CN112070221B - 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
- CN112070221B CN112070221B CN202010840605.7A CN202010840605A CN112070221B CN 112070221 B CN112070221 B CN 112070221B CN 202010840605 A CN202010840605 A CN 202010840605A CN 112070221 B CN112070221 B CN 112070221B
- Authority
- CN
- China
- Prior art keywords
- node
- nodes
- graph
- attribute
- converging
- 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
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000004364 calculation method Methods 0.000 claims description 38
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012217 deletion Methods 0.000 claims description 8
- 230000037430 deletion Effects 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 5
- 238000003058 natural language processing Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 38
- 238000003062 neural network model Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 20
- 238000013528 artificial neural network Methods 0.000 description 19
- 238000004891 communication Methods 0.000 description 10
- 238000013473 artificial intelligence Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000010801 machine learning Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000003491 array Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 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
- 230000000694 effects Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing 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
- 239000004065 semiconductor Substances 0.000 description 1
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
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Neurology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Debugging And Monitoring (AREA)
- Stored Programmes (AREA)
Abstract
本公开涉及一种运算方法、装置及相关产品，所述产品包括处理组件，其进一步包括一个或多个处理器，以及由存储器所代表的存储器资源，用于存储可由处理组件的执行的指令。存储器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，处理组件被配置为执行指令。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，尤其涉及一种运算方法、装置及相关产品。
背景技术
在人工智能技术领域，神经网络算法是最近非常流行的一种机器学习算法，在各种领域中都取得了非常好的效果，比如图像识别，语音识别，自然语言处理等。随着神经网络算法的发展，算法的复杂度也越来越高，为了提高识别度，模型的规模也在逐渐增大。用GPU和CPU处理起这些大规模的模型，要花费大量的计算时间，并且耗电量很大。
发明内容
有鉴于此，本公开提出了一种调试方法及装置。
根据本公开的一方面，提供了一种调试方法，所述方法包括：
确定计算图中的第一节点，其中，所述第一节点的属性中包括中断属性；
删除所述计算图中所述第一节点的后序节点，并将所述第一节点连接到会聚节点，
其中，所述后序节点为所述计算图中按照前向遍历的顺序位于所述第一节点之后、且与所述第一节点属于同一分支的节点。
在一种可能的实现方式中，删除所述计算图中所述第一节点的后序节点，并将所述第一节点连接到会聚节点，包括：
将所述第一节点连接到会聚节点；
从所述会聚节点开始，逆向遍历所述计算图中的节点，删除所述计算图中没有被遍历到的节点。
在一种可能的实现方式中，删除所述计算图中所述第一节点的后序节点，并将所述第一节点连接到会聚节点，包括：
根据所述计算图的拓扑排序删除所述第一节点的后序节点；
将所述第一节点连接到会聚节点。
在一种可能的实现方式中，若存在两个以上所述第一节点，且其中一个第一节点是源节点到另一第一节点的必经节点，则该一个第一节点的中断属性无效。
在一种可能的实现方式中，所述方法还包括：
确定计算图中的第二节点，其中，所述第二节点的属性中包括输出属性；
将所述第二节点连接到会聚节点。
在一种可能的实现方式中，所述方法还包括：
运行所述计算图，输出所述第一节点和第二节点的输出结果。
在一种可能的实现方式中，所述方法还包括：
创建源节点和会聚节点；
遍历图定义文件中的每一个节点，根据每一个节点的输入节点以及出度、所述源节点和会聚节点构建所述计算图。
在一种可能的实现方式中，根据每一个节点的输入节点以及出度、所述源节点和会聚节点构建所述计算图，包括：
根据节点的输入节点建立节点之间的连接关系；
将没有输入节点的节点连接到所述源节点；
在非调试模式下，将出度为0的节点连接到所述会聚节点。
根据本公开的另一方面，提供了一种调试装置，所述装置包括：
第一确定模块，用于确定计算图中的第一节点，其中，所述第一节点的属性中包括中断属性；
删除模块，用于删除所述计算图中所述第一节点的后序节点，并将所述第一节点连接到会聚节点，
其中，所述后序节点为所述计算图中按照前向遍历的顺序位于所述第一节点之后、且与所述第一节点属于同一分支的节点。
在一种可能的实现方式中，所述删除模块包括：
第一连接单元，用于将所述第一节点连接到会聚节点；
第一删除单元，用于从所述会聚节点开始，逆向遍历所述计算图中的节点，删除所述计算图中没有被遍历到的节点。
在一种可能的实现方式中，所述删除模块包括：
第二删除单元，用于根据所述计算图的拓扑排序删除所述第一节点的后序节点；
第一连接单元，用于将所述第一节点连接到会聚节点。
在一种可能的实现方式中，若存在两个以上第一节点，且其中一个第一节点是源节点到另一第一节点的必经节点，则该一个第一节点的中断属性无效。
在一种可能的实现方式中，所述装置还包括：
第二确定模块，用于确定计算图中的第二节点，其中，所述第二节点的属性中包括输出属性；
第一连接模块，用于将所述第二节点连接到会聚节点。
在一种可能的实现方式中，所述装置还包括：
运行模块，用于运行所述计算图，输出所述第一节点和第二节点的输出结果。
在一种可能的实现方式中，所述装置还包括：
创建模块，用于创建源节点和会聚节点；
构建模块，用于遍历图定义文件中的每一个节点，根据每一个节点的输入节点以及出度、所述源节点和会聚节点构建所述计算图。
在一种可能的实现方式中，所述构建模块包括：
建立单元，用于根据节点的输入节点建立节点之间的连接关系；
第三连接单元，用于将没有输入节点的节点连接到所述源节点；
第四连接单元，用于在非调试模式下，将出度为0的节点连接到所述会聚节点。
根据本公开的另一方面，提供了一种调试装置，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。
通过确定计算图中包括中断属性的第一节点，删除计算图中按照前向遍历的顺序位于所述第一节点之后、且与所述第一节点属于同一分支的节点，也就是删除掉不需要运算的节点，将第一节点直接连接到会聚节点。这样，在需要对神经网络进行调试时，通过设置计算图中节点的中断属性即可实现，相比于现有技术比较方便，另外，计算图中节点之间的连接关系非常直观，不容易出错。本公开的调试方法便于调试人员快速、准确定位有问题的层。
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调试方法的流程图。
图2a和图2b分别示出根据本公开一示例的计算图的示意图。
图3示出根据本公开一实施例的调试方法的流程图。
图4示出根据本公开一实施例的步骤S14的方法的流程图。
图5示出根据本公开一实施例的步骤S12的方法的流程图。
图6示出根据本公开一实施例的步骤S12的方法的流程图。
图7示出根据本公开一实施例的调试方法的流程图。
图8示出根据本公开一实施例的构建计算图的流程图。
图9示出根据本公开一实施例的调试装置的框图。
图10示出根据本公开一实施例的调试装置的框图。
图11示出根据本公开一实施例的调试装置的框图。
图12示出根据本公开一实施例的调试装置的框图。
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。
神经网络调试过程，需要只运行一部分网络，相关技术中通过注释掉部分网络之外的网络实现，这种方式修改不方便，导致调试人员调试效率低、并且很容易出错。
为了解决上述技术问题，本公开提供了一种调试方法。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(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1示出根据本公开一实施例的调试方法的流程图。如图1所示，该调试方法可以包括：
步骤S11，确定计算图中的第一节点，其中，所述第一节点的属性中包括中断属性；
步骤S12，删除所述计算图中所述第一节点的后序节点，并将所述第一节点连接到会聚节点，
其中，所述后序节点为所述计算图中按照前向遍历的顺序位于所述第一节点之后、且与所述第一节点属于同一分支的节点。
通过确定计算图中包括中断属性的第一节点，删除计算图中按照前向遍历的顺序位于所述第一节点之后、且与所述第一节点属于同一分支的节点，也就是删除掉不需要运算的节点，将第一节点直接连接到会聚节点。这样，在需要对神经网络进行调试时，通过设置计算图中节点的中断属性即可实现，相比于现有技术比较方便，另外，计算图中节点之间的连接关系非常直观，不容易出错。本公开的调试方法便于调试人员快速、准确定位有问题的层。
其中，计算图(Computational Graph)是通过图论语言表示数据函数的一种方式。在图论中节点通过边连接，节点代表事物，连接两节点的边表示两个事物间具有的关系。而计算图中用节点代表神经网络中的输入值或者算子，连接两节点的边表示两点之间的输入输出关系，边还可以附有权值等。
其中，会聚(Sink)节点可以是为便于快速找到计算图的输出而设置的节点，是对计算图中输出结果进行会聚的节点。将第一节点连接到会聚节点，也就表示第一节点的运算结果需要输出，这样，就可以实现对神经网络的调试。
在一种可能的实现方式中，处理器可以根据配置文件先对计算图进行配置，配置文件可以是记录了神经网络的计算图中每个节点的名称、参数、属性以及节点之间连接关系的文件。处理器可以根据配置文件配置计算图中的每个节点，并根据每个节点的名称、参数、属性以及节点之间连接关系等构建计算图。
上述中断属性可以是指运行神经网络对应的计算图时，运行到带有中断属性的节点后，不再继续往下运行。在一种可能的实现方式中，在配置文件中可以记录节点的中断属性，例如，在节点的定义部分可以通过设置属性“break＝true”表示中断属性，如果节点的定义部分设置属性“break＝false”，或者未设置属性“break”，则不中断，可以说明该节点为非中断属性。这样，处理器解析配置文件后，可以根据配置文件中记载的节点的属性配置节点的属性。也就是说，在一种可能的实现方式中，可以根据节点的属性确定计算图中的第一节点。
在一种可能的实现方式中，在调试时，可以在一个计算图中设置多个节点具有中断属性，也就是说计算图中可以包括多个第一节点，这个多个第一节点可以位于不同的分支上，也可以位于同一分支上，本公开对此不作限定。
图2a和图2b分别示出根据本公开一示例的计算图的示意图。如图2a所示，节点6和节点7都可以包括中断属性，也就是说，在步骤S11中，可以确定计算图中断的节点6和节点7为第一节点。在图2a中包括一个Source节点，也就是源节点，该节点为便于快速找到整个计算图的输入设置，节点1和节点4为计算图的输入节点。
与第一节点属于同一分支的节点可以是指，由源节点到该节点进行前序遍历必然要经过第一节点，则该节点与第一节点属于同一分支。如图2a所示，节点11与节点6属于同一分支，节点12与节点6属于同一分支，但是节点11和节点12不属于同一分支。
对于步骤S12，可以根据拓扑排序将计算图中第一节点的后序节点都删除，并将第一节点都连接到会聚节点上，如图2b所示，删除了节点9、节点10、节点11和节点12。将节点6和节点7连接到了Sink节点上。
这样，在需要对神经网络进行调试时，通过设置计算图中节点的中断属性即可实现，处理器可以根据节点的属性确定节点是否具有中断属性，对于具有中断属性的节点，删除其后序节点并将具有中断属性的节点连接到会聚节点，即可实现调试，相比于现有技术比较方便，另外，计算图中节点之间的连接关系非常直观，不容易出错。
图3示出根据本公开一实施例的调试方法的流程图。如图3所示，在一种可能的实现方式中，所述方法还可以包括：
步骤S13，创建源节点和会聚节点；
步骤S14，遍历图定义文件中的每一个节点，根据每一个节点的输入节点以及出度、所述源节点和会聚节点构建所述计算图。
上文中提到，处理器可以根据配置文件配置计算图中的每个节点，然后根据每个节点的名称、参数、属性以及节点之间的连接关系等构建计算图。
具体来说，处理器可以解析配置文件得到第一数组，所述第一数组中包括表示所述计算图的节点的第一对象，每个第一对象包括节点属性键值对以及节点参数键值对，其中，所述节点属性键值对用于记录节点的属性，节点参数键值对用于记录节点的参数。第一数组可以是JSON(JavaScript Object Notation，JS对象简谱)数组，第一对象可以是JSON对象，计算图中的每个节点可以用JSON数组中的JSON对象表示，JSON对象可以用键值对描述计算图中的节点，一个JSON对象可以包括一个或多个键值对，多个键值对可以描述节点的不同信息。需要说明的是，第一数组不限于JSON数据，第一对象不限于JSON对象。
其中，节点参数键值对可以包括节点名称键值对和运算键值对，节点名称键值对用于记录节点的名称，运算键值对用于记录节点的操作类型。节点的操作类型也就是节点的运算operation，例如，reshape、transpose等。
举例来说，节点名称键值对的key可以为name、value可以是string(字符串)，运算键值对的key可以为op、value可以是string。节点属性键值对的key可以为attrs、值value可以为JSON对象，JSON对象的key和value都可以是string，string可以取不同的值，进而表示不同的属性。
第一对象(JSON对象)还可以包括结构键值对，结构键值对用于记录结构键值对所属节点的输入节点，例如，结构键值对的值可以记录结构键值对所属节点的输入节点的名称，其中，节点的输入节点的输出数据作为该节点的输入数据。举例来说，结构键值对的key可以为input、value可以是string。
例如，一个节点可以表示为：
{
"name":"Add",
"op":"Add",
"inputs":["Input1",
"Input2"],
"attrs":
[
{"key":"break",
"value":"true"},
]
}，
其中，节点的名字为add，节点的运算为add(加)，节点的输入节点为Input1和Input2，节点的输入数据为节点Input1和Input2的输出数据，节点的属性包括中断属性“break＝true”。
处理器可以根据配置文件创建NodeDef类，将配置文件中节点的信息转化到NodeDef类中，并将NodeDef类保存到GraphDef类中。
在构建计算图时，可以先执行步骤S13，创建源节点和会聚节点。
在一种可能的实现方式中，步骤S14可以包括：
步骤S141，根据节点的输入节点建立节点之间的连接关系；
步骤S142，将没有输入节点的节点连接到所述源节点；
步骤S143，在非调试模式下，将出度为0的节点连接到所述会聚节点。
图4示出根据本公开一实施例的步骤S14的方法的流程图。对于步骤S14，遍历图定义文件中的每一个节点，即遍历GraphDef类中的每一个NodeDef类，处理器可以根据节点的输入节点建立节点之间的连接关系。如上所述示例中，节点Input1和Input2分别连接到节点Add。
其中，节点的出度可以是指节点连接的后继节点的数量，举例来说，如图2a所示，节点8的出度为0、节点9的出度为2。在建立了节点之间的连接关系后，可以根据连接关系确定每一个节点的出度。
处理器可以根据NodeDef类中的结构键值对确定节点有没有输入节点，若节点没有输入节点，则有可能是Placeholder(占位符)或者ConstTensor(常量)节点，可以将这些节点连接到源节点。
在一种可能的实现方式中，如果计算图中没有节点具有中断属性，也就是说在非调试模式下，处理器可以将出度为0的节点连接到会聚节点，完成计算图的构建过程，处理器还可以根据实际的需求将部分节点连接到会聚节点以查看节点的输出数据。
需要说明的是，图4中步骤S141和步骤S142的顺序仅仅是一个示例，不以任何方式限制本公开，两者也可以同时执行。
如果遍历计算图中的节点，发现计算图中部分节点具有中断属性，则可以说明为调试模式，具有中断属性的节点为第一节点，在调试模式下，则执行上文中的步骤S11和步骤S12。
图5示出根据本公开一实施例的步骤S12的方法的流程图。如图5所示，在一种可能的实现方式中，步骤S12可以包括：
步骤S121，将所述第一节点连接到会聚节点；
步骤S122，将出度为0、且与所述第一节点不属于同一分支的节点连接到所述会聚节点；
步骤S123，从所述会聚节点开始，逆向遍历所述计算图中的节点，删除所述计算图中没有被遍历到的节点。
也就是说，在调试模式下，在建立完节点之间的连接关系后，可以确定计算图中的第一节点，然后将第一节点连接到会聚节点，并且还可以将出度为0、与第一节点不属于同一分支的节点连接到会聚节点。如图2b所示，将节点6、节点7和节点8连接到了Sink节点。
然后，可以执行步骤S123，从Sink节点开始逆向遍历计算图中的节点，将计算图中没有被遍历到的节点删除，如图2b所示，逆向遍历过程中，节点9、节点10、节点11和节点12没有被遍历到，可以将节点9、节点10、节点11和节点12删除。
需要说明的是，在一种可能的实现方式中，也可以不执行上述的步骤S22，在将所述第一节点连接到会聚节点，直接从所述会聚节点开始，逆向遍历所述计算图中的节点，删除所述计算图中没有被遍历到的节点，这样，只保留了第一节点所在的分支的节点，提高调试效率。
图6示出根据本公开一实施例的步骤S12的方法的流程图。如图6所示，在另一种可能的实现方式中，步骤S12可以包括：
步骤S124，根据所述计算图的拓扑排序删除所述第一节点的后序节点；
步骤S125，将所述第一节点连接到会聚节点。
也就是说，在调试模式下，在建立完节点之间的连接关系后，可以确定计算图中的第一节点，然后根据计算图的拓扑排序将第一节点的后序节点删除，换言之，将与第一节点属于同一分支、且由源节点到该节点进行前序遍历必然要经过第一节点的节点删除，如图2b所示，将节点9、节点10、节点11和节点12删除。然后，可以将第一节点连接到会聚节点，在本实施方式中，本公开的调试方法还可以将出度为0的节点连接到Sink节点，也就是说将节点8连接到Sink节点。
根据本公开图5和图6所示的示例都可以实现在调试时将不需要运算的节点删除，相比于现有技术中注释的方式更加方便。
图7示出根据本公开一实施例的调试方法的流程图。如图7所示，所述方法还可以包括：
步骤S15，确定计算图中的第二节点，其中，所述第二节点的属性中包括输出属性；
步骤S16，将所述第二节点连接到会聚节点。
不管是在调试模式下，还是非调试模式下，本公开的调试方法还可以确定包括输出属性的第二节点，输出属性可以是指本层的输出结果需要进行输出。例如，上文中节点的示例，还可以设置属性“dump＝true”。
{
"name":"Add",
"op":"Add",
"inputs":["Input1",
"Input2"],
"attrs":
[
{"key":"break",
"value":"true"},
{"key":"dump",
"value":"true"}
]
}，
将具有输出属性的第二节点连接到Sink节点，在运行过程中，第二节点的输出结果就会输出。
也就是说，本公开的调试方法在运行计算图时，可以输出第一节点和第二节点的输出结果。根据本公开的调试方法，可以查看神经网络中间层的输出结果，调试方便易行，便于调试人员快速定位有问题的层。
在一种可能的实现方式中，在存在多个(两个以上)第一节点的情况中，如果其中一个第一节点是源节点到另一第一节点的必经节点，则该一个第一节点的中断属性无效。
上文中提到，多个第一节点可能位于同一分支上，也就是说，某一个第一节点可能是源节点到另一第一节点的必经节点，对于这种情况，该某一个第一节点的中断属性无效，也就是说，运行计算图到该某一个第一节点时，不中断，但是对于这种情况，仍然可以将该某一个第一节点的输出结果进行输出。仍然可以实现正常调试，便于调试人员快速、准确定位有问题的层。
应用示例
图8示出根据本公开一实施例的构建计算图的流程图。为了对本公开的调试方法进行更清楚的说明，结合图8所示的示例进一步说明本公开的调试方法。构建计算图的过程也可以由上文中的处理器执行。
如图8所示，创建源节点和会聚节点，遍历GraphDef类中的每一个NodeDef，并根据每一个NodeDef种节点的信息创建节点，以节点的名称为索引将节点保存到计算图中。
遍历GraphDef类中的每一个NodeDef，根据节点的输入节点建立节点之间的连接关系，将没有输入节点的节点连接到所述源节点，如图8所示，若NodeDef中节点的输入节点为空，那么将节点连接到源节点，若NodeDef中节点的输入节点不为空，则根据NodeDef中记录的节点的输入节点的名称建立节点之间的连接关系，直到遍历完GraphDef类中的每一个NodeDef。
然后，处理器可以遍历计算图中的节点确定是否包括具有中断属性的节点，换言之，计算图中是否有断点，如果有断点，则说明是调试模式，可以将具有中断属性的节点连接到Sink节点，还可以将将出度为0、且与具有中断属性的节点不属于同一分支的节点连接到Sink节点，然后从Sink节点开始，逆向遍历计算图中的节点，删除计算图中没有被遍历到的节点。在调试模式下，若计算图中还包括具有输出属性的节点，还可以将具有输出属性的节点连接到Sink节点。运行计算图，输出具有中断属性的节点和具有输出属性的节点的输出结果，实现对神经网络的调试，便于调试人员快速定位有问题的层。
若有没有断点，则说明是非调试模式，则可以将出度为0的节点和具有输出属性的节点连接到Sink节点，完成计算图的构建过程。
本公开还提供了一种调试装置，图9示出根据本公开一实施例的调试装置的框图。该调试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(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。
如图9所示，所述调试装置可以包括：
第一确定模块91，用于确定计算图中的第一节点，其中，所述第一节点的属性中包括中断属性；
删除模块92，用于删除所述计算图中所述第一节点的后序节点，并将所述第一节点连接到会聚节点，
其中，所述后序节点为所述计算图中按照前向遍历的顺序位于所述第一节点之后、且与所述第一节点属于同一分支的节点。
通过确定计算图中包括中断属性的第一节点，删除计算图中按照前向遍历的顺序位于所述第一节点之后、且与所述第一节点属于同一分支的节点，也就是删除掉不需要运算的节点，将第一节点直接连接到会聚节点。这样，在需要对神经网络进行调试时，通过设置计算图中节点的中断属性即可实现，相比于现有技术比较方便，另外，计算图中节点之间的连接关系非常直观，不容易出错。本公开的调试装置便于调试人员快速、准确定位有问题的层。
图10示出根据本公开一实施例的调试装置的框图。如图10所示，在一种可能的实现方式中，
所述删除模块92可以包括：
第一连接单元921，用于将所述第一节点连接到会聚节点；
第一删除单元922，用于从所述会聚节点开始，逆向遍历所述计算图中的节点，删除所述计算图中没有被遍历到的节点。
在另一种可能的实现方式中，所述删除模块92包括：
第二删除单元923，用于根据所述计算图的拓扑排序删除所述第一节点的后序节点；
第一连接单元921，用于将所述第一节点连接到会聚节点。
在一种可能的实现方式中，若存在两个以上第一节点，且其中一个第一节点是源节点到另一第一节点的必经节点，则该一个第一节点的中断属性无效。
在一种可能的实现方式中，所述装置还包括：
创建模块93，用于创建源节点和会聚节点；
构建模块94，用于遍历图定义文件中的每一个节点，根据每一个节点的输入节点以及出度、所述源节点和会聚节点构建所述计算图。
在一种可能的实现方式中，所述构建模块94包括：
建立单元941，用于根据节点的输入节点建立节点之间的连接关系；
第三连接单元942，用于将没有输入节点的节点连接到所述源节点；
第四连接单元943，用于在非调试模式下，将出度为0的节点连接到所述会聚节点。
在一种可能的实现方式中，所述装置还可以包括：
第二确定模块95，用于确定计算图中的第二节点，其中，所述第二节点的属性中包括输出属性；
第一连接模块96，用于将所述第二节点连接到会聚节点。
在一种可能的实现方式中，所述装置还包括：
运行模块97，用于运行所述计算图，输出所述第一节点和第二节点的输出结果。
图11是根据一示例性实施例示出的一种用于调试的装置800的框图。例如，装置800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。
参照图11，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12是根据一示例性实施例示出的一种用于调试的装置1900的框图。例如，装置1900可以被提供为一服务器。参照图12，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 (16)
1.一种调试方法，其特征在于，所述方法适用于图像识别、语音识别、自然语言处理；所述方法包括：
确定计算图中的第一节点，其中，所述第一节点的属性中包括中断属性；
删除所述计算图中所述第一节点的后序节点，并将所述第一节点连接到会聚节点，
其中，所述后序节点为所述计算图中按照前向遍历的顺序位于所述第一节点之后、且与所述第一节点属于同一分支的节点；删除所述计算图中所述第一节点的后序节点，并将所述第一节点连接到会聚节点，包括：
将所述第一节点连接到会聚节点；
从所述会聚节点开始，逆向遍历所述计算图中的节点，删除所述计算图中没有被遍历到的节点。
2.根据权利要求1所述的方法，其特征在于，删除所述计算图中所述第一节点的后序节点，并将所述第一节点连接到会聚节点，包括：
根据所述计算图的拓扑排序删除所述第一节点的后序节点；
将所述第一节点连接到会聚节点。
3.根据权利要求1-2任意一项所述的方法，其特征在于，
若存在两个以上所述第一节点，且其中一个第一节点是源节点到另一第一节点的必经节点，则该一个第一节点的中断属性无效。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
确定计算图中的第二节点，其中，所述第二节点的属性中包括输出属性；
将所述第二节点连接到会聚节点。
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
运行所述计算图，输出所述第一节点和第二节点的输出结果。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
创建源节点和会聚节点；
遍历图定义文件中的每一个节点，根据每一个节点的输入节点以及出度、所述源节点和会聚节点构建所述计算图。
7.根据权利要求6所述的方法，其特征在于，根据每一个节点的输入节点以及出度、所述源节点和会聚节点构建所述计算图，包括：
根据节点的输入节点建立节点之间的连接关系；
将没有输入节点的节点连接到所述源节点；
在非调试模式下，将出度为0的节点连接到所述会聚节点。
8.一种调试装置，其特征在于，所述调试装置适用于图像识别、语音识别、自然语言处理；所述装置包括：
第一确定模块，用于确定计算图中的第一节点，其中，所述第一节点的属性中包括中断属性；
删除模块，用于删除所述计算图中所述第一节点的后序节点，并将所述第一节点连接到会聚节点，
其中，所述后序节点为所述计算图中按照前向遍历的顺序位于所述第一节点之后、且与所述第一节点属于同一分支的节点；其中，所述删除模块包括：
第一连接单元，用于将所述第一节点连接到会聚节点；
第一删除单元，用于从所述会聚节点开始，逆向遍历所述计算图中的节点，删除所述计算图中没有被遍历到的节点。
9.根据权利要求8所述的装置，其特征在于，所述删除模块包括：
第二删除单元，用于根据所述计算图的拓扑排序删除所述第一节点的后序节点；
第一连接单元，用于将所述第一节点连接到会聚节点。
10.根据权利要求8所述的装置，其特征在于，
若存在两个以上第一节点，且其中一个第一节点是源节点到另一第一节点的必经节点，则该一个第一节点的中断属性无效。
11.根据权利要求10所述的装置，其特征在于，所述装置还包括：
第二确定模块，用于确定计算图中的第二节点，其中，所述第二节点的属性中包括输出属性；
第一连接模块，用于将所述第二节点连接到会聚节点。
12.根据权利要求11所述的装置，其特征在于，所述装置还包括：
运行模块，用于运行所述计算图，输出所述第一节点和第二节点的输出结果。
13.根据权利要求8所述的装置，其特征在于，所述装置还包括：
创建模块，用于创建源节点和会聚节点；
构建模块，用于遍历图定义文件中的每一个节点，根据每一个节点的输入节点以及出度、所述源节点和会聚节点构建所述计算图。
14.根据权利要求13所述的装置，其特征在于，所述构建模块包括：
建立单元，用于根据节点的输入节点建立节点之间的连接关系；
第三连接单元，用于将没有输入节点的节点连接到所述源节点；
第四连接单元，用于在非调试模式下，将出度为0的节点连接到所述会聚节点。
15.一种调试设备，其特征在于，所述调试设备适用于图像识别、语音识别、自然语言处理；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运行指令时实现权利要求1至7中任意一项所述的方法。
16.一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 |
|---|---|---|---|
| CN202010840605.7A CN112070221B (zh) | 2019-05-31 | 2019-05-31 | 运算方法、装置及相关产品 |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910471368.9A CN110210614B (zh) | 2019-05-31 | 2019-05-31 | 运算方法、装置及相关产品 |
| CN202010840605.7A CN112070221B (zh) | 2019-05-31 | 2019-05-31 | 运算方法、装置及相关产品 |
Related Parent Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910471368.9A Division CN110210614B (zh) | 2019-05-31 | 2019-05-31 | 运算方法、装置及相关产品 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112070221A CN112070221A (zh) | 2020-12-11 |
| CN112070221B true CN112070221B (zh) | 2024-01-16 |
Family
ID=67790137
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010840605.7A Active CN112070221B (zh) | 2019-05-31 | 2019-05-31 | 运算方法、装置及相关产品 |
| CN201910471368.9A Active CN110210614B (zh) | 2019-05-31 | 2019-05-31 | 运算方法、装置及相关产品 |
Family Applications After (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910471368.9A Active CN110210614B (zh) | 2019-05-31 | 2019-05-31 | 运算方法、装置及相关产品 |
Country Status (1)
| Country | Link |
|---|---|
| CN (2) | CN112070221B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112905524A (zh) * | 2019-11-19 | 2021-06-04 | 安徽寒武纪信息科技有限公司 | 自适应算法运算方法及设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102520342A (zh) * | 2011-12-07 | 2012-06-27 | 南京航空航天大学 | 基于动态反馈神经网络建模的模拟电路测试节点选择方法 |
| WO2017075346A1 (en) * | 2015-10-28 | 2017-05-04 | Google Inc. | Modifying computational graphs |
| CN108229667A (zh) * | 2016-12-21 | 2018-06-29 | 安讯士有限公司 | 基于人工神经网络类别的修剪 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7765385B2 (en) * | 2007-04-18 | 2010-07-27 | International Business Machines Corporation | Fault recovery on a parallel computer system with a torus network |
| EP3353656B1 (en) * | 2015-10-28 | 2020-05-06 | Google LLC | Processing computational graphs |
| US11151446B2 (en) * | 2015-10-28 | 2021-10-19 | Google Llc | Stream-based accelerator processing of computational graphs |
| WO2017083399A2 (en) * | 2015-11-09 | 2017-05-18 | Google Inc. | Training neural networks represented as computational graphs |
| US9798527B1 (en) * | 2017-01-06 | 2017-10-24 | Google Inc. | Loop and library fusion |
| US20180285734A1 (en) * | 2017-04-01 | 2018-10-04 | Intel Corporation | Neural network calibration mechanism |
| US20190087714A1 (en) * | 2017-09-20 | 2019-03-21 | International Business Machines Corporation | Automatic timing resolution among neural network components |
| CN109582559B (zh) * | 2018-09-28 | 2021-07-20 | 创新先进技术有限公司 | 系统的验证方法、装置、电子设备及存储介质 |
-
2019
- 2019-05-31 CN CN202010840605.7A patent/CN112070221B/zh active Active
- 2019-05-31 CN CN201910471368.9A patent/CN110210614B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102520342A (zh) * | 2011-12-07 | 2012-06-27 | 南京航空航天大学 | 基于动态反馈神经网络建模的模拟电路测试节点选择方法 |
| WO2017075346A1 (en) * | 2015-10-28 | 2017-05-04 | Google Inc. | Modifying computational graphs |
| CN108351983A (zh) * | 2015-10-28 | 2018-07-31 | 谷歌有限责任公司 | 修改计算图 |
| CN108229667A (zh) * | 2016-12-21 | 2018-06-29 | 安讯士有限公司 | 基于人工神经网络类别的修剪 |
Non-Patent Citations (2)
| Title |
|---|
| "在macOS上使用LLDB调试TensorFlow源码";OpenAI;《微信公众号 OpenAI》;微信公众号全文第1-5页 * |
| 郑译宇 等.《TensorFlow实战Google深度学习框架（第2版）》.电子工业出版社,2018,第3章第3.1节首页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110210614A (zh) | 2019-09-06 |
| CN112070221A (zh) | 2020-12-11 |
| CN110210614B (zh) | 2020-08-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| TW202113680A (zh) | 人臉和人手關聯檢測方法及裝置、電子設備和電腦可讀儲存媒體 | |
| CN110188871B (zh) | 运算方法、装置及相关产品 | |
| CN111581488B (zh) | 一种数据处理方法及装置、电子设备和存储介质 | |
| CN110909815B (zh) | 神经网络训练、图像处理方法、装置及电子设备 | |
| CN109165738B (zh) | 神经网络模型的优化方法及装置、电子设备和存储介质 | |
| CN110659690B (zh) | 神经网络的构建方法及装置、电子设备和存储介质 | |
| CN114546460A (zh) | 固件升级方法及装置、电子设备和存储介质 | |
| CN109447258B (zh) | 神经网络模型的优化方法及装置、电子设备和存储介质 | |
| CN112070221B (zh) | 运算方法、装置及相关产品 | |
| CN111694571B (zh) | 编译方法及装置 | |
| CN110163372B (zh) | 运算方法、装置及相关产品 | |
| CN115729529A (zh) | 信息处理方法、装置、设备及存储介质 | |
| WO2023097952A1 (zh) | 预训练模型发布方法及装置、电子设备、存储介质和计算机程序产品 | |
| CN116091208A (zh) | 基于图神经网络的信贷风险企业识别方法和装置 | |
| CN110162337B (zh) | 运算方法、装置及相关产品 | |
| CN108549570B (zh) | 用户界面的更新方法及装置 | |
| CN111626398B (zh) | 运算方法、装置及相关产品 | |
| CN114020264A (zh) | 算子处理方法及装置、电子设备和存储介质 | |
| CN113378893A (zh) | 数据管理方法及装置、电子设备和存储介质 | |
| CN109766463B (zh) | 应用于图像检索的半监督哈希学习方法及装置 | |
| CN114118397A (zh) | 神经网络方法及装置、电子设备和存储介质 | |
| CN110765943A (zh) | 网络训练、识别方法及装置、电子设备和存储介质 | |
| CN111767249B (zh) | 确定函数自身运行时间的方法及装置 | |
| CN111914983B (zh) | 交互方法及装置、音箱、电子设备和存储介质 | |
| CN111368748B (zh) | 网络训练方法及装置、图像识别方法及装置 |
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 |