | |
KR20220022480A (ko) | 증가된 정밀도의 뉴럴 프로세싱 요소 | |
CN114254744A (zh) | 数据处理设备及方法、电子设备和存储介质 | |
CN113762518B (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
CN113537476B (zh) | 运算装置以及相关产品 | |
CN113298223B (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
WO2021082654A1 (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
CN115086232B (zh) | 任务处理及数据流生成方法和装置 | |
CN113419702B (zh) | 一种数据累加方法、处理器、电子设备及可读介质 | |
CN114116590B (zh) | 数据获取方法、装置、车辆、存储介质和电子设备 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20201016 |
|
WW01 | Invention patent application withdrawn after publication |