CN112270399A - 基于深度学习的算子注册处理方法、装置及电子设备 - Google Patents
基于深度学习的算子注册处理方法、装置及电子设备 Download PDFInfo
- Publication number
- CN112270399A CN112270399A CN202011057647.XA CN202011057647A CN112270399A CN 112270399 A CN112270399 A CN 112270399A CN 202011057647 A CN202011057647 A CN 202011057647A CN 112270399 A CN112270399 A CN 112270399A
- Authority
- CN
- China
- Prior art keywords
- operator
- registered
- information
- data
- type
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
- G06F9/5044—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering hardware capabilities
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/30—Arrangements for executing machine instructions, e.g. instruction decode
- G06F9/30003—Arrangements for executing specific machine instructions
- G06F9/30007—Arrangements for executing specific machine instructions to perform operations on data operands
- G06F9/3001—Arithmetic instructions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/445—Program loading or initiating
- G06F9/44505—Configuring for program initiating, e.g. using registry, configuration files
-
- 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
-
- 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
-
- 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
Abstract
本申请公开了一种基于深度学习的算子注册处理方法、装置、电子设备和存储介质,涉及深度学习技术领域及计算机视觉领域。具体实现方案为:获取已注册算子的描述信息和逻辑运算信息;根据逻辑运算信息确定已注册算子的算子类型;获取深度学习框架中预设的与算子类型对应的配置信息,根据描述信息和配置信息检测已注册算子是否注册完整。本申请可以极大的减少人力成本,提升研发效率,并可以保证每个新增算子的注册完整性。
Description
技术领域
本申请涉及深度学习技术领域及计算机视觉领域,尤其涉及一种基于深度学习的算子注册处理方法、装置、电子设备和存储介质。
背景技术
在深度学习框架中,通常包含各种张量计算的基本逻辑单元,通过某种机制,将此特定的计算逻辑注册为一个算子,如加法算子、卷积算子等。不同深度学习框架中的算子,在数据类型、数据布局、运行设备等方面支持的程度不同,与具体实现密切相关。算子注册类型的完整性,对于深度学习框架的易用性和核心竞争力至关重要。
相关技术中,深度学习框架中算子注册完整性大多依赖框架开发者的自觉性,缺乏系统的检测和监控方法,容易导致算子的支持程度不够健全。
发明内容
本申请提供了一种基于深度学习的算子注册处理方法、装置、电子设备以及存储介质。
根据本申请的第一方面,提供了一种基于深度学习的算子注册处理方法,包括:
获取已注册算子的描述信息和逻辑运算信息;
根据所述逻辑运算信息确定所述已注册算子的算子类型;
获取深度学习框架中预设的与所述算子类型对应的配置信息,根据所述描述信息和所述配置信息检测所述已注册算子是否注册完整。
根据本申请的第二方面,提供了一种基于深度学习的算子注册处理装置,包括:
第一获取模块,用于获取已注册算子的描述信息和逻辑运算信息;
确定模块,用于根据所述逻辑运算信息确定所述已注册算子的算子类型;
第二获取模块,用于获取深度学习框架中预设的与所述算子类型对应的配置信息;
检测模块,用于根据所述描述信息和所述配置信息检测所述已注册算子是否注册完整。
根据本申请的第三方面,提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行前述第一方面所述的基于深度学习的算子注册处理方法。
根据本申请的第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行前述第一方面所述的基于深度学习的算子注册处理方法。
根据本申请的技术解决了相关技术中深度学习框架中算子注册完整性大多依赖框架开发者的自觉性,缺乏系统的检测和监控方法,容易导致算子的支持程度不够健全的问题,可以通过提取已注册算子的描述信息和和逻辑运算信息,利用描述信息和逻辑运算信息可以自动检测和监控深度学习框架中每个新增算子的注册完整性,极大的减少了人力成本,提升了研发效率;另外,通过系统性对已注册算子在多方面信息(如数据类型、数据布局以及执行设备等)进行注册完整性的检测和监控,可以保证每个新增的算子在多方面的支持度。
应当理解,本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征,也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是根据本申请一个实施例的基于深度学习的算子注册处理方法的流程图;
图2是根据本申请实施例的基于深度学习的算子注册处理方法的流程图;
图3是根据本申请一个具体实施例的基于深度学习的算子注册处理方法的流程图;
图4是根据本申请另一个具体实施例的基于深度学习的算子注册处理方法的流程图;
图5是根据本申请又一个具体实施例的基于深度学习的算子注册处理方法的流程图;
图6是根据本申请一个实施例的基于深度学习的算子注册处理装置的结构框图;
图7是根据本申请另一个实施例的基于深度学习的算子注册处理装置的结构框图;
图8是用来实现本申请实施例的用于实现基于深度学习的算子注册处理方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
需要说明的是,在深度学习框架中,通常包含各种张量计算的基本逻辑单元,通过某种机制,将此特定的计算逻辑注册为一个算子,如加法算子、卷积算子等。
由于算子的功能需求和使用场景各不相同,不同算子支持的类型有所差别,同一算子也可以支持不同数据类型的张量,如int8(表示8位有符号整型)、int32(表示32位有符号整型)、int64(表示64位有符号整型)、float(浮点型数据类型)、float32(32位浮点型数据类型)、double(双精度浮点型数据类型)、bool(布尔型变量)等类型;另一方面,算子也可支持不同数据布局的张量,如在计算机视觉领域,输入张量可以为[NCHW]或[NHWC]的任意一种形式的四维张量,其中N为图片数量,C为通道数,H为图片高度,W为图片宽度。此外,每个算子也支持在不同的硬件设备上执行计算,如CPU(Central Processing Unit,中央处理器)、GPU(Graphics Processing Unit,图形处理器)。
不同深度学习框架中的算子,在数据类型、数据布局,运行设备等方面支持的程度不同,与具体实现密切相关。算子注册类型的完整性,对于框架的易用性和核心竞争力至关重要。相关技术中,深度学习框架中算子注册完整性,大多依赖框架开发者的自觉性,缺乏系统的检测和监控方法,容易导致有的算子仅支持部分数据类型、或数据布局等情况。
为了解决相关技术中深度学习框架中算子注册完整性依赖框架开发者的自觉性,而缺乏系统的检测和监控方法,导致算子的支持程度不够健全等问题,本申请提出一种基于深度学习的算子注册处理方法、装置、电子设备和存储介质。本申请可以自动检测和监控深度学习框架中每个新增的算子,在数据类型、数据布局、以及执行设备等方面是否注册完整,极大的减少了人力成本,提升了研发效率。
图1是根据本申请一个实施例的基于深度学习的算子注册处理方法的流程图。需要说明的是,本申请实施例的基于深度学习的算子注册处理方法可应用于本申请实施例的基于深度学习的算子注册处理装置,该算子注册处理装置可被配置于电子设备上。
如图1所示,该基于深度学习的算子注册处理方法可以包括:
步骤101,获取已注册算子的描述信息和逻辑运算信息。
需要说明的是,深度学习框架中,每个算子通常至少包括两个主要部分:描述信息和逻辑运算信息。其中,描述信息用于定义一个算子的输入、输出,以及描述算子支持的数据类型、数据布局和运行设备等信息;逻辑运算信息主要负责具体的张量计算逻辑。其中,张量是一个可用来表示在一些矢量、标量和其他张量之间的线性关系的多线性函数。
还需要说明的是,可通过注册机制,将支持特定数据类型、数据布局和运行设备的算子添加到深度学习框架中,以供C++端或Python端调用。每个算子可以通过多次注册以支持不同数据类型。
在本申请实施例中,可从深度学习框架中获取所有已注册的算子列表然后遍历列表中每个已注册的算子,获取每个已注册的算子的描述信息和逻辑运算信息。
步骤102,根据逻辑运算信息确定已注册算子的算子类型。
其中,在本申请实施例中,算子类型至少可包括第一算子类型和第二算子类型。其中,第一算子类型可理解为通用类型,第二算子类型可理解为其他类型。通用类算子可理解为算子计算逻辑不强依赖于特定的数据类型,算子的操作与输入Tensor(张量)的数据区无关。其他类算子可理解为非通用类算子,即:算子计算逻辑依赖于特定的数据类型,算子的操作与输入Tensor(张量)的数据区有关。
作为一种示例,深度学习框架中的算子,从功能上可以分为通用类算子和其他算子。其中,通用类算子主要包括:算术运算类,例如,常用的求绝对值、指数计算、三角函数、激活函数等算子;Reduce(数组方法)或索引操作算子,例如,求取最小值、均值运算、排序操作等算子。其他类算子可包括张量变换相关的算子,例如,reshape(可以对数组的结构进行改变的一种函数)、赋值等算子。
可以理解,由于算子类型的不同,则不同类型的算子在注册完整性上的要求就会不同。因此在进行注册完整性检测之前,可先确定出已注册算子所属的算子类型。由于算子的逻辑运算信息主要负责具体的张量计算逻辑,所以可利用算子的逻辑运算信息可以确定出已注册算子是属于通用类算子还是其他类算子。
在本申请一些实施例中,如图2所示,步骤102具体包括:
步骤1021,获取深度学习框架中与预设的目标数据类型对应的目标计算逻辑。
在本申请实施例中,可将一些不常见的,具有强计算逻辑的特定数据类型加入一个白名单中,该白名单中除了包含具有强计算逻辑的特定数据类型之后,还包含每个特定数据类型对应的目标计算逻辑。可选地,可从预先建立的白名单中获取目标数据类型及其对应的目标计算逻辑。
步骤1022,将逻辑运算信息与目标计算逻辑进行匹配。
步骤1023,如果目标计算逻辑不包含逻辑运算信息,则确定已注册算子为第一算子类型。
也就是说,根据已注册算子的逻辑运算信息判断该已注册算子计算逻辑不强依赖于特定的数据类型,即该已注册算子的算术运算为常见算术运算时,可确定该已注册算子为第一算子类型,即该已注册算子为通用类算子。
步骤1024,如果目标计算逻辑包含逻辑运算信息,则根据逻辑运算信息确定算子操作是否与输入数据相关。
也就是说,根据已注册算子的逻辑运算信息判断该已注册算子计算逻辑强依赖于特定的数据类型时,此时可根据逻辑运算信息判断该已注册算子的算子操作是否与输入数据相关,即判断算子的操作是否与输入张量的数据区相关。
步骤1025,如果算子操作与输入数据不相关,则确定已注册算子为第一算子类型。
也就是说,当判断算子的操作与输入张量的数据区不相关时,可确定该已注册算子为第一算子类型,即该已注册算子为通用类算子。
步骤1026,如果算子操作与输入数据相关,则确定已注册算子为第二算子类型。
也就是说,当判断算子的操作与输入张量的数据区相关时,即该已注册算子的计算逻辑强依赖于特定的数据类型、且算子的操作与输入张量的数据区相关,说明该已注册算子为第二算子类型,即该已注册算子为其他类算子。
由此可见,通过利用算子的逻辑运算信息判断算子计算逻辑是否不强依赖于特定的数据类型,以及算子的操作是否与输入张量的数据区相关,来确定该算子是通用类算子还是其他类算子,以便后续根据算子类型采用对应的注册完整性检查规则来实现算子的注册完整性检测。
步骤103,获取深度学习框架中预设的与算子类型对应的配置信息。
也就是说,由于算子类型的不同,可采用不同的配置信息来检测该算子是否注册完整。因此,在对已注册算子进行注册完整性的检测时,可先获取深度学习框架中与该已注册算子的算子类型对应的配置信息,以便后续利用该配置信息实现对已注册算子进行注册完整性的检测。
步骤104,根据描述信息和配置信息检测已注册算子是否注册完整。
可选地,提取描述信息中的第一关键信息,并提取配置信息中的第二关键信息,判断第一关键信息的含义与第二关键信息的含义是否相同,若相同,则确定该已注册算子注册完整,若不相同,则可确定该已注册算子注册不完整。
在本申请一些实施例中,在检测已注册算子注册完整时,可生成已注册算子的注册成功提示信息,并将该注册成功提示信息提供给用户,以便用户通过该提示信息了解到该新增算子注册完整。在检测到已注册算子注册不完整时,可从配置信息中获取缺失信息,并根据该缺失信息生成对应的注册失败提示信息,并将该注册失败提示信息提供给用户,以便用户依据该注册失败提示信息即可了解到该已注册算子注册不完整的原因。
根据本申请实施例的基于深度学习的算子注册处理方法,解决了相关技术中深度学习框架中算子注册完整性大多依赖框架开发者的自觉性,缺乏系统的检测和监控方法,容易导致算子的支持程度不够健全的问题,可以通过提取已注册算子的描述信息和和逻辑运算信息,利用描述信息和逻辑运算信息可以自动检测和监控深度学习框架中每个新增算子的注册完整性,极大的减少了人力成本,提升了研发效率;另外,通过系统性对已注册算子在多方面信息(如数据类型、数据布局以及执行设备等)进行注册完整性的检测和监控,可以保证每个新增的算子在多方面的支持度。
需要说明的是,不同深度学习框架中的算子,在数据类型、数据布局,运行设备等方面支持的程度不同,与具体实现密切相关。本申请在对已注册算子进行注册完整性检测时,可从数据类型、数据布局,运行设备等方面的支持度进行检测。其中,算子所支持的数据类型是否完整是检测该算子的注册完整性的必须条件。在利用检测数据类型的支持度来识别算子是否注册完整性时,可获取与算子类型对应的数据配置信息,根据数据配置信息检测已注册算子所支持的数据类型是否注册完整。具体地,如图3所示,该基于深度学习的算子注册处理方法可以包括:
步骤301,获取已注册算子的描述信息和逻辑运算信息。
步骤302,根据逻辑运算信息确定已注册算子的算子类型。
步骤303,根据描述信息获取已注册算子支持的数据类型。
在本申请一些实施例中,可获取参考数据类型信息,并根据参考数据类型信息通过正则匹配算法解析描述信息,获取已注册算子支持的数据类型。
可以理解,描述信息定义了一个算子的输入、输出,以及描述算子支持的数据类型、数据布局和运行设备等信息。因此,在本实施例中,可通过正则匹配算法依次解析出已注册算子所支持的所有数据类型。
步骤304,获取深度学习框架中预设的与算子类型对应的数据配置信息,根据数据配置信息检测数据类型是否注册完整。
也就是说,由于算子类型的不同,可采用不同的数据配置信息来检测该算子所支持的数据类型是否完整。因此,在对已注册算子所支持的数据类型进行注册完整性检测时,可先获取深度学习框架中与该已注册算子的算子类型对应的数据配置信息,然后,可根据该数据配置信息来检测该已注册算子所支持的数据类型是否注册完整。
作为一种示例,对于算子类型为通用类算子,至少要支持int32、int64、float和double四种数据类型,也就是说,在获得与通用类算子对应的数据配置信息之后,可根据该数据配置信息检测该已注册算子所支持的数据类型是否至少包含有int32、int64、float和double这四种数据类型,若是,则可确定该已注册算子所支持的数据类型注册完整;若否,比如该已注册算子所支持的数据类型少了int32、int64、float或double这四种中的一种或多种,则可确定该已注册算子所支持的数据类型注册不完整。
作为另一种示例,对于算子类型为非通用类算子,至少要同时支持int32和int64数据类型,或者,至少要同时支持float和double数据类型。也就是说,在获得与非通用类算子对应的数据配置信息之后,可根据该数据配置信息检测该已注册算子所支持的数据类型是否包含int32和int64数据类型,或者,float和double数据类型,若该已注册算子所支持的数据类型包含int32和int64数据类型,或者,该已注册算子所支持的数据类型包含float和double数据类型,则可确定该已注册算子所支持的数据类型注册完整;若否,比如该已注册算子所支持的数据类型只包含int32或int64数据类型,或者,该已注册算子所支持的数据类型只包含float或double数据类型,则可确定该已注册算子所支持的数据类型注册不完整。
步骤305,如果注册完整,生成已注册算子的第一注册成功提示信息,如果注册不完整,从数据配置信息中获取缺失数据类型,根据缺失数据类型生成第一注册失败提示信息。
也就是说,当检测已注册算子所支持的数据类型注册完整时,可生成针对该已注册算子的第一注册成功提示信息,并将该第一注册成功提示信息提供给用户,以便用户通过该提示信息了解到已注册算子所支持的数据类型注册完整。当检测已注册算子所支持的数据类型注册不完整时,可根据检测结果从与算子类型对应的数据配置信息之中确定出针对该已注册算子所缺失的数据类型,并生成针对该所缺失的数据类型生成对应的注册失败提示信息,并将该注册失败提示信息提供给用户,以便用户依据该注册失败提示信息即可了解到该已注册算子注册不完整的原因。
根据本申请实施例的基于深度学习的算子注册处理方法,可通过获取已注册算子的描述信息和逻辑运算信息,并根据逻辑运算信息确定已注册算子的算子类型,根据描述信息获取已注册算子支持的数据类型,然后,获取深度学习框架中预设的与算子类型对应的数据配置信息,并根据数据配置信息检测数据类型是否注册完整;如果注册完整,生成已注册算子的第一注册成功提示信息,如果注册不完整,从数据配置信息中获取缺失数据类型,根据缺失数据类型生成第一注册失败提示信息。由此可见,本申请提供了一种针对深度学习框架中算子注册完整性进行系统的检测和监控方法,通过提取已注册算子的描述信息和逻辑运算信息,利用描述信息和逻辑运算信息可以自动检测和监控深度学习框架中每个新增的算子在数据类型方面是否注册完整,极大的减少了人力成本,提升了研发效率;另外,通过系统性对已注册算子在数据类型方面进行注册完整性的检测和监控,可以保证每个新增的算子在数据类型方面的支持度。
需要说明的是,算子的注册完整性还可体现在数据布局方面。也就是说,在对算子在数据类型方面是否注册完整的检测时,还可对算子在数据布局方面是否注册完整的检测,从而可以进一步提高算子注册完整性的准确性,使得算子注册完整性的自动化检测更加具体和规范。具体而言,在本申请一些实施例中,如图4所示,在如图3所示的基础上,该基于深度学习的算子注册处理方法还可包括:
步骤401,根据描述信息获取已注册算子支持的数据布局。
可以理解,描述信息定义了一个算子的输入、输出,以及描述算子支持的数据类型、数据布局和运行设备等信息。因此,在本实施例中,可从描述信息中获取已注册算子所支持的数据布局。需要说明的时,算子也可支持不同数据布局的张量,例如,在计算机视觉领域,输入张量可以为[NCHW]或[NHWC]的任意一种形式的四维张量,其中N为图片数量,C为通道数,H为图片高度,W为图片宽度。
因此,在对算子进行注册完整性检测时,还可检测算子在数据布局方面是否注册完整。
步骤402,获取深度学习框架中预设的与算子类型对应的布局配置信息。
也就是说,由于算子类型的不同,可采用不同的布局配置信息来检测该算子所支持的数据布局是否完整。因此,在对已注册算子所支持的数据布局进行注册完整性检测时,可先获取深度学习框架中与该已注册算子的算子类型对应的布局配置信息,然后,可根据该布局配置信息来检测该已注册算子所支持的数据布局是否注册完整。
步骤403,根据布局配置信息检测数据布局是否注册完整。
步骤404,如果注册完整,生成已注册算子的第二注册成功提示信息。
步骤405,如果注册不完整,从布局配置信息中获取缺失数据布局,根据缺失数据布局生成第二注册失败提示信息。
根据本申请实施例的基于深度学习的算子注册处理方法,在对算子在数据类型方面是否注册完整的检测时,还可对算子在数据布局方面是否注册完整的检测,从而可以进一步提高算子注册完整性的准确性,使得算子注册完整性的自动化检测更加具体和规范。
需要说明的是,算子的注册完整性还可体现在执行设备方面。也就是说,在对算子在数据类型方面、数据布局方面是否注册完整的检测时,还可对算子在执行设备方面是否注册完整的检测,从而可以进一步提高算子注册完整性的准确性,使得算子注册完整性的自动化检测更加具体和规范。具体而言,在本申请一些实施例中,如图5所示,在如图4所示的基础上,该基于深度学习的算子注册处理方法还可包括:
步骤501,根据描述信息获取已注册算子支持的执行设备。
可以理解,描述信息定义了一个算子的输入、输出,以及描述算子支持的数据类型、数据布局和运行设备等信息。因此,在本实施例中,可从描述信息中已注册算子支持的执行设备。其中,描述信息中的运行设备即为所述执行设备。可以理解,深度学习框架中每个算子支持在不同的硬件设备上执行计算,如在执行设备CPU上执行计算,或者在执行设备GPU上执行计算。因此,需要还可对算子在执行设备方面是否注册完整进行检测。
步骤502,获取深度学习框架中预设的与算子类型对应的设备配置信息。
也就是说,由于算子类型的不同,可采用不同的设备配置信息来检测该算子所支持的执行设备是否完整。因此,在对已注册算子所支持的执行设备进行注册完整性检测时,可先获取深度学习框架中与该已注册算子的算子类型对应的设备配置信息,然后,可根据该设备配置信息来检测该已注册算子所支持的执行设备是否注册完整。
步骤503,根据设备配置信息检测执行设备是否注册完整。
也就是说,可根据设备配置信息检测该已注册算子支持的执行设备是否注册完整。例如,以通用类算子为例,假设通用类算子所支持的执行设备包括CPU和GPU,若已注册算子支持的执行设备只包含了CPU或GPU,则可确定该已注册算子支持的执行设备注册不完整;若已注册算子支持的执行设备包含了CPU和GPU,则可确定该已注册算子支持的执行设备注册完整。
步骤504,如果注册完整,则生成已注册算子的第三注册成功提示信息。
步骤505,如果注册不完整,则从设备配置信息中获取缺失执行设备,根据缺失执行设备生成第三注册失败提示信息。
也就是说,在确定出已注册算子支持的执行设备注册不完整时,可从设备配置信息中获取出该已注册算子所缺失的执行设备,例如,假设通用类算子所支持的执行设备包括CPU和GPU,若已注册算子支持的执行设备只包含了CPU,则可确定该已注册算子所缺失的执行设备为GPU。然后,根据缺失执行设备生成对应的第三注册失败提示信息,并将该第三注册失败提示信息提供给用户,以便用户依据该注册失败提示信息即可了解到该已注册算子注册不完整的原因。
根据本申请实施例的基于深度学习的算子注册处理方法,在对算子在数据类型方面、数据布局方面是否注册完整的检测时,还可对算子在执行设备方面是否注册完整的检测,从而可以进一步提高算子注册完整性的准确性,使得算子注册完整性的自动化检测更加具体和规范。
图6是根据本申请一个实施例的基于深度学习的算子注册处理装置的结构框图。如图6所示,该基于深度学习的算子注册处理装置600可以包括:第一获取模块601、确定模块602、第二获取模块603、检测模块604。
具体地,第一获取模块601用于获取已注册算子的描述信息和逻辑运算信息。
确定模块602用于根据逻辑运算信息确定已注册算子的算子类型。
在本申请一些实施例中,确定模块602获取深度学习框架中与预设的目标数据类型对应的目标计算逻辑,将逻辑运算信息与目标计算逻辑进行匹配;如果目标计算逻辑不包含逻辑运算信息,则确定已注册算子为第一算子类型;如果目标计算逻辑包含逻辑运算信息,则根据逻辑运算信息确定算子操作是否与输入数据相关,如果算子操作与输入数据不相关,则确定已注册算子为第一算子类型,如果算子操作与输入数据相关,则确定已注册算子为第二算子类型。
第二获取模块603用于获取深度学习框架中预设的与算子类型对应的配置信息。
检测模块604用于根据描述信息和配置信息检测已注册算子是否注册完整。
在本申请一些实施例中,第二获取模块603获取深度学习框架中预设的与算子类型对应的配置信息的具体实现过程可如下:获取深度学习框架中预设的与所述算子类型对应的数据配置信息。其中,检测模块604根据描述信息和配置信息检测已注册算子是否注册完整的具体实现过程可如下:根据描述信息获取已注册算子支持的数据类型;根据数据配置信息检测数据类型是否注册完整。
在本申请一些实施例中,检测模块604根据描述信息获取已注册算子支持的数据类型的具体实现过程可如下:获取参考数据类型信息;根据所述参考数据类型信息通过正则匹配算法解析所述描述信息,获取所述已注册算子支持的数据类型。
在本申请一些实施例中,如图7所示,该基于深度学习的算子注册处理装置600还可包括生成模块605。生成模块605用于在检测所述数据类型注册完整时,生成所述已注册算子的第一注册成功提示信息,并在检测所述数据类型注册不完整时,从所述数据配置信息中获取缺失数据类型,根据所述缺失数据类型生成第一注册失败提示信息。
在本申请一些实施例中,第二获取模块603还用于获取所述深度学习框架中预设的与所述算子类型对应的布局配置信息。检测模块604还用于根据所述描述信息获取所述已注册算子支持的数据布局,并根据所述布局配置信息检测所述数据布局是否注册完整。
在本申请一些实施例中,第二获取模块603还用于获取所述深度学习框架中预设的与所述算子类型对应的设备配置信息;检测模块604还用于根据所述描述信息获取所述已注册算子支持的执行设备,并根据所述设备配置信息检测所述执行设备是否注册完整。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
根据本申请实施例的基于深度学习的算子注册处理装置,可通过获取已注册算子的描述信息和逻辑运算信息,并根据逻辑运算信息确定已注册算子的算子类型,根据描述信息获取已注册算子支持的数据类型,然后,获取深度学习框架中预设的与算子类型对应的数据配置信息,并根据数据配置信息检测数据类型是否注册完整;如果注册完整,生成已注册算子的第一注册成功提示信息,如果注册不完整,从数据配置信息中获取缺失数据类型,根据缺失数据类型生成第一注册失败提示信息。由此可见,本申请提供了一种针对深度学习框架中算子注册完整性进行系统的检测和监控方法,通过提取已注册算子的描述信息和逻辑运算信息,利用描述信息和逻辑运算信息可以自动检测和监控深度学习框架中每个新增的算子在数据类型方面是否注册完整,极大的减少了人力成本,提升了研发效率;另外,通过系统性对已注册算子在数据类型方面进行注册完整性的检测和监控,可以保证每个新增的算子在数据类型方面的支持度。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图8所示,是根据本申请实施例的用于实现基于深度学习的算子注册处理方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图8所示,该电子设备包括:一个或多个处理器801、存储器802,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图8中以一个处理器801为例。
存储器802即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的基于深度学习的算子注册处理方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的基于深度学习的算子注册处理方法。
存储器802作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的基于深度学习的算子注册处理方法对应的程序指令/模块(例如,附图6所示的第一获取模块601、确定模块602、第二获取模块603、第三获取模块604、检测模块605和生成模块606)。处理器801通过运行存储在存储器802中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的基于深度学习的算子注册处理方法。
存储器802可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据用于实现基于深度学习的算子注册处理的电子设备的使用所创建的数据等。此外,存储器802可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器802可选包括相对于处理器801远程设置的存储器,这些远程存储器可以通过网络连接至用于实现基于深度学习的算子注册处理的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
用于实现基于深度学习的算子注册处理方法的电子设备还可以包括:输入装置803和输出装置804。处理器801、存储器802、输入装置803和输出装置804可以通过总线或者其他方式连接,图8中以通过总线连接为例。
输入装置803可接收输入的数字或字符信息,以及产生与用于实现基于深度学习的算子注册处理的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置804可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案,可通过获取已注册算子的描述信息和逻辑运算信息,并根据逻辑运算信息确定已注册算子的算子类型,根据描述信息获取已注册算子支持的数据类型,然后,获取深度学习框架中预设的与算子类型对应的数据配置信息,并根据数据配置信息检测数据类型是否注册完整;如果注册完整,生成已注册算子的第一注册成功提示信息,如果注册不完整,从数据配置信息中获取缺失数据类型,根据缺失数据类型生成第一注册失败提示信息。由此可见,本申请提供了一种针对深度学习框架中算子注册完整性进行系统的检测和监控方法,通过提取已注册算子的描述信息和逻辑运算信息,利用描述信息和逻辑运算信息可以自动检测和监控深度学习框架中每个新增的算子在数据类型方面是否注册完整,极大的减少了人力成本,提升了研发效率;另外,通过系统性对已注册算子在数据类型方面进行注册完整性的检测和监控,可以保证每个新增的算子在数据类型方面的支持度。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (16)
1.一种基于深度学习的算子注册处理方法,包括:
获取已注册算子的描述信息和逻辑运算信息;
根据所述逻辑运算信息确定所述已注册算子的算子类型;
获取深度学习框架中预设的与所述算子类型对应的配置信息,根据所述描述信息和所述配置信息检测所述已注册算子是否注册完整。
2.根据权利要求1所述的方法,其中,所述根据所述逻辑运算信息确定所述已注册算子的算子类型,包括:
获取所述深度学习框架中与预设的目标数据类型对应的目标计算逻辑,将所述逻辑运算信息与所述目标计算逻辑进行匹配;
如果所述目标计算逻辑不包含所述逻辑运算信息,则确定所述已注册算子为第一算子类型;
如果所述目标计算逻辑包含所述逻辑运算信息,则根据所述逻辑运算信息确定算子操作是否与输入数据相关,如果算子操作与输入数据不相关,则确定所述已注册算子为第一算子类型,如果算子操作与输入数据相关,则确定所述已注册算子为第二算子类型。
3.根据权利要求1所述的方法,其中,所述获取深度学习框架中预设的与所述算子类型对应的配置信息,包括:
获取深度学习框架中预设的与所述算子类型对应的数据配置信息;
所述根据所述描述信息和所述配置信息检测所述已注册算子是否注册完整,包括:
根据所述描述信息获取所述已注册算子支持的数据类型;
根据所述数据配置信息检测所述数据类型是否注册完整。
4.根据权利要求3所述的方法,还包括:
如果检测所述数据类型注册完整,则生成所述已注册算子的第一注册成功提示信息;
如果检测所述数据类型注册不完整,则从所述数据配置信息中获取缺失数据类型,根据所述缺失数据类型生成第一注册失败提示信息。
5.根据权利要求3所述的方法,其中,所述根据所述描述信息获取所述已注册算子支持的数据类型,包括:
获取参考数据类型信息;
根据所述参考数据类型信息通过正则匹配算法解析所述描述信息,获取所述已注册算子支持的数据类型。
6.根据权利要求3所述的方法,其中,所述获取深度学习框架中预设的与所述算子类型对应的配置信息,还包括:
获取所述深度学习框架中预设的与所述算子类型对应的布局配置信息;
所述根据所述描述信息和所述配置信息检测所述已注册算子是否注册完整,还包括:
根据所述描述信息获取所述已注册算子支持的数据布局;
根据所述布局配置信息检测所述数据布局是否注册完整。
7.根据权利要求3所述的方法,其中,所述获取深度学习框架中预设的与所述算子类型对应的配置信息,还包括:
获取所述深度学习框架中预设的与所述算子类型对应的设备配置信息;
所述根据所述描述信息和所述配置信息检测所述已注册算子是否注册完整,还包括:
根据所述描述信息获取所述已注册算子支持的执行设备;
根据所述设备配置信息检测所述执行设备是否注册完整。
8.一种基于深度学习的算子注册处理装置,包括:
第一获取模块,用于获取已注册算子的描述信息和逻辑运算信息;
确定模块,用于根据所述逻辑运算信息确定所述已注册算子的算子类型;
第二获取模块,用于获取深度学习框架中预设的与所述算子类型对应的配置信息;
检测模块,用于根据所述描述信息和所述配置信息检测所述已注册算子是否注册完整。
9.根据权利要求8所述的装置,其中,所述确定模块具体用于:
获取所述深度学习框架中与预设的目标数据类型对应的目标计算逻辑,将所述逻辑运算信息与所述目标计算逻辑进行匹配;
如果所述目标计算逻辑不包含所述逻辑运算信息,则确定所述已注册算子为第一算子类型;
如果所述目标计算逻辑包含所述逻辑运算信息,则根据所述逻辑运算信息确定算子操作是否与输入数据相关,如果算子操作与输入数据不相关,则确定所述已注册算子为第一算子类型,如果算子操作与输入数据相关,则确定所述已注册算子为第二算子类型。
10.根据权利要求8所述的装置,其中,所述第二获取模块具体用于:
获取深度学习框架中预设的与所述算子类型对应的数据配置信息;
所述检测模块具体用于:
根据所述描述信息获取所述已注册算子支持的数据类型;
根据所述数据配置信息检测所述数据类型是否注册完整。
11.根据权利要求10所述的装置,还包括:
生成模块,用于在检测所述数据类型注册完整时,生成所述已注册算子的第一注册成功提示信息,并在检测所述数据类型注册不完整时,从所述数据配置信息中获取缺失数据类型,根据所述缺失数据类型生成第一注册失败提示信息。
12.根据权利要求10所述的装置,其中,所述检测模块具体用于:
获取参考数据类型信息;
根据所述参考数据类型信息通过正则匹配算法解析所述描述信息,获取所述已注册算子支持的数据类型。
13.根据权利要求10所述的装置,其中,
所述第二获取模块,还用于获取所述深度学习框架中预设的与所述算子类型对应的布局配置信息;
所述检测模块,还用于根据所述描述信息获取所述已注册算子支持的数据布局,并根据所述布局配置信息检测所述数据布局是否注册完整。
14.根据权利要求10所述的装置,其中,
所述第二获取模块,还用于获取所述深度学习框架中预设的与所述算子类型对应的设备配置信息;
所述检测模块,还用于根据所述描述信息获取所述已注册算子支持的执行设备,并根据所述设备配置信息检测所述执行设备是否注册完整。
15.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1至7中任一项所述的基于深度学习的算子注册处理方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行权利要求1至7中任一项所述的基于深度学习的算子注册处理方法。
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011057647.XA CN112270399B (zh) | 2020-09-29 | 2020-09-29 | 基于深度学习的算子注册处理方法、装置及电子设备 |
US17/398,750 US20210365767A1 (en) | 2020-09-29 | 2021-08-10 | Method and device for operator registration processing based on deep learning and electronic device |
EP21190719.1A EP3940538A3 (en) | 2020-09-29 | 2021-08-11 | Method and device for operator registration processing based on deep learning and electronic device |
KR1020210110115A KR20210110530A (ko) | 2020-09-29 | 2021-08-20 | 딥 러닝에 기반한 연산자 등록 처리 방법, 장치 및 전자 기기 |
JP2021150346A JP7248756B2 (ja) | 2020-09-29 | 2021-09-15 | 深層学習に基づく演算子の登録処理方法、装置及び電子機器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011057647.XA CN112270399B (zh) | 2020-09-29 | 2020-09-29 | 基于深度学习的算子注册处理方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112270399A true CN112270399A (zh) | 2021-01-26 |
CN112270399B CN112270399B (zh) | 2022-03-11 |
Family
ID=74337700
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011057647.XA Active CN112270399B (zh) | 2020-09-29 | 2020-09-29 | 基于深度学习的算子注册处理方法、装置及电子设备 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20210365767A1 (zh) |
EP (1) | EP3940538A3 (zh) |
JP (1) | JP7248756B2 (zh) |
KR (1) | KR20210110530A (zh) |
CN (1) | CN112270399B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113220457A (zh) * | 2021-05-24 | 2021-08-06 | 交叉信息核心技术研究院(西安)有限公司 | 模型部署方法、模型部署装置、终端设备及可读存储介质 |
CN113342346A (zh) * | 2021-05-18 | 2021-09-03 | 北京百度网讯科技有限公司 | 深度学习框架的算子注册方法、装置、设备和存储介质 |
CN113377360A (zh) * | 2021-06-28 | 2021-09-10 | 北京百度网讯科技有限公司 | 任务执行方法、装置、电子设备、存储介质和程序产品 |
CN114168114A (zh) * | 2022-02-10 | 2022-03-11 | 中国电子科技集团公司第十五研究所 | 一种算子注册方法、装置以及设备 |
CN114841326A (zh) * | 2022-05-19 | 2022-08-02 | 北京百度网讯科技有限公司 | 深度学习框架的算子处理方法、装置、设备和存储介质 |
CN114911465A (zh) * | 2022-05-19 | 2022-08-16 | 北京百度网讯科技有限公司 | 算子的生成方法、装置、设备以及存储介质 |
CN116107669A (zh) * | 2023-04-14 | 2023-05-12 | 北京大学 | 深度学习框架的算子注册方法、装置、设备及存储介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140094182A1 (en) * | 2011-06-03 | 2014-04-03 | Sony Corporation | Wireless communication apparatus, information processing apparatus, communication system, and communication method |
CN107563360A (zh) * | 2017-09-30 | 2018-01-09 | 百度在线网络技术(北京)有限公司 | 信息获取方法和装置 |
CN107967135A (zh) * | 2017-10-31 | 2018-04-27 | 平安科技(深圳)有限公司 | 计算引擎实现方法、电子装置及存储介质 |
CN108227932A (zh) * | 2018-01-26 | 2018-06-29 | 上海智臻智能网络科技股份有限公司 | 交互意图确定方法及装置、计算机设备及存储介质 |
CN109064274A (zh) * | 2018-07-24 | 2018-12-21 | 方骥 | 一种基于机器学习的智慧电商页面缺货管理方法及系统 |
CN110866610A (zh) * | 2019-11-20 | 2020-03-06 | 苏州浪潮智能科技有限公司 | 一种深度学习模型分布式运算的方法及装置 |
CN110929883A (zh) * | 2019-11-22 | 2020-03-27 | 苏州浪潮智能科技有限公司 | 一种在TensorFlow中支持FPGA训练的方法和装置 |
CN111324345A (zh) * | 2020-03-19 | 2020-06-23 | 北京奇艺世纪科技有限公司 | 数据处理方式生成方法、数据处理方法、装置及电子设备 |
US20200210768A1 (en) * | 2018-12-18 | 2020-07-02 | Slyce Acquisition Inc. | Training data collection for computer vision |
CN111414646A (zh) * | 2020-03-20 | 2020-07-14 | 矩阵元技术(深圳)有限公司 | 实现隐私保护的数据处理方法和装置 |
CN111428880A (zh) * | 2020-03-20 | 2020-07-17 | 矩阵元技术(深圳)有限公司 | 隐私机器学习实现方法、装置、设备及存储介质 |
CN111488211A (zh) * | 2020-04-09 | 2020-08-04 | 北京嘀嘀无限科技发展有限公司 | 基于深度学习框架的任务处理方法、装置、设备及介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4957043B2 (ja) * | 2006-03-30 | 2012-06-20 | カシオ計算機株式会社 | 情報処理装置、プログラム及び業務アプリケーション導入方法 |
JP2009252019A (ja) * | 2008-04-08 | 2009-10-29 | Hitachi Ltd | ソフトウェア再利用支援装置、及びソフトウェア再利用支援方法 |
JP6103978B2 (ja) * | 2013-02-18 | 2017-03-29 | キヤノン株式会社 | 配信装置、デバイス装置、配信装置の制御方法およびコンピュータプログラム |
US10691514B2 (en) * | 2017-05-08 | 2020-06-23 | Datapipe, Inc. | System and method for integration, testing, deployment, orchestration, and management of applications |
-
2020
- 2020-09-29 CN CN202011057647.XA patent/CN112270399B/zh active Active
-
2021
- 2021-08-10 US US17/398,750 patent/US20210365767A1/en active Pending
- 2021-08-11 EP EP21190719.1A patent/EP3940538A3/en active Pending
- 2021-08-20 KR KR1020210110115A patent/KR20210110530A/ko unknown
- 2021-09-15 JP JP2021150346A patent/JP7248756B2/ja active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140094182A1 (en) * | 2011-06-03 | 2014-04-03 | Sony Corporation | Wireless communication apparatus, information processing apparatus, communication system, and communication method |
CN107563360A (zh) * | 2017-09-30 | 2018-01-09 | 百度在线网络技术(北京)有限公司 | 信息获取方法和装置 |
CN107967135A (zh) * | 2017-10-31 | 2018-04-27 | 平安科技(深圳)有限公司 | 计算引擎实现方法、电子装置及存储介质 |
CN108227932A (zh) * | 2018-01-26 | 2018-06-29 | 上海智臻智能网络科技股份有限公司 | 交互意图确定方法及装置、计算机设备及存储介质 |
CN111459290A (zh) * | 2018-01-26 | 2020-07-28 | 上海智臻智能网络科技股份有限公司 | 交互意图确定方法及装置、计算机设备及存储介质 |
CN109064274A (zh) * | 2018-07-24 | 2018-12-21 | 方骥 | 一种基于机器学习的智慧电商页面缺货管理方法及系统 |
US20200210768A1 (en) * | 2018-12-18 | 2020-07-02 | Slyce Acquisition Inc. | Training data collection for computer vision |
CN110866610A (zh) * | 2019-11-20 | 2020-03-06 | 苏州浪潮智能科技有限公司 | 一种深度学习模型分布式运算的方法及装置 |
CN110929883A (zh) * | 2019-11-22 | 2020-03-27 | 苏州浪潮智能科技有限公司 | 一种在TensorFlow中支持FPGA训练的方法和装置 |
CN111324345A (zh) * | 2020-03-19 | 2020-06-23 | 北京奇艺世纪科技有限公司 | 数据处理方式生成方法、数据处理方法、装置及电子设备 |
CN111414646A (zh) * | 2020-03-20 | 2020-07-14 | 矩阵元技术(深圳)有限公司 | 实现隐私保护的数据处理方法和装置 |
CN111428880A (zh) * | 2020-03-20 | 2020-07-17 | 矩阵元技术(深圳)有限公司 | 隐私机器学习实现方法、装置、设备及存储介质 |
CN111488211A (zh) * | 2020-04-09 | 2020-08-04 | 北京嘀嘀无限科技发展有限公司 | 基于深度学习框架的任务处理方法、装置、设备及介质 |
Non-Patent Citations (3)
Title |
---|
S.C. GOLDSTEIN等: "PipeRench: A reconfigurable architecture and compiler", 《COMPUTER》 * |
任虎虎等: "指向深度学习机械能守恒定律三个逻辑问题及教学策略", 《湖南中学物理》 * |
邓智文等: "信息化质检系统数据库设计", 《测绘科学》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113342346A (zh) * | 2021-05-18 | 2021-09-03 | 北京百度网讯科技有限公司 | 深度学习框架的算子注册方法、装置、设备和存储介质 |
US11625248B2 (en) | 2021-05-18 | 2023-04-11 | Beijing Baidu Netcom Science Technology Co., Ltd. | Operator registration method and apparatus for deep learning framework, device and storage medium |
CN113220457A (zh) * | 2021-05-24 | 2021-08-06 | 交叉信息核心技术研究院(西安)有限公司 | 模型部署方法、模型部署装置、终端设备及可读存储介质 |
CN113220457B (zh) * | 2021-05-24 | 2024-03-22 | 深圳市智芯华玺信息技术有限公司 | 模型部署方法、模型部署装置、终端设备及可读存储介质 |
CN113377360A (zh) * | 2021-06-28 | 2021-09-10 | 北京百度网讯科技有限公司 | 任务执行方法、装置、电子设备、存储介质和程序产品 |
CN113377360B (zh) * | 2021-06-28 | 2023-09-26 | 北京百度网讯科技有限公司 | 任务执行方法、装置、电子设备、存储介质和程序产品 |
CN114168114A (zh) * | 2022-02-10 | 2022-03-11 | 中国电子科技集团公司第十五研究所 | 一种算子注册方法、装置以及设备 |
CN114841326A (zh) * | 2022-05-19 | 2022-08-02 | 北京百度网讯科技有限公司 | 深度学习框架的算子处理方法、装置、设备和存储介质 |
CN114911465A (zh) * | 2022-05-19 | 2022-08-16 | 北京百度网讯科技有限公司 | 算子的生成方法、装置、设备以及存储介质 |
CN114841326B (zh) * | 2022-05-19 | 2024-01-12 | 北京百度网讯科技有限公司 | 深度学习框架的算子处理方法、装置、设备和存储介质 |
CN116107669A (zh) * | 2023-04-14 | 2023-05-12 | 北京大学 | 深度学习框架的算子注册方法、装置、设备及存储介质 |
CN116107669B (zh) * | 2023-04-14 | 2023-08-18 | 北京大学 | 深度学习框架的算子注册方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
US20210365767A1 (en) | 2021-11-25 |
EP3940538A3 (en) | 2022-03-02 |
KR20210110530A (ko) | 2021-09-08 |
CN112270399B (zh) | 2022-03-11 |
JP2021193606A (ja) | 2021-12-23 |
EP3940538A2 (en) | 2022-01-19 |
JP7248756B2 (ja) | 2023-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112270399B (zh) | 基于深度学习的算子注册处理方法、装置及电子设备 | |
CN110706147B (zh) | 图像处理的环境确定方法、装置、电子设备和存储介质 | |
CN111582477B (zh) | 神经网络模型的训练方法和装置 | |
CN110659600A (zh) | 物体检测方法、装置及设备 | |
CN111090991A (zh) | 场景纠错方法、装置、电子设备和存储介质 | |
CN111475164A (zh) | 组件依赖关系检测方法、装置以及电子设备 | |
CN113256583A (zh) | 图像质量检测方法及装置、计算机设备和介质 | |
CN112015468A (zh) | 一种接口文档处理方法、装置、电子设备以及存储介质 | |
CN112149828B (zh) | 基于深度学习框架的算子精度检测方法和装置 | |
JP2021128779A (ja) | データ拡張の方法及び装置、機器、記憶媒体 | |
CN111177479A (zh) | 获取关系网络图中节点的特征向量的方法以及装置 | |
CN111339344B (zh) | 室内图像检索方法、装置及电子设备 | |
CN114676062A (zh) | 用于接口的差异数据测试方法及装置、电子设备和介质 | |
CN111522837B (zh) | 用于确定深度神经网络的耗时的方法和装置 | |
CN111506499B (zh) | 一种小程序中参数可用性检测方法、装置以及电子设备 | |
CN112270414A (zh) | 算子监控方法、装置、电子设备及存储介质 | |
CN112508163A (zh) | 神经网络模型中子图的展示方法、装置和存储介质 | |
CN111292223A (zh) | 图计算的处理方法、装置、电子设备及存储介质 | |
CN111125603A (zh) | 网页场景识别方法、装置、电子设备及存储介质 | |
CN111738325A (zh) | 图像识别方法、装置、设备以及存储介质 | |
CN111831317A (zh) | 服务间依赖关系的获取方法、装置、电子设备和存储介质 | |
CN111523452B (zh) | 用于检测图像中人体位置的方法和装置 | |
CN110865934A (zh) | 代码验证方法、装置、电子设备及可读存储介质 | |
CN112101281B (zh) | 人脸图像的检测方法、装置 | |
CN111831319A (zh) | 差异数据后验方法、装置、设备及存储介质 |
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 |