CN111860796B - 运算方法、装置及相关产品 - Google Patents
运算方法、装置及相关产品 Download PDFInfo
- Publication number
- CN111860796B CN111860796B CN201910363385.0A CN201910363385A CN111860796B CN 111860796 B CN111860796 B CN 111860796B CN 201910363385 A CN201910363385 A CN 201910363385A CN 111860796 B CN111860796 B CN 111860796B
- Authority
- CN
- China
- Prior art keywords
- sub
- models
- target layer
- neural network
- result
- 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
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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Neurology (AREA)
- Image Analysis (AREA)
Abstract
本公开涉及一种运算方法、装置及相关产品。所述产品可以包括以下一个或多个组件:处理组件,存储器,电源组件,多媒体组件,音频组件,输入/输出(I/O)的接口,传感器组件,以及通信组件。根据本公开的运算方法、装置或相关产品,可以提高神经网络的运算效率以及准确性。
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、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。
发明内容
有鉴于此,本公开提出了一种神经网络模型的中间结果的比较方法及装置。
根据本公开的一方面,提供了一种神经网络模型的中间结果的比较方法,所述方法包括:
针对神经网络模型的目标层,获取所述目标层的第一中间结果和第二中间结果,
其中,所述第一中间结果为根据多个第一子模型在所述目标层的输出结果得到的,所述多个第一子模型为采用第一拆分方案对所述神经网络模型进行拆分得到的,所述第二中间结果为根据多个第二子模型在所述目标层的输出结果得到的,所述多个第二子模型为采用第二拆分方案对所述神经网络模型进行拆分得到的;
比较所述第一中间结果和所述第二中间结果的精度,得到所述第一拆分方案和所述第二拆分方案的精度差异。
在一种可能的实现方式中,针对神经网络模型的目标层,获取所述目标层的第一中间结果和第二中间结果,包括:
针对神经网络模型的目标层,获取采用第一拆分方案对神经网络模型拆分后的多个第一子模型在所述目标层的输出结果、以及采用第二拆分方案对神经网络模型拆分后的多个第二子模型在所述目标层的输出结果;
根据所述第一拆分方案,和/或,与所述第一拆分方案对应的数据摆放方案对所述多个第一子模型在所述目标层的输出结果进行处理,得到所述神经网络模型在所述目标层的第一中间结果;
根据所述第二拆分方案,和/或,与所述第二拆分方案对应的数据摆放方案对所述多个第二子模型在所述目标层的输出结果进行处理,得到所述神经网络模型在所述目标层的第二中间结果。
在一种可能的实现方式中,根据所述第一拆分方案,和/或,与所述第一拆分方案对应的数据摆放方案对所述多个第一子模型的输出结果进行处理,得到所述神经网络模型在所述目标层的第一中间结果,包括:
根据所述第一拆分方案对所述多个第一子模型在所述目标层的输出结果进行拼接,得到第一拼接结果;
根据与所述第一拆分方案对应的数据摆放方案对所述第一拼接结果进行数据转置得到所述第一中间结果。
在一种可能的实现方式中,根据所述第一拆分方案,和/或,与所述第一拆分方案对应的数据摆放方案对所述多个第一子模型的输出结果进行处理,得到所述神经网络模型在所述目标层的第一中间结果,还包括:
若对所述多个第一子模型在所述目标层的输入数据进行了数据补齐操作,则在对所述第一拼接结果进行数据转置之前,去除所述第一拼接结果的冗余数据,或者在得到所述第一拼接结果之前,去除多个第一子模型在所述目标层的输出结果的冗余数据。
在一种可能的实现方式中,根据所述第二拆分方案,和/或,与所述第二拆分方案对应的数据摆放方案对所述多个第二子模型的输出结果进行处理,得到所述神经网络模型在所述目标层的第二中间结果,包括:
根据所述第二拆分方案对所述多个第二子模型在所述目标层的输出结果进行拼接,得到第二拼接结果;
根据与所述第二拆分方案对应的数据摆放方案对所述第二拼接结果进行数据转置得到所述第二中间结果。
在一种可能的实现方式中,根据所述第二拆分方案,和/或,与所述第二拆分方案对应的数据摆放方案对所述多个第二子模型的输出结果进行处理,得到所述神经网络模型在所述目标层的第二中间结果,还包括:
若对所述多个第二子模型在所述目标层的输入数据进行了数据补齐操作,则在对所述第二拼接结果进行数据转置之前,去除所述第二拼接结果的冗余数据,或者在得到所述第二拼接结果之前,去除多个第二子模型在所述目标层的输出结果的冗余数据。
在一种可能的实现方式中,比较所述第一中间结果和所述第二中间结果的精度,包括:
将第一中间结果和第二中间结果转换为第一数据类型后进行比较,其中,所述第一数据类型为能够进行精度比较的数据类型。
在一种可能的实现方式中,所述方法还包括:
在对所述多个第一子模型进行编译的过程中,为所述多个第一子模型在所述目标层的输出结果分配存储空间;
在对所述多个第二子模型进行编译的过程中,为所述多个第二子模型在所述目标层的输出结果分配存储空间。
在一种可能的实现方式中,所述方法还包括:
针对所述多个第一子模型中的每个第一子模型,对该第一子模型中相邻两个层对应的算子进行算子融合后,得到该第一子模型的第一融合层;
针对所述多个第二子模型中的每个第二子模型,对该第二子模型中与所述相邻两个层对应的算子进行算子融合后,得到该第二子模型的第二融合层。
在一种可能的实现方式中,针对神经网络模型的任一层,获取采用第一拆分方案对神经网络模型拆分后的多个第一子模型在所述目标层的输出结果、采用第二拆分方案对神经网络模型拆分后的多个第二子模型在所述目标层的输出结果,包括:
获取所述多个第一子模型的第一融合层的输出结果、以及所述多个第二子模型的第二融合层的输出结果。
根据本公开的另一方面,提供了一种神经网络模型的中间结果的比较装置,所述装置包括:
获取模块,用于针对神经网络模型的目标层,获取所述目标层的第一中间结果和第二中间结果,
其中,所述第一中间结果为根据多个第一子模型在所述目标层的输出结果得到的,所述多个第一子模型为采用第一拆分方案对所述神经网络模型进行拆分得到的,所述第二中间结果为根据多个第二子模型在所述目标层的输出结果得到的,所述多个第二子模型为采用第二拆分方案对所述神经网络模型进行拆分得到的;
比较模块,用于比较所述第一中间结果和所述第二中间结果的精度,得到所述第一拆分方案和所述第二拆分方案的精度差异。
在一种可能的实现方式中,所述获取模块包括:
获取单元,用于针对神经网络模型的目标层,获取采用第一拆分方案对神经网络模型拆分后的多个第一子模型在所述目标层的输出结果、以及采用第二拆分方案对神经网络模型拆分后的多个第二子模型在所述目标层的输出结果;
第一处理单元,用于根据所述第一拆分方案,和/或,与所述第一拆分方案对应的数据摆放方案对所述多个第一子模型在所述目标层的输出结果进行处理,得到所述神经网络模型在所述目标层的第一中间结果;
第二处理单元,用于根据所述第二拆分方案,和/或,与所述第二拆分方案对应的数据摆放方案对所述多个第二子模型在所述目标层的输出结果进行处理,得到所述神经网络模型在所述目标层的第二中间结果。
在一种可能的实现方式中,所述第一处理单元还用于:
根据所述第一拆分方案对所述多个第一子模型在所述目标层的输出结果进行拼接,得到第一拼接结果;
根据与所述第一拆分方案对应的数据摆放方案对所述第一拼接结果进行数据转置得到所述第一中间结果。
在一种可能的实现方式中,所述第一处理单元还用于:若对所述多个第一子模型在所述目标层的输入数据进行了数据补齐操作,则在对所述第一拼接结果进行数据转置之前,去除所述第一拼接结果的冗余数据,或者在得到所述第一拼接结果之前,去除多个第一子模型在所述目标层的输出结果的冗余数据。
在一种可能的实现方式中,所述第二处理单元还用于:
根据所述第二拆分方案对所述多个第二子模型在所述目标层的输出结果进行拼接,得到第二拼接结果;
根据与所述第二拆分方案对应的数据摆放方案对所述第二拼接结果进行数据转置得到所述第二中间结果。
在一种可能的实现方式中,所述第二处理单元还用于:
若对所述多个第二子模型在所述目标层的输入数据进行了数据补齐操作,则在对所述第二拼接结果进行数据转置之前,去除所述第二拼接结果的冗余数据,或者在得到所述第二拼接结果之前,去除多个第二子模型在所述目标层的输出结果的冗余数据。
在一种可能的实现方式中,所述比较模块包括:
比较单元,用于将第一中间结果和第二中间结果转换为第一数据类型后进行比较,其中,所述第一数据类型为能够进行精度比较的数据类型。
在一种可能的实现方式中,所述装置还包括:
第一编译模块,用于在对所述多个第一子模型进行编译的过程中,为所述多个第一子模型在所述目标层的输出结果分配存储空间;
第二编译模块,用于在对所述多个第二子模型进行编译的过程中,为所述多个第二子模型在所述目标层的输出结果分配存储空间。
在一种可能的实现方式中,所述装置还包括:
第一融合模块,用于针对所述多个第一子模型中的每个第一子模型,对该第一子模型中相邻两个层对应的算子进行算子融合后,得到该第一子模型的第一融合层;
第二融合模块,用于针对所述多个第二子模型中的每个第二子模型,对该第二子模型中与所述相邻两个层对应的算子进行算子融合后,得到该第二子模型的第二融合层。
在一种可能的实现方式中,所述获取单元还用于:
获取所述多个第一子模型的第一融合层的输出结果、以及所述多个第二子模型的第二融合层的输出结果。
根据本公开的另一方面,提供了一种神经网络模型的中间结果的比较装置,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。
通过本公开的比较方法或装置,可以根据神经网络模型被拆分后的子模型在目标层的输出结果得到神经网络模型在目标层的中间结果,可以实现对采用不同拆分方案进行拆分后的子模型在目标层的中间结果进行精度的比较,可以得到不同拆分方案的精度差异。
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模型的中间结果的比较方法的流程图。
图2示出根据本公开一实施例的步骤S11的方法的流程图。
图3示出根据本公开一实施例的步骤S112的方法的流程图。
图4示出根据本公开一实施例的步骤S113的方法的流程图。
图5示出根据本公开一实施例的神经网络模型的中间结果的比较方法的流程图。
图6示出根据本公开一实施例的神经网络模型的中间结果的比较装置的框图。
图7示出根据本公开一实施例的神经网络模型的中间结果的比较装置的框图。
图8是根据一示例性实施例示出的一种用于神经网络模型的中间结果的比较装置的框图。
图9是根据一示例性实施例示出的一种用于神经网络模型的中间结果的比较装置的框图。
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。
神经网络模型经过算子层面的拆分后,得到多个可以并行运行的子模型,不易比较中间结果,无法比较不同拆分方案之间的精度。
为了解决上述问题,本公开提供了一种神经网络模型的中间结果的比较方法。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模型的中间结果的比较方法的流程图。如图1所示,该方法可以包括:
步骤S11,针对神经网络模型的目标层,获取所述目标层的第一中间结果和第二中间结果;
其中,所述第一中间结果为根据多个第一子模型在所述目标层的输出结果得到的,所述多个第一子模型为采用第一拆分方案对所述神经网络模型进行拆分得到的,所述第二中间结果为根据多个第二子模型在所述目标层的输出结果得到的,所述多个第二子模型为采用第二拆分方案对所述神经网络模型进行拆分得到的;
步骤S12,比较所述第一中间结果和所述第二中间结果的精度,得到所述第一拆分方案和所述第二拆分方案的精度差异。
其中,目标层可以为神经网络模型中的任意一层或者多层,本公开对此不作限定,例如,可以是卷积层或者池化层,或者卷积层和池化层,或者全连接层,等等。第一拆分方案和第二拆分方案可以是指对神经网络模型进行算子层拆分的方案,例如,把一个算子拆分成多个规模更小的子算子,相应的,神经网络模型被拆分为多个子模型,还可以根据拆分方案对算子的输入数据进行拆分,可以对神经网络模型中的多个算子(即多个层)进行拆分。第一拆分方案和第二拆分方案还可以包括其他层面的拆分,例如,网络层面的拆分,本公开对此不作限定。
第一拆分方案和第二拆分方案采用的具体的拆分方式不同,在对算子进行拆分的过程中,不同的拆分方式可以对应不同的拆分方案,不同的拆分方式可以是指拆分后子模型的数量,也可以是指对输入数据拆分维度的不同。举例来说,以简单的向量求和对应的算子为例,第一拆分方案可以将算子拆分为3个子算子,第二拆分方案可以将算子拆分为4个子算子,这种方式的拆分可以不对输入数据的摆放方式进行处理;以输入数据为张量、对卷积算子进行拆分为例,假设张量为NHWC(batch,height,width,channels)四个维度描述的数据,其中,N代表数量,C代表通道数,H代表高度,W代表宽度,第一拆分方案可以是在C维度的拆分,第二拆分方案可以是在W维度的拆分,针对这两种拆分方案,可以对输入数据的摆放顺序进行相应的调整,以便于子模型(子算子)读取输入数据。以上拆分方式仅仅是本公开的一些示例,不以任何方式限制本公开。
可以采用多个子模型对相应的拆分后的输入数据进行处理,不同的拆分方案得到的子模型对拆分后的输入数据进行处理后得到的输出结果可能不同,根据各个子模型在目标层的输出结果可以得到神经网络模型在目标层的中间结果,例如,将各个子模型在目标层的输出结果进行拼接、数据转置、去除冗余数据等处理得到神经网络模型在目标层的输出结果,具体的过程将在下文中介绍。
对于采用第一拆分方案和第二拆分方案进行拆分,都可以通过上述过程分别获得第一拆分方案对应的第一中间结果和第二拆分方案对应的第二中间结果,通过比较第一中间结果和第二中间结果的精度,得到第一拆分方案和第二拆分方案的精度差异。
这里的比较第一中间结果和第二中间结果的精度可以是指,将第一中间结果和第二中间结果都与未拆分的神经网络模型在目标层的输出结果进行比较,比较两者与未拆分的神经网络模型在目标层的输出结果的差异。
通过以上过程,可以根据神经网络模型被拆分后的子模型在目标层的输出结果得到神经网络模型在目标层的中间结果,可以实现对采用不同拆分方案进行拆分后的子模型在目标层的中间结果进行精度的比较,可以得到不同拆分方案的精度差异。
在一种可能的实现方式中,得到不同拆分方案的精度差异之后,可以根据精度差异对拆分后的多个子模型debug,确定比较优选的拆分方案,等等。
图2示出根据本公开一实施例的步骤S11的方法的流程图。如图2所示,在一种可能的实现方式中,步骤S11可以包括:
步骤S111,针对神经网络模型的目标层,获取采用第一拆分方案对神经网络模型拆分后的多个第一子模型在所述目标层的输出结果、以及采用第二拆分方案对神经网络模型拆分后的多个第二子模型在所述目标层的输出结果;
步骤S112,根据所述第一拆分方案,和/或,与所述第一拆分方案对应的数据摆放方案对所述多个第一子模型在所述目标层的输出结果进行处理,得到所述神经网络模型在所述目标层的第一中间结果;
步骤S113,根据所述第二拆分方案,和/或,与所述第二拆分方案对应的数据摆放方案对所述多个第二子模型在所述目标层的输出结果进行处理,得到所述神经网络模型在所述目标层的第二中间结果。
对于步骤S111,在一种可能的实现方式中,可以在对所述多个第一子模型进行编译的过程中,为所述多个第一子模型在所述目标层的输出结果分配存储空间;以及,可以在对所述多个第二子模型进行编译的过程中,为所述多个第二子模型在所述目标层的输出结果分配存储空间。也就是,不管是对于多个第一子模型还是多个第二子模型,在编译过程中分配静态存储空间用于存储第一子模型或者第二子模型在目标层的输出结果,可以避免由于内存复用导致中间层的输出结果被覆盖而无法获得。需要说明的是,对多个第一子模型进行编译的过程和对多个第二子模型进行编译的过程发生的时间可以同步、可以不同步,先后顺序也不限定。以上在编译过程中分配静态内存的方式仅仅是本公开的一个示例,本公开对此不作限定,本领域技术人员可以理解,还可以通过其他方式获得中间层(目标层)的输出结果,例如,将中间层(目标层)的输出结果存放在指定的存储位置等。
通过上述方式,可以获得拆分后形成的多个第一子模型在目标层的输出结果,以及多个第二子模型在目标层的输出结果。
对于步骤S112和步骤S113,如上所述,不同的拆分方案得到的子模型对拆分后的输入数据进行处理后得到的输出结果可能不同,因此,可以根据拆分方案对子模型在目标层的输出结果进行处理,得到神经网络模型在目标层的中间结果。
对于一些不同的拆分方案,输入数据的摆放方式也可以进行相应的调整,便于子模型读取各自的输入数据,也就是说,拆分方案具有与之对应的数据摆放方案。或者,也有可能是根据实际应用场景而需要对输入数据的摆放方式进行相应的调整,例如,上层数据的数据摆放方式是NCHW格式,但是计算的时候需要的数据摆放方式为NHWC格式,这种情况下,在拆分时,也需要有与拆分方案对应的数据摆放方案。
因此,在获得多个第一子模型在所述目标层的输出结果后,可以根据第一拆分方案,和/或,与第一拆分方案对应的数据摆放方案对所述多个第一子模型在所述目标层的输出结果进行处理,得到所述神经网络模型在所述目标层的第一中间结果;在获得多个第二子模型在所述目标层的输出结果后,对于第一拆分方案,可以根据第二拆分方案,和/或,与第二拆分方案对应的数据摆放方案对多个第二子模型在所述目标层的输出结果进行处理,得到所述神经网络模型在所述目标层的第二中间结果。可以理解的是,该处理可以是对输出结果的拼接、数据摆放、去除冗余数据等。
需要说明的是,图2中所示步骤S112和S113的顺序仅仅是本公开的一个示例,不以任何方式限制本公开。步骤S112和S113可以是并行进行的,也可以是先后进行,先后的顺序也不做限定。
在一种可能的实现方式中,本公开的比较方法还可以保存拆分方案以及与拆分方案对应的数据摆放方案,以便于在得到子模型的输出结果后,根据拆分方案以及与拆分方案对应的数据摆放方案确定对数据的具体处理的方式。
图3示出根据本公开一实施例的步骤S112的方法的流程图。
如图3所示,在一种可能的实现方式中,步骤S112可以包括:
步骤S1121,根据所述第一拆分方案对所述多个第一子模型在所述目标层的输出结果进行拼接,得到第一拼接结果;
步骤S1122,根据与所述第一拆分方案对应的数据摆放方案对所述第一拼接结果进行数据转置得到所述第一中间结果。
以上文的向量求和对应的算子为例,假设输入数据为[x1,x2,x3,x4,x5,x6,x7,x8]和[y1,y2,y3,y4,y5,y6,y7,y8],第一拆分方案为将向量求和对应的算子拆分为2个向量求和子算子,也就是说神经网络模型被拆分为2个第一子模型,一个向量求和子算子的输入数据可以为[x1,x2,x3,x4]和[y1,y2,y3,y4],该向量求和子算子的输出结果为[out1,out2,out3,out4],另一个向量求和子算子的输入数据可以为[x5,x6,x7,x8]和[y5,y6,y7,y8],该向量求和子算子的输出结果为[out5,out6,out7,out8]。因此,在获得两个向量求和子算子的输出结果后,可以将输出结果进行拼接,得到第一拼接结果[out1,out2,out3,out4,out5,out6,out7,out8]。对于上述示例中的拆分方案,不需要对输入数据的摆放顺序进行处理,因此,可以不执行步骤S1122对第一拼接结果的数据转置,可以直接将第一拼接结果作为第一中间结果。
在一种可能的实现方式中,步骤S112还可以包括:
步骤S1123,若对所述多个第一子模型在所述目标层的输入数据进行了数据补齐操作,则在对所述第一拼接结果进行数据转置之前,去除所述第一拼接结果的冗余数据,或者在得到所述第一拼接结果之前,去除多个第一子模型在所述目标层的输出结果的冗余数据。
其中,数据补齐操作是指为了适应存储或者处理器读取的需求,而需要在输入数据的某一维度上补入数据,这些补入的数据不会对运算结果产生影响。举例来说,若处理器在读取数据时,默认一次读取8位,若输入数据NHWC在C方向的维度为5,那么需要将C维度进行数据补齐操作,补齐到8维,补入的数据可以是0,以上8位和8维仅仅是一个示例,不以任何方式限制本公开,例如还可以是默认一次读取16位。
因此,对于这种情况需要去除冗余数据,去除冗余数据的过程可以是在拼接子模型在目标层的输出结果之前,也可以是在拼接之后,本公开对此不作限定。
举例来说,仍然以上文中的向量求和对应的算子为例,输入数据为[x1,x2,x3,x4,x5,x6,x7,x8]和[y1,y2,y3,y4,y5,y6,y7,y8],第一拆分方案为将向量求和的算子拆分为2个向量求和子算子,也就是说神经网络模型被拆分为2个第一子模型,一个向量求和子算子的输入数据可以为[x1,x2,x3,x4]和[y1,y2,y3,y4],另一个向量求和子算子的输入数据可以为[x5,x6,x7,x8]和[y5,y6,y7,y8]。以默认一次读取8位为例,则需要将输入数据进行补齐,补齐后分别为[x1,x2,x3,x4,0,0,0,0]和[y1,y2,y3,y4,0,0,0,0],以及[x1,x2,x3,x4,0,0,0,0]和[y1,y2,y3,y4,0,0,0,0];对应的输出结果分别为[out1,out2,out3,out4,0,0,0,0]和[out5,out6,out7,out8,0,0,0,0]。
因此,可以先去除两个向量求和子算子的输出结果的冗余数据,去除冗余数据之后,可以得到对应的输出结果分别为[out1,out2,out3,out4]和[out5,out6,out7,out8]。然后进行拼接、数据转置等处理。或者,也可以先拼接得到[out1,out2,out3,out4,0,0,0,0,out5,out6,out7,out8,0,0,0,0],然后去除冗余数据得到第一拼接结果[out1,out2,out3,out4,out5,out6,out7,out8],之后根据需要进行数据转置的处理。
图4示出根据本公开一实施例的步骤S113的方法的流程图。
如图4所示,在一种可能的实现方式中,步骤S113可以包括:
步骤S1131,根据所述第二拆分方案对所述多个第二子模型在所述目标层的输出结果进行拼接,得到第二拼接结果;
步骤S1132,根据与所述第二拆分方案对应的数据摆放方案对所述第二拼接结果进行数据转置得到所述第二中间结果。
步骤S1133,若对所述多个第二子模型在所述目标层的输入数据进行了数据补齐操作,则在对所述第二拼接结果进行数据转置之前,去除所述第二拼接结果的冗余数据,或者在得到所述第二拼接结果之前,去除多个第二子模型在所述目标层的输出结果的冗余数据。
对于步骤S1131-S1133可以参见上文中关于步骤S1121-S1123的过程的描述,不再赘述。
根据本公开的上述实施方式,可以根据不同的拆分方案获得神经网络模型在目标层的中间结果,对不同的拆分方案对应的中间结果进行比较,从而得到不同的拆分方案之间的精度差异。
在一种可能的实现方式中,步骤S12中的,比较所述第一中间结果和所述第二中间结果的精度,可以包括:
将第一中间结果和第二中间结果转换为第一数据类型后进行比较,其中,所述第一数据类型为能够进行精度比较的数据类型。
举例来说,第一数据类型可以为float浮点型,例如float32。第一中间结果和第二中间结果可能为其他类型的数据,例如整型等,将第一中间结果和第二中间结果转换为利于进行精度比较的数据类型,可以准确获得不同拆分方案之间的精度差异。
图5示出根据本公开一实施例的神经网络模型的中间结果的比较方法的流程图。在一种可能的实现方式中,所述方法还可以包括:
步骤S13,针对所述多个第一子模型中的每个第一子模型,对该第一子模型中相邻两个层对应的算子进行算子融合后,得到该第一子模型的第一融合层;
步骤S14,针对所述多个第二子模型中的每个第二子模型,对该第二子模型中与所述相邻两个层对应的算子进行算子融合后,得到该第二子模型的第二融合层。
其中,算子融合可以是指对两个算子的代码层融合,也就是将相邻两个层的算子进行算子融合后,将无法单独输出前一层的输出结果,如果需要获得前一层的输出结果,则需要打断融合。
对于多个第一子模型中的每个第一子模型都要进行算子融合,进行算子融合的算子也是拆分自同一个算子。
举例来说,对于步骤S13,对于神经网络模型进行拆分后得到2个第一子模型:第一子模型1和第一子模型2,其中,神经网络模型中的卷积层对应的卷积算子被拆分为卷积子算子11和卷积子算子12,池化层对应的池化算子被拆分为池化子算子11和池化子算子12,第一子模型1包括卷积子算子11和池化子算子11,第一子模型2包括卷积子算子12和池化子算子12,对第一子模型1进行卷子子算子11和池化子算子11进行算子融合,得到第一子模型1的第一融合层1,对第一子模型2进行卷子子算子12和池化子算子12进行算子融合,得到第一子模型2的第一融合层2。
对于步骤S14,对于神经网络模型进行拆分后得到3个第二子模型:第二子模型1、第二子模型2和第二子模型3,其中,神经网络模型中的卷积层对应的卷积算子被拆分为卷积子算子21、卷积子算子22和卷积子算子23,池化层对应的池化算子被拆分为池化子算子21、池化子算子22和池化子算子23,第二子模型1包括卷积子算子21和池化子算子21,第二子模型2包括卷积子算子22和池化子算子22,第二子模型3包括卷积子算子23和池化子算子23。对第二子模型1进行卷子子算子21和池化子算子21进行算子融合,得到第二子模型1的第二融合层1,对第二子模型2进行卷子子算子22和池化子算子22进行算子融合,得到第二子模型2的第二融合层2,对第二子模型3进行卷子子算子23和池化子算子23进行算子融合,得到第二子模型3的第二融合层3。
需要说明的是,图5中所示步骤S13和S14的顺序仅仅是本公开的一个示例,不以任何方式限制本公开。步骤S13和S14可以是并行进行的,也可以是先后进行,先后的顺序也不做限定。
在一种可能的实现方式中,步骤S111可以包括:获取所述多个第一子模型的第一融合层的输出结果、以及所述多个第二子模型的第二融合层的输出结果。也就是说,目标层为融合层:第一融合层和第二融合层。如上所述示例,可以分别获取第一融合层1和第一融合层2的输出结果,然后对第一融合层1和第一融合层2的输出结果执行步骤S112对应的过程得到第一中间结果;分别获取第二融合层1、第二融合层2和第二融合层3的输出结果,然后对第二融合层1、第二融合层2和第二融合层3的输出结果执行步骤S13对应的过程得到第二中间结果,比较该第一中间结果和第二中间结果的精度,可以确定两种不同的拆分方案之间在融合层的精度差异。
通过对相邻两层对应的算子进行算子融合,可以根据实际需求确定不同的拆分方案之间,在融合层对应的中间结果之间的精度,根据融合层对应的中间结果之间的精度衡量不同拆分方案之间的精度差异,进一步获得不同拆分方案之间的更加准确的精度差异。
应用示例
为了便于理解本公开的神经网络模型的中间结果的比较方法,下面以对神经网络模型进行的两种不同拆分的一个示例进行说明。
采用第一拆分方案对神经网络模型进行拆分得到第一子模型1和第二子模型2。采用第二拆分方案对神经网络模型进行拆分得到第二子模型1、第二子模型2和第二子模型3。假设要对神经网络模型的卷积层(池化层、或者卷积层与池化层的融合层)的中间结果进行比较。如果要比较融合层的中间结果,那么还需要将多个第一子模型和多个第二子模型的卷积层与池化层进行算子融合得到融合层。用户可以根据需求确定需要输出的各层的输出结果。
可以在对所述多个第一子模型进行编译的过程中,为所述多个第一子模型在卷积层(池化层、或者卷积层与池化层的融合层)的输出结果分配存储空间;以及,可以在对所述多个第二子模型进行编译的过程中,为所述多个第二子模型在卷积层(池化层、或者卷积层与池化层的融合层)的输出结果分配存储空间。
将卷积层(池化层、或者卷积层与池化层的融合层)的输出结果存在为其分配的存储空间中,并保留对应层的拆分方案、数据类型和数据摆放方案。在计算全部结束后,将多个第一子模型在卷积层(池化层、或者卷积层与池化层的融合层)的输出结果反向拼接并还原回可以精度比较的数据类型(32位浮点数)得到第一中间结果,将多个第二子模型在卷积层(池化层、或者卷积层与池化层的融合层)的输出结果反向拼接并还原回可以精度比较的数据类型(32位浮点数)得到第二中间结果,比较第一中间结果和第二中间结果的精度,该方案可以满足拆分后神经网络模型互相比较和拆分后的神经网络模型和CPU互相比较的功能。
如果神经网络模型的输入数据存在摆数,例如,神经网络模型的输入数据进行了C方向(或CW方向,或W方向)等的拆分,需要将拼接后的数据进行C方向除余(去除冗余数据),并执行数据转置来获得可读数据。
本公开提供了一种神经网络模型的中间结果的比较装置。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。
图6示出根据本公开一实施例的神经网络模型的中间结果的比较装置的框图。如图6所示,所述装置可以包括:
获取模块61,用于针对神经网络模型的目标层,获取所述目标层的第一中间结果和第二中间结果,
其中,所述第一中间结果为根据多个第一子模型在所述目标层的输出结果得到的,所述多个第一子模型为采用第一拆分方案对所述神经网络模型进行拆分得到的,所述第二中间结果为根据多个第二子模型在所述目标层的输出结果得到的,所述多个第二子模型为采用第二拆分方案对所述神经网络模型进行拆分得到的;
比较模块62,用于比较所述第一中间结果和所述第二中间结果的精度,得到所述第一拆分方案和所述第二拆分方案的精度差异。
通过本公开的比较装置,可以根据神经网络模型被拆分后的子模型在目标层的输出结果得到神经网络模型在目标层的中间结果,可以实现对采用不同拆分方案进行拆分后的子模型在目标层的中间结果进行精度的比较,可以得到不同拆分方案的精度差异。
图7示出根据本公开一实施例的神经网络模型的中间结果的比较装置的框图。如图7所示,在一种可能的实现方式中,所述获取模块61包括:
获取单元611,用于针对神经网络模型的目标层,获取采用第一拆分方案对神经网络模型拆分后的多个第一子模型在所述目标层的输出结果、以及采用第二拆分方案对神经网络模型拆分后的多个第二子模型在所述目标层的输出结果;
第一处理单元612,用于根据所述第一拆分方案,和/或,与所述第一拆分方案对应的数据摆放方案对所述多个第一子模型在所述目标层的输出结果进行处理,得到所述神经网络模型在所述目标层的第一中间结果;
第二处理单元613,用于根据所述第二拆分方案,和/或,与所述第二拆分方案对应的数据摆放方案对所述多个第二子模型在所述目标层的输出结果进行处理,得到所述神经网络模型在所述目标层的第二中间结果。
在一种可能的实现方式中,所述第一处理单元612还用于:
根据所述第一拆分方案对所述多个第一子模型在所述目标层的输出结果进行拼接,得到第一拼接结果;
根据与所述第一拆分方案对应的数据摆放方案对所述第一拼接结果进行数据转置得到所述第一中间结果。
在一种可能的实现方式中,所述第一处理单元612还用于:若对所述多个第一子模型在所述目标层的输入数据进行了数据补齐操作,则在对所述第一拼接结果进行数据转置之前,去除所述第一拼接结果的冗余数据,或者在得到所述第一拼接结果之前,去除多个第一子模型在所述目标层的输出结果的冗余数据。
在一种可能的实现方式中,所述第二处理单元613还用于:
根据所述第二拆分方案对所述多个第二子模型在所述目标层的输出结果进行拼接,得到第二拼接结果;
根据与所述第二拆分方案对应的数据摆放方案对所述第二拼接结果进行数据转置得到所述第二中间结果。
在一种可能的实现方式中,所述第二处理单元613还用于:
若对所述多个第二子模型在所述目标层的输入数据进行了数据补齐操作,则在对所述第二拼接结果进行数据转置之前,去除所述第二拼接结果的冗余数据,或者在得到所述第二拼接结果之前,去除多个第二子模型在所述目标层的输出结果的冗余数据。
在一种可能的实现方式中,所述比较模块62包括:
比较单元621,用于将第一中间结果和第二中间结果转换为第一数据类型后进行比较,其中,所述第一数据类型为能够进行精度比较的数据类型。
在一种可能的实现方式中,所述装置还包括:
第一编译模块63,用于在对所述多个第一子模型进行编译的过程中,为所述多个第一子模型在所述目标层的输出结果分配存储空间;
第二编译模块64,用于在对所述多个第二子模型进行编译的过程中,为所述多个第二子模型在所述目标层的输出结果分配存储空间。
在一种可能的实现方式中,所述装置还包括:
第一融合模块65,用于针对所述多个第一子模型中的每个第一子模型,对该第一子模型中相邻两个层对应的算子进行算子融合后,得到该第一子模型的第一融合层;
第二融合模块66,用于针对所述多个第二子模型中的每个第二子模型,对该第二子模型中与所述相邻两个层对应的算子进行算子融合后,得到该第二子模型的第二融合层。
在一种可能的实现方式中,所述获取单元611还用于:
获取所述多个第一子模型的第一融合层的输出结果、以及所述多个第二子模型的第二融合层的输出结果。
图8是根据一示例性实施例示出的一种用于神经网络模型的中间结果的比较装置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8,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9是根据一示例性实施例示出的一种用于神经网络模型的中间结果的比较装置1900的框图。例如,装置1900可以被提供为一服务器。参照图9,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 (22)
1.一种神经网络模型的中间结果的比较方法,其特征在于,所述方法应用于处理器,所述方法包括:
针对神经网络模型的目标层,获取所述目标层的第一中间结果和第二中间结果,
其中,所述第一中间结果为根据多个第一子模型在所述目标层的输出结果得到的,所述多个第一子模型为采用第一拆分方案对所述神经网络模型进行拆分得到的,所述第二中间结果为根据多个第二子模型在所述目标层的输出结果得到的,所述多个第二子模型为采用第二拆分方案对所述神经网络模型进行拆分得到的,所述第一拆分方案和所述第二拆分方案均为所述处理器利用所述神经网络模型执行运算任务中所能利用的备选拆分方案;
比较所述第一中间结果和所述第二中间结果的精度,得到所述第一拆分方案和所述第二拆分方案的精度差异,所述精度差异用于作为从所述第一拆分方案和所述第二拆分方案中选择出执行所述运算任务时对所述神经网络模型进行拆分的优选拆分方案的依据;
其中,所述运算任务包括以下任意一种:图像识别、语音识别。
2.根据权利要求1所述的方法,其特征在于,针对神经网络模型的目标层,获取所述目标层的第一中间结果和第二中间结果,包括:
针对神经网络模型的目标层,获取采用第一拆分方案对神经网络模型拆分后的多个第一子模型在所述目标层的输出结果、以及采用第二拆分方案对神经网络模型拆分后的多个第二子模型在所述目标层的输出结果;
根据所述第一拆分方案,和/或,与所述第一拆分方案对应的数据摆放方案对所述多个第一子模型在所述目标层的输出结果进行处理,得到所述神经网络模型在所述目标层的第一中间结果;
根据所述第二拆分方案,和/或,与所述第二拆分方案对应的数据摆放方案对所述多个第二子模型在所述目标层的输出结果进行处理,得到所述神经网络模型在所述目标层的第二中间结果。
3.根据权利要求2所述的方法,其特征在于,根据所述第一拆分方案,和/或,与所述第一拆分方案对应的数据摆放方案对所述多个第一子模型的输出结果进行处理,得到所述神经网络模型在所述目标层的第一中间结果,包括:
根据所述第一拆分方案对所述多个第一子模型在所述目标层的输出结果进行拼接,得到第一拼接结果;
根据与所述第一拆分方案对应的数据摆放方案对所述第一拼接结果进行数据转置得到所述第一中间结果。
4.根据权利要求3所述的方法,其特征在于,根据所述第一拆分方案,和/或,与所述第一拆分方案对应的数据摆放方案对所述多个第一子模型的输出结果进行处理,得到所述神经网络模型在所述目标层的第一中间结果,还包括:
若对所述多个第一子模型在所述目标层的输入数据进行了数据补齐操作,则在对所述第一拼接结果进行数据转置之前,去除所述第一拼接结果的冗余数据,或者在得到所述第一拼接结果之前,去除多个第一子模型在所述目标层的输出结果的冗余数据。
5.根据权利要求2所述的方法,其特征在于,根据所述第二拆分方案,和/或,与所述第二拆分方案对应的数据摆放方案对所述多个第二子模型的输出结果进行处理,得到所述神经网络模型在所述目标层的第二中间结果,包括:
根据所述第二拆分方案对所述多个第二子模型在所述目标层的输出结果进行拼接,得到第二拼接结果;
根据与所述第二拆分方案对应的数据摆放方案对所述第二拼接结果进行数据转置得到所述第二中间结果。
6.根据权利要求5所述的方法,其特征在于,根据所述第二拆分方案,和/或,与所述第二拆分方案对应的数据摆放方案对所述多个第二子模型的输出结果进行处理,得到所述神经网络模型在所述目标层的第二中间结果,还包括:
若对所述多个第二子模型在所述目标层的输入数据进行了数据补齐操作,则在对所述第二拼接结果进行数据转置之前,去除所述第二拼接结果的冗余数据,或者在得到所述第二拼接结果之前,去除多个第二子模型在所述目标层的输出结果的冗余数据。
7.根据权利要求1-6任意一项所述的方法,其特征在于,比较所述第一中间结果和所述第二中间结果的精度,包括:
将第一中间结果和第二中间结果转换为第一数据类型后进行比较,其中,所述第一数据类型为能够进行精度比较的数据类型。
8.根据权利要求1-6任意一项所述的方法,其特征在于,所述方法还包括:
在对所述多个第一子模型进行编译的过程中,为所述多个第一子模型在所述目标层的输出结果分配存储空间;
在对所述多个第二子模型进行编译的过程中,为所述多个第二子模型在所述目标层的输出结果分配存储空间。
9.根据权利要求1-6任意一项所述的方法,其特征在于,所述方法还包括:
针对所述多个第一子模型中的每个第一子模型,对该第一子模型中相邻两个层对应的算子进行算子融合后,得到该第一子模型的第一融合层;
针对所述多个第二子模型中的每个第二子模型,对该第二子模型中与所述相邻两个层对应的算子进行算子融合后,得到该第二子模型的第二融合层。
10.根据权利要求9所述的方法,其特征在于,针对神经网络模型的任一层,获取采用第一拆分方案对神经网络模型拆分后的多个第一子模型在所述目标层的输出结果、采用第二拆分方案对神经网络模型拆分后的多个第二子模型在所述目标层的输出结果,包括:
获取所述多个第一子模型的第一融合层的输出结果、以及所述多个第二子模型的第二融合层的输出结果。
11.一种神经网络模型的中间结果的比较装置,其特征在于,所述装置应用于处理器,所述装置包括:
获取模块,用于针对神经网络模型的目标层,获取所述目标层的第一中间结果和第二中间结果,
其中,所述第一中间结果为根据多个第一子模型在所述目标层的输出结果得到的,所述多个第一子模型为采用第一拆分方案对所述神经网络模型进行拆分得到的,所述第二中间结果为根据多个第二子模型在所述目标层的输出结果得到的,所述多个第二子模型为采用第二拆分方案对所述神经网络模型进行拆分得到的,所述第一拆分方案和所述第二拆分方案均为所述处理器利用所述神经网络模型执行运算任务中所能利用的备选拆分方案;
比较模块,用于比较所述第一中间结果和所述第二中间结果的精度,得到所述第一拆分方案和所述第二拆分方案的精度差异,所述精度差异用于作为从所述第一拆分方案和所述第二拆分方案中选择出执行所述运算任务时对所述神经网络模型进行拆分的优选拆分方案的依据;
其中,所述运算任务包括以下任意一种:图像识别、语音识别。
12.根据权利要求11所述的装置,其特征在于,所述获取模块包括:
获取单元,用于针对神经网络模型的目标层,获取采用第一拆分方案对神经网络模型拆分后的多个第一子模型在所述目标层的输出结果、以及采用第二拆分方案对神经网络模型拆分后的多个第二子模型在所述目标层的输出结果;
第一处理单元,用于根据所述第一拆分方案,和/或,与所述第一拆分方案对应的数据摆放方案对所述多个第一子模型在所述目标层的输出结果进行处理,得到所述神经网络模型在所述目标层的第一中间结果;
第二处理单元,用于根据所述第二拆分方案,和/或,与所述第二拆分方案对应的数据摆放方案对所述多个第二子模型在所述目标层的输出结果进行处理,得到所述神经网络模型在所述目标层的第二中间结果。
13.根据权利要求12所述的装置,其特征在于,所述第一处理单元还用于:
根据所述第一拆分方案对所述多个第一子模型在所述目标层的输出结果进行拼接,得到第一拼接结果;
根据与所述第一拆分方案对应的数据摆放方案对所述第一拼接结果进行数据转置得到所述第一中间结果。
14.根据权利要求13所述的装置,其特征在于,所述第一处理单元还用于:若对所述多个第一子模型在所述目标层的输入数据进行了数据补齐操作,则在对所述第一拼接结果进行数据转置之前,去除所述第一拼接结果的冗余数据,或者在得到所述第一拼接结果之前,去除多个第一子模型在所述目标层的输出结果的冗余数据。
15.根据权利要求12所述的装置,其特征在于,所述第二处理单元还用于:
根据所述第二拆分方案对所述多个第二子模型在所述目标层的输出结果进行拼接,得到第二拼接结果;
根据与所述第二拆分方案对应的数据摆放方案对所述第二拼接结果进行数据转置得到所述第二中间结果。
16.根据权利要求15所述的装置,其特征在于,所述第二处理单元还用于:
若对所述多个第二子模型在所述目标层的输入数据进行了数据补齐操作,则在对所述第二拼接结果进行数据转置之前,去除所述第二拼接结果的冗余数据,或者在得到所述第二拼接结果之前,去除多个第二子模型在所述目标层的输出结果的冗余数据。
17.根据权利要求11-16任意一项所述的装置,其特征在于,所述比较模块包括:
比较单元,用于将第一中间结果和第二中间结果转换为第一数据类型后进行比较,其中,所述第一数据类型为能够进行精度比较的数据类型。
18.根据权利要求11-16任意一项所述的装置,其特征在于,所述装置还包括:
第一编译模块,用于在对所述多个第一子模型进行编译的过程中,为所述多个第一子模型在所述目标层的输出结果分配存储空间;
第二编译模块,用于在对所述多个第二子模型进行编译的过程中,为所述多个第二子模型在所述目标层的输出结果分配存储空间。
19.根据权利要求11-16任意一项所述的装置,其特征在于,所述装置还包括:
第一融合模块,用于针对所述多个第一子模型中的每个第一子模型,对该第一子模型中相邻两个层对应的算子进行算子融合后,得到该第一子模型的第一融合层;
第二融合模块,用于针对所述多个第二子模型中的每个第二子模型,对该第二子模型中与所述相邻两个层对应的算子进行算子融合后,得到该第二子模型的第二融合层。
20.根据权利要求19所述的装置,其特征在于,所述获取单元还用于:
获取所述多个第一子模型的第一融合层的输出结果、以及所述多个第二子模型的第二融合层的输出结果。
21.一种神经网络模型的中间结果的比较装置,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时实现权利要求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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910363385.0A CN111860796B (zh) | 2019-04-30 | 2019-04-30 | 运算方法、装置及相关产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910363385.0A CN111860796B (zh) | 2019-04-30 | 2019-04-30 | 运算方法、装置及相关产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111860796A CN111860796A (zh) | 2020-10-30 |
CN111860796B true CN111860796B (zh) | 2023-10-03 |
Family
ID=72965871
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910363385.0A Active CN111860796B (zh) | 2019-04-30 | 2019-04-30 | 运算方法、装置及相关产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111860796B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4264502A1 (en) * | 2021-07-06 | 2023-10-25 | Samsung Electronics Co., Ltd. | Method and electronic device for generating optimal neural network (nn) model |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106155635A (zh) * | 2015-04-03 | 2016-11-23 | 北京奇虎科技有限公司 | 一种数据处理方法和装置 |
WO2017176384A2 (en) * | 2016-02-24 | 2017-10-12 | Sri International | Low precision neural networks using subband decomposition |
CN107316079A (zh) * | 2017-08-08 | 2017-11-03 | 珠海习悦信息技术有限公司 | 终端卷积神经网络的处理方法、装置、存储介质及处理器 |
WO2018058427A1 (zh) * | 2016-09-29 | 2018-04-05 | 北京中科寒武纪科技有限公司 | 神经网络运算装置及方法 |
CN107886167A (zh) * | 2016-09-29 | 2018-04-06 | 北京中科寒武纪科技有限公司 | 神经网络运算装置及方法 |
CN109426701A (zh) * | 2017-08-30 | 2019-03-05 | 西门子(中国)有限公司 | 数据模型的运行方法、运行系统和存储介质 |
CN109657782A (zh) * | 2018-12-14 | 2019-04-19 | 北京中科寒武纪科技有限公司 | 运算方法、装置及相关产品 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102476103B1 (ko) * | 2015-11-13 | 2022-12-12 | 삼성전자주식회사 | 공유 컨텐츠 운용 방법 및 이를 지원하는 전자 장치 |
-
2019
- 2019-04-30 CN CN201910363385.0A patent/CN111860796B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106155635A (zh) * | 2015-04-03 | 2016-11-23 | 北京奇虎科技有限公司 | 一种数据处理方法和装置 |
WO2017176384A2 (en) * | 2016-02-24 | 2017-10-12 | Sri International | Low precision neural networks using subband decomposition |
WO2018058427A1 (zh) * | 2016-09-29 | 2018-04-05 | 北京中科寒武纪科技有限公司 | 神经网络运算装置及方法 |
CN107886167A (zh) * | 2016-09-29 | 2018-04-06 | 北京中科寒武纪科技有限公司 | 神经网络运算装置及方法 |
CN107316079A (zh) * | 2017-08-08 | 2017-11-03 | 珠海习悦信息技术有限公司 | 终端卷积神经网络的处理方法、装置、存储介质及处理器 |
CN109426701A (zh) * | 2017-08-30 | 2019-03-05 | 西门子(中国)有限公司 | 数据模型的运行方法、运行系统和存储介质 |
CN109657782A (zh) * | 2018-12-14 | 2019-04-19 | 北京中科寒武纪科技有限公司 | 运算方法、装置及相关产品 |
Non-Patent Citations (1)
Title |
---|
基于数字脊波和样条权神经网络的高光谱图像融合分类;赵春晖;尤佳;;黑龙江大学工程学报(04) * |
Also Published As
Publication number | Publication date |
---|---|
CN111860796A (zh) | 2020-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110647834B (zh) | 人脸和人手关联检测方法及装置、电子设备和存储介质 | |
CN109614876B (zh) | 关键点检测方法及装置、电子设备和存储介质 | |
CN109697734B (zh) | 位姿估计方法及装置、电子设备和存储介质 | |
CN111222637B (zh) | 神经网络模型部署方法及装置、电子设备和存储介质 | |
CN111445493B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
JP7096888B2 (ja) | ネットワークモジュール、割り当て方法及び装置、電子機器並びに記憶媒体 | |
CN110516678B (zh) | 图像处理方法和装置 | |
CN110162338B (zh) | 运算方法、装置及相关产品 | |
CN111563138B (zh) | 定位方法及装置、电子设备和存储介质 | |
CN113065591B (zh) | 目标检测方法及装置、电子设备和存储介质 | |
CN111815750A (zh) | 对图像打光的方法及装置、电子设备和存储介质 | |
CN110633715B (zh) | 图像处理方法、网络训练方法及装置、和电子设备 | |
CN109903252B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN111860796B (zh) | 运算方法、装置及相关产品 | |
CN109635926B (zh) | 用于神经网络的注意力特征获取方法、装置及存储介质 | |
CN111694571B (zh) | 编译方法及装置 | |
CN112102300A (zh) | 计数方法及装置、电子设备和存储介质 | |
CN115100492B (zh) | Yolov3网络训练、pcb表面缺陷检测方法及装置 | |
CN111354444A (zh) | 病理切片图像的展示方法及装置、电子设备和存储介质 | |
CN111488964A (zh) | 图像处理方法及装置、神经网络训练方法及装置 | |
CN115457024A (zh) | 冷冻电镜图像处理方法、装置、电子设备及存储介质 | |
RU2645590C2 (ru) | Способ и устройство обработки информации | |
CN111275191B (zh) | 检测细胞的方法及装置、电子设备和存储介质 | |
CN111290692B (zh) | 图片显示方法、装置、电子设备及计算机可读介质 | |
CN108549570B (zh) | 用户界面的更新方法及装置 |
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 |