CN112764755A - 代码转换方法、装置、设备以及存储介质 - Google Patents
代码转换方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN112764755A CN112764755A CN202110042472.3A CN202110042472A CN112764755A CN 112764755 A CN112764755 A CN 112764755A CN 202110042472 A CN202110042472 A CN 202110042472A CN 112764755 A CN112764755 A CN 112764755A
- Authority
- CN
- China
- Prior art keywords
- code
- source
- function
- graph mode
- static graph
- 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
- G06F8/00—Arrangements for software engineering
- G06F8/40—Transformation of program code
- G06F8/41—Compilation
- G06F8/44—Encoding
- G06F8/443—Optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/40—Transformation of program code
- G06F8/41—Compilation
- G06F8/44—Encoding
- G06F8/447—Target code generation
-
- 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)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Stored Programmes (AREA)
Abstract
本申请公开了一种代码转换方法、装置、设备以及存储介质,涉及深度学习技术领域。具体实现方案为:通过获取深度学习模型在动态图模式下的源代码,根据源代码,确定深度学习模型中同一个源函数所对应的多段源代码;确定多段源代码所对应的多个类实例信息,获取源函数在静态图模式下的第一函数代码;根据第一函数代码和多个类实例信息,生成源函数在静态图模式下所对应的多段目标代码后,根据多段目标代码,确定深度学习模型在静态图模式下的目标代码。由此,通过获取源函数在静态图模式下的第一函数代码,避免了对动态图模式下的相同源代码进行重复转换的过程,有效地提高了深度学习模型的代码转换的速度。
Description
技术领域
本申请公开了一种代码转换方法、装置、设备以及存储介质,涉及数据处理技术领域,具体涉及深度学习技术领域。
背景技术
随着深度学习技术的兴起,越来越多的深度学习框架被开源出来,各具特色。大多数的框架会支持声明式编程(静态图)和命令式编程(动态图)两种编程范式。静态图训练速度快,更易于部署推理;动态图调试方便,组网体验好,更有利于模型的快速组建。为了更好的融合动态图和静态图的优势,代码转写技术被应用到深度学习框架中,支持动态图转换到静态图。
但是,现有的将动态图转换到静态图的代码转换技术中,会对相同的函数进行多次转换,从而导致转换的效率较低。
发明内容
本申请提供了一种用于代码转换的方法、装置、设备以及存储介质。
根据本申请的一方面,提供了一种代码转换方法,包括:
获取深度学习模型在动态图模式下的源代码,并根据所述源代码,确定所述深度学习模型中同一个源函数所对应的多段源代码;
确定所述多段源代码所对应的多个类实例信息;
获取所述源函数在静态图模式下的第一函数代码;
根据所述第一函数代码和所述多个类实例信息,生成所述源函数在所述静态图模式下所对应的多段目标代码;
根据所述多段目标代码,确定所述深度学习模型在所述静态图模式下的目标代码。
可选地,所述获取所述源函数在静态图模式下的第一函数代码,包括:
查询第一预设存储位置是否存在所述源函数在静态图模式下的第一函数代码;
确定在所述第一预设存储位置查询到所述第一函数代码,则从所述第一预设存储位置中获取所述源函数在静态图模式下的第一函数代码。
可选地,所述方法还包括:
确定在所述第一预设存储位置未查询到所述第一函数代码,则获取所述源函数在所述动态图模式下的第一中间表示;
根据动态图模式与静态图模式之间的中间表示转换规则,对所述第一中间表示进行转换,以得到所述源函数在静态图模式下的第二中间表示;
根据所述第二中间表示,确定所述源函数在所述静态图模式下的第一函数代码。
可选地,所述获取所述源函数在所述动态图模式下的第一中间表示,包括:
对所述多段源代码中的任意一段源代码进行解析,以得到与实例无关的第二函数代码;
将所述第二函数代码转换为所述第一中间表示。
可选地,所述获取所述源函数在静态图模式下的第一函数代码之前,所述方法还包括:
确定第二预设存储位置中不存在每段源代码在所述静态图模式对应的第一代码。
可选地,所述方法还包括:
在确定所述第二预设存储位置存在目标段代码在所述静态图模式对应的第一代码的情况下,根据所述第一代码,确定所述源函数在静态图模式下的所述第一函数代码,其中,所述目标段代码为所述多段源代码中的第一部分源代码;
获取所述多段源代码中的第二部分源代码,其中,所述第二部分源代码为除了所述多段源代码中的第一部分源代码之外的代码;
根据所述第一函数代码和所述第二部分源代码对应的类实例信息,生成第二代码;
根据所述第一代码和所述第二代码,确定所述深度学习模型在所述静态图模式下的目标代码。
根据本申请的另一方面,提供了一种代码转换装置,包括:
第一获取模块,用于获取深度学习模型在动态图模式下的源代码,并根据所述源代码,确定所述深度学习模型中同一个源函数所对应的多段源代码;
第一确定模块,用于确定所述多段源代码所对应的多个类实例信息;
第二获取模块,用于获取所述源函数在静态图模式下的第一函数代码;
生成模块,用于根据所述第一函数代码和所述多个类实例信息,生成所述源函数在所述静态图模式下所对应的多段目标代码;
第二确定模块,用于根据所述多段目标代码,确定所述深度学习模型在所述静态图模式下的目标代码。
根据本申请的另一方面,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本申请的代码转换方法。
根据本申请的另一方面,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,所述计算机指令用于使所述计算机执行本申请实施例的代码转换方法。
根据本申请的另一方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现本申请实施例的代码转换方法。
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为本申请实施例提供的一种代码转换方法的流程示意图;
图2为本申请实施例提供的另一种代码转换方法的流程示意图;
图3为本申请实施例提供的另一种代码转换方法的流程示意图;
图4为本申请实施例提供的一种代码转换装置的结构示意图;
图5示出了可以用来实施本申请实施例的示例电子设备500的示意性框图。
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。
在深度学习模型组网中,经常存在多次复用的基本网络单元,为同一类函数的多次实例化调用。每次实例化的同一函数,虽然代码相同,但函数持有的权重、参数配置等信息完全不同,比如,用户自定义的带卷积操作的正则化ConvBatchNorm层。
现有技术,在将动态图转换为静态图的代码转换过程中,若每次实例化都不会命中缓存,则需要进行相同函数的多次重复转写,存在多余的性能开销。
针对现有的代码转换过程中存在重复转换的现象,本申请提供了一种代码转换方法,通过获取深度学习模型在动态图模式下的源代码,并根据源代码,确定深度学习模型中同一个源函数所对应的多段源代码;确定多段源代码所对应的多个类实例信息,获取源函数在静态图模式下的第一函数代码;根据第一函数代码和多个类实例信息,生成源函数在静态图模式下所对应的多段目标代码,进而,根据多段目标代码,确定深度学习模型在静态图模式下的目标代码。
下面参考附图描述本申请实施例的代码转换方法、装置、设备以及存储介质。
图1为本申请实施例提供的一种代码转换方法的流程示意图。
其中,需要说明的是,本实施例的代码转换方法的执行主体为代码转换装置,代码转换装置可以由软件和/或硬件的方式实现,该实施例中的代码转换装置可以配置在电子设备中,也可以配置在用于对电子设备进行控制的服务器中,该服务器与电子设备进行通信进而对其进行控制。
其中,本实施例中的电子设备可以包括但不限于个人计算、平台电脑、智能手机、智能音箱等设备,该实施例对电子设备不作具体限定。
如图1所示,该代码转换方法可以包括:
步骤101,获取深度学习模型在动态图模式下的源代码,并根据源代码,确定深度学习模型中同一个源函数所对应的多段源代码。
其中,动态图模式下程序可即时执行并输出结果,编程体验和调试便捷性更佳;静态图模式下模型训练速度快,能够对全局编译优化,更有利于性能的提升,并天然利于模型保存和部署。
本申请实施例中,可以获取到深度学习模型在动态图模式下编写的源代码,进而,根据获取到的源代码,确定深度学习模型中同一个源函数所对应的多段源代码。
在一种可能的情况下,假设源函数代码为类实例方法,由于每个方法都与具体的实例绑定在一起,在同一个源函数对应多个方法时,可以在源代码中,确定深度学习模型中同一个源函数所对应的多段源代码。
步骤102,确定多段源代码所对应的多个类实例信息。
由于不同源代码对应的类实例信息并不相同,在确定深度学习模型中同一个源函数所对应的多段源代码后,可以确定每一段源代码所对应的类实例信息。
可以理解为,类实例信息与源函数对应的源代码是一一对应的,确定同一个源函数所对应的多段源代码后,可以根据多段源代码确定对应的类实例信息。
步骤103,获取源函数在静态图模式下的第一函数代码。
本申请实施例中,在获取源函数在静态图模式下的第一函数代码时,首先确定缓存中是否存储有源函数在静态图模式下的第一函数代码。
在一种可能的情况下,确定缓存中存储有源函数在静态图模式下的第一函数代码,则可以直接从缓存中获取到源函数在静态图模式下的第一函数代码,从而避免了对源函数重复进行代码转换的过程。
在另一种可能的情况下,确定缓存中未存储有源函数在静态图模式下的第一函数代码,则需要对源函数进行代码转换,以将源函数转换为静态图模式下的第一函数代码。
步骤104,根据第一函数代码和多个类实例信息,生成源函数在静态图模式下所对应的多段目标代码。
本申请实施例中,获取到源函数在静态图模式下的第一函数代码和多个类实例信息后,可以根据第一函数代码和多个类实例信息,生成源函数在静态图模式下所对应的多段目标代码。
步骤105,根据多段目标代码,确定深度学习模型在静态图模式下的目标代码。
本申请实施例的代码转换方法,通过获取深度学习模型在动态图模式下的源代码,并根据源代码,确定深度学习模型中同一个源函数所对应的多段源代码;确定多段源代码所对应的多个类实例信息,获取源函数在静态图模式下的第一函数代码;根据第一函数代码和多个类实例信息,生成源函数在静态图模式下所对应的多段目标代码,进而,根据多段目标代码,确定深度学习模型在静态图模式下的目标代码。由此,通过获取源函数在静态图模式下的第一函数代码,以根据第一函数代码和多个类实例信息生成深度学习模型在静态图模式下的目标代码,避免了对动态图模式下的相同源代码进行转换的过程,有效地提升了深度学习模型的代码转换的速度。
在上述实施例的步骤103中,以及提及了通过确定缓存中是否存储源函数在静态图模式下的第一函数代码,以确定是否对源函数进行代码转换,下面结合图2进行详细介绍,图2为本申请实施例提供的另一种代码转换方法的流程示意图。
如图2所示,该代码转换方法,可以包括以下步骤:
步骤201,查询第一预设存储位置是否存在源函数在静态图模式下的第一函数代码。
本申请实施例中,在代码转换过程中引入了多级缓存,例如,可以在一级缓存中存储已经转换过的源函数对应的函数代码。在第二缓存中存储具有相同源代码的转换结果。
本申请实施例中,在获取源函数在静态图模式下的第一函数代码时,可以首先在第一预设存储位置中查询是否存在源函数在静态图模式下的第一函数代码。其中,第一预设存储位置可以理解为第一缓存。
步骤202,确定在第一预设存储位置查询到第一函数代码,则从第一预设存储位置中获取源函数在静态图模式下的第一函数代码。
在一种可能的情况下,在第一预设存储位置中查询是否存储有源函数在静态图模式下的第一函数代码后,确定第一预设存储位置中存储有第一函数代码,则可以直接从第一预设存储位置中获取源函数在静态图模式下的第一函数代码。由此,避免了对源函数进行重复的转换,提高了代码转换的速度。
步骤203,确定在第一预设存储位置未查询到第一函数代码,则获取源函数在动态图模式下的第一中间表示。
在另一种可能的情况下,在第一预设存储位置中查询是否存储有源函数在静态图模式下的第一函数代码后,确定第一预设存储位置中未存储有第一函数代码,则需要对源函数的代码进行代码转换。
在对源函数进行代码转换时,首先获取源函数在动态图模式下的第一中间表示(Intermediate Representation,简称IR)。
本申请实施例中,在将动态图模式下的源函数的代码转换为静态图模式下的函数代码时,引入了一种中间表示,它是将源函数的代码转换为静态图模式下的函数代码过程中的中间表示形态,它既不是动态图模式下的代码,也不是静态图模式下的代码。
作为一种可能的实现方式,在获取源函数在动态图模式下的第一中间表示时,可以对多段源代码中的任意一段源代码进行解析,以得到与实例无关的第二函数代码,进而,将第二函数代码转换为第一中间表示。
例如,在多段源代码为类实例方法时,由于每个方法都与具体的实例绑定在一起,在对多段源代码中的任意一段源代码进行解析时,可以首先解析出类实例信息和与实例无关的第二函数代码,再将第二函数代码转为中间表示。
在多段源代码为普通函数的代码时,在对多段源代码中的任意一段源代码进行解析时,可以首先解析为源代码,进而转化为某种中间表示,如抽象语法树(Abstract SyntaxTree,简称AST)。
步骤204,根据动态图模式与静态图模式之间的中间表示转换规则,对第一中间表示进行转换,以得到源函数在静态图模式下的第二中间表示。
其中,中间表示转换规则,可以为预先设定好的转换规则。
本申请实施例中,可以根据预先设定好的动态图模式与静态图模式之间的中间表示转换规则,对第一中间表示进行修改,以得到源函数在静态图模式下的第二中间表示。
步骤205,根据第二中间表示,确定源函数在静态图模式下的第一函数代码。
本申请实施例中,在得到源函数在静态图模式下的第二中间表示后,可以将第二中间表示重新转回深度学习框架前端可调用的函数。
在一种可能的情况下,在源函数的代码为普通函数的代码时,得到源函数在静态图模式下的第二中间表示后,可以根据第二中间表示,确定源函数在静态图模式下的第一函数代码。
在另一种可能的情况下,在源函数的代码为类实例方法时,根据第二中间表示,确定源函数在静态图模式下的第一函数代码后,需要将类实例相关的信息与第一函数代码重新绑定,以生成类实例方法。
本申请实施例的代码转换方法,确定在第一预设存储位置未查询到源函数在静态图模式下的第一函数代码,则获取源函数在动态图模式下的第一中间表示,根据动态图模式与静态图模式之间的中间表示转换规则,对第一中间表示进行转换,以得到源函数在静态图模式下的第二中间表示,根据第二中间表示,确定源函数在静态图模式下的第一函数代码。由此,在代码转换时,仅对缓存中未存储在静态图模式下的第一函数代码的源函数进行转换,从而提高了代码转换的速度。
在实际的场景中,在深度学习模型的前端代码中,经常存在多次复用的基本网络单元,多为同一类函数的多次实例化调用,因此,此类函数具有相同的代码字符串。在代码转换时,可以缓存相同函数的中间转写结果,以在函数生成阶段,绑定不同实例信息即可,可以大幅提升代码转写的速度。下面结合图3进行详细介绍,图3为本申请实施例提供的另一种代码转换方法的流程示意图。
如图3所示,该代码转换方法,可以包括以下步骤:
步骤301,确定第二预设存储位置中不存在每段源代码在静态图模式对应的第一代码,获取源函数在静态图模式下的第一代码。
其中,静态图模式对应的第一代码,可以为源代码的中间转换结果对应的代码。例如,在代码转换时,可以缓存相同函数的中间转换结果。
本申请的代码转换方法,可以引入多级缓存机制,其中,第一级缓存可以用于缓存源函数在静态图模式下的第一函数代码,第二级缓存可以用于缓存深度学习模型的源代码在静态图模式下对应的第一代码。
其中,第二预设存储位置,可以为第二级缓存。
本申请实施例中,在代码转换过程中,确定深度学习模型中同一个源函数所对应的多段源代码后,可以查询第二预设存储位置是否存在每段源代码在静态图模式对应的第一代码。
在一种可能的情况下,在查询第二预设存储位置是否存储有每段源代码在静态图模式对应的第一代码后,确定第二预设存储位置中不存在每段源代码在静态图模式对应的第一代码。
可以理解为,在确定第二预设存储位置中不存在每段源代码在静态图模式对应的第一代码,说明第二预设存储位置中并未存储有目标段源代码的中间转换结果。这种情况下,需要对每段源代码进行代码转换。
步骤302,在确定第二预设存储位置存在目标段代码在静态图模式对应的第一代码的情况下,根据第一代码,确定源函数在静态图模式下的第一函数代码。
其中,目标段代码为多段源代码中的第一部分源代码。
在另一种可能的情况下,在查询第二预设存储位置是否存储有每段源代码在静态图模式对应的第一代码后,确定第二预设存储位置中存在目标段代码在静态图模式对应的第一代码,这种情况下,可以根据第一代码,确定源函数在静态图模式下的第一函数代码。
可以理解的是,第二预设存储位置中已经存储有每段源代码在静态图模式对应的第一代码,则可以直接获取源函数在静态图模式下的第一函数代码。
步骤303,获取多段源代码中的第二部分源代码。
其中,第二部分源代码为除了多段源代码中的第一部分源代码之外的代码。
步骤304,根据第一函数代码和第二部分源代码对应的类实例信息,生成第二代码。
本申请实施例中,在代码转换时,确定第二预设存储位置存在目标段代码在静态图模式下对应的第一代码,在函数生成阶段,可以根据获取到的第一函数代码和第二部分源代码对应的类实例信息,绑定不同实例信息即可生成第二代码。
步骤305,根据第一代码和第二代码,确定深度学习模型在静态图模式下的目标代码。
本申请实施例中,确定第一代码和第二代码后,可以根据第一代码和第二代码,确定深度学习模型在静态图模式下的目标代码。
进一步地,可以将目标代码存储在第二预设存储位置,以在深度学习模型的代码转换过程中,直接从第二预设存储位置获取到目标代码,避免重复对该目标段代码进行转换,有利于提高代码转换的速度。
为了实现上述实施例,本申请实施例还提供一种代码转换装置。
图4为本申请实施例提供的一种代码转换装置的结构示意图。
如图4所示,该代码转换装置400,可以包括:第一获取模块410、第一确定模块420、第二获取模块430、生成模块440以及第二确定模块450。
其中,第一获取模块410,用于获取深度学习模型在动态图模式下的源代码,并根据源代码,确定深度学习模型中同一个源函数所对应的多段源代码。
第一确定模块420,用于确定多段源代码所对应的多个类实例信息。
第二获取模块430,用于获取源函数在静态图模式下的第一函数代码。
生成模块440,用于根据第一函数代码和多个类实例信息,生成源函数在静态图模式下所对应的多段目标代码。
第二确定模块450,用于根据多段目标代码,确定深度学习模型在静态图模式下的目标代码。
作为一种可能的情况,第二获取模块,还用于:
查询第一预设存储位置是否存在源函数在静态图模式下的第一函数代码;确定在第一预设存储位置查询到第一函数代码,则从第一预设存储位置中获取源函数在静态图模式下的第一函数代码。
作为另一种可能的情况,第二获取模块,还用于:
确定在第一预设存储位置未查询到第一函数代码,则获取源函数在动态图模式下的第一中间表示;根据动态图模式与静态图模式之间的中间表示转换规则,对第一中间表示进行转换,以得到源函数在静态图模式下的第二中间表示;根据第二中间表示,确定源函数在静态图模式下的第一函数代码。
作为另一种可能的情况,第二获取模块,还用于:
对多段源代码中的任意一段源代码进行解析,以得到与实例无关的第二函数代码;将第二函数代码转换为第一中间表示。
作为另一种可能的情况,该代码转换装置400,可以包括:
第三确定模块,用于确定第二预设存储位置中不存在每段源代码在静态图模式对应的第一代码。
作为另一种可能的情况,该代码转换装置400,可以包括:
第四确定模块,用于在确定第二预设存储位置存在目标段代码在静态图模式对应的第一代码的情况下,根据第一代码,确定源函数在静态图模式下的第一函数代码,其中,目标段代码为多段源代码中的第一部分源代码;
第三获取模块,用于获取多段源代码中的第二部分源代码,其中,第二部分源代码为除了多段源代码中的第一部分源代码之外的代码;
代码生成模块,用于根据第一函数代码和第二部分源代码对应的类实例信息,生成第二代码;
第五确定模块,用于根据第一代码和第二代码,确定深度学习模型在静态图模式下的目标代码。
其中,需要说明的是,前述对代码转换方法实施例的解释说明也适用于本实施例中的代码转换装置,此处不再赘述。
本申请实施例的代码转换装置,通过获取深度学习模型在动态图模式下的源代码,并根据源代码,确定深度学习模型中同一个源函数所对应的多段源代码;确定多段源代码所对应的多个类实例信息,获取源函数在静态图模式下的第一函数代码;根据第一函数代码和多个类实例信息,生成源函数在静态图模式下所对应的多段目标代码,进而,根据多段目标代码,确定深度学习模型在静态图模式下的目标代码。由此,通过获取源函数在静态图模式下的第一函数代码,以根据第一函数代码和多个类实例信息生成深度学习模型在静态图模式下的目标代码,避免了对动态图模式下的相同源代码进行转换的过程,有效地提升了深度学习模型的代码转换的速度。
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和一种计算机程序产品。
为了实现上述实施例,本申请还提出了一种电子设备,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上述实施例中所述的代码转换方法。
为了实现上述实施例,本申请还提出了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行上述实施例中所述的代码转换方法。
为了实现上述实施例,本申请还提出了一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现上述实施例中所述的代码转换方法。
图5示出了可以用来实施本申请实施例的示例电子设备500的示意性框图。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5所示,设备500包括计算单元501,其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序,来执行各种适当的动作和处理。在RAM503中,还可存储设备500操作所需的各种程序和数据。计算单元501、ROM502以及RAM503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
设备500中的多个部件连接至I/O接口505,包括:输入单元506,例如键盘、鼠标等;输出单元507,例如各种类型的显示器、扬声器等;存储单元508,例如磁盘、光盘等;以及通信单元509,例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理,例如代码转换方法。例如,在一些实施例中,代码转换方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元508。在一些实施例中,计算机程序的部分或者全部可以经由ROM502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由计算单元501执行时,可以执行上文描述的代码转换方法的一个或多个步骤。备选地,在其他实施例中,计算单元501可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行代码转换方法。
本文中以上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、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、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。
用于实施本申请的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本申请的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
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)、互联网和区块链网络。
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。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务("Virtual Private Server",或简称"VPS")中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
其中,需要说明的是,人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术;人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
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 (15)
1.一种代码转换方法,包括:
获取深度学习模型在动态图模式下的源代码,并根据所述源代码,确定所述深度学习模型中同一个源函数所对应的多段源代码;
确定所述多段源代码所对应的多个类实例信息;
获取所述源函数在静态图模式下的第一函数代码;
根据所述第一函数代码和所述多个类实例信息,生成所述源函数在所述静态图模式下所对应的多段目标代码;
根据所述多段目标代码,确定所述深度学习模型在所述静态图模式下的目标代码。
2.根据权利要求1所述的方法,其中,所述获取所述源函数在静态图模式下的第一函数代码,包括:
查询第一预设存储位置是否存在所述源函数在静态图模式下的第一函数代码;
确定在所述第一预设存储位置查询到所述第一函数代码,则从所述第一预设存储位置中获取所述源函数在静态图模式下的第一函数代码。
3.根据权利要求2所述的方法,其中,所述方法还包括:
确定在所述第一预设存储位置未查询到所述第一函数代码,则获取所述源函数在所述动态图模式下的第一中间表示;
根据动态图模式与静态图模式之间的中间表示转换规则,对所述第一中间表示进行转换,以得到所述源函数在静态图模式下的第二中间表示;
根据所述第二中间表示,确定所述源函数在所述静态图模式下的第一函数代码。
4.根据权利要求3所述的方法,其中,所述获取所述源函数在所述动态图模式下的第一中间表示,包括:
对所述多段源代码中的任意一段源代码进行解析,以得到与实例无关的第二函数代码;
将所述第二函数代码转换为所述第一中间表示。
5.根据权利要求1所述的方法,其中,所述获取所述源函数在静态图模式下的第一函数代码之前,所述方法还包括:
确定第二预设存储位置中不存在每段源代码在所述静态图模式对应的第一代码。
6.根据权利要求5所述的方法,其中,所述方法还包括:
在确定所述第二预设存储位置存在目标段代码在所述静态图模式对应的第一代码的情况下,根据所述第一代码,确定所述源函数在静态图模式下的所述第一函数代码,其中,所述目标段代码为所述多段源代码中的第一部分源代码;
获取所述多段源代码中的第二部分源代码,其中,所述第二部分源代码为除了所述多段源代码中的第一部分源代码之外的代码;
根据所述第一函数代码和所述第二部分源代码对应的类实例信息,生成第二代码;
根据所述第一代码和所述第二代码,确定所述深度学习模型在所述静态图模式下的目标代码。
7.一种代码转换装置,包括:
第一获取模块,用于获取深度学习模型在动态图模式下的源代码,并根据所述源代码,确定所述深度学习模型中同一个源函数所对应的多段源代码;
第一确定模块,用于确定所述多段源代码所对应的多个类实例信息;
第二获取模块,用于获取所述源函数在静态图模式下的第一函数代码;
生成模块,用于根据所述第一函数代码和所述多个类实例信息,生成所述源函数在所述静态图模式下所对应的多段目标代码;
第二确定模块,用于根据所述多段目标代码,确定所述深度学习模型在所述静态图模式下的目标代码。
8.根据权利要求7所述的装置,其中,所述第二获取模块,还用于:
查询第一预设存储位置是否存在所述源函数在静态图模式下的第一函数代码;
确定在所述第一预设存储位置查询到所述第一函数代码,则从所述第一预设存储位置中获取所述源函数在静态图模式下的第一函数代码。
9.根据权利要求8所述的装置,其中,所述第二获取模块,还用于:
确定在所述第一预设存储位置未查询到所述第一函数代码,则获取所述源函数在所述动态图模式下的第一中间表示;
根据动态图模式与静态图模式之间的中间表示转换规则,对所述第一中间表示进行转换,以得到所述源函数在静态图模式下的第二中间表示;
根据所述第二中间表示,确定所述源函数在所述静态图模式下的第一函数代码。
10.根据权利要求9所述的装置,其中,所述第二获取模块,还用于:
对所述多段源代码中的任意一段源代码进行解析,以得到与实例无关的第二函数代码;
将所述第二函数代码转换为所述第一中间表示。
11.根据权利要求7所述的装置,其中,所述装置还包括:
第三确定模块,用于确定第二预设存储位置中不存在每段源代码在所述静态图模式对应的第一代码。
12.根据权利要求11所述的装置,其中,所述装置还包括:
第四确定模块,用于在确定所述第二预设存储位置存在目标段代码在所述静态图模式对应的第一代码的情况下,根据所述第一代码,确定所述源函数在静态图模式下的所述第一函数代码,其中,所述目标段代码为所述多段源代码中的第一部分源代码;
第三获取模块,用于获取所述多段源代码中的第二部分源代码,其中,所述第二部分源代码为除了所述多段源代码中的第一部分源代码之外的代码;
代码生成模块,用于根据所述第一函数代码和所述第二部分源代码对应的类实例信息,生成第二代码;
第五确定模块,用于根据所述第一代码和所述第二代码,确定所述深度学习模型在所述静态图模式下的目标代码。
13.一种电子设备,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1-6中任一项所述的代码转换方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行权利要求1-6中任一项所述的代码转换方法。
15.一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现权利要求1-6任一项所述的代码转换方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110042472.3A CN112764755B (zh) | 2021-01-13 | 2021-01-13 | 代码转换方法、装置、设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110042472.3A CN112764755B (zh) | 2021-01-13 | 2021-01-13 | 代码转换方法、装置、设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112764755A true CN112764755A (zh) | 2021-05-07 |
CN112764755B CN112764755B (zh) | 2022-04-12 |
Family
ID=75700092
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110042472.3A Active CN112764755B (zh) | 2021-01-13 | 2021-01-13 | 代码转换方法、装置、设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112764755B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114201242A (zh) * | 2021-12-10 | 2022-03-18 | 北京百度网讯科技有限公司 | 用于处理数据的方法、装置、设备以及存储介质 |
CN114756211A (zh) * | 2022-05-13 | 2022-07-15 | 北京百度网讯科技有限公司 | 模型训练方法、装置、电子设备和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080127127A1 (en) * | 2006-11-29 | 2008-05-29 | International Business Machines Corporation | Method, system and program product for transforming a single language program into multiple language programs |
CN110515626A (zh) * | 2019-08-20 | 2019-11-29 | Oppo广东移动通信有限公司 | 深度学习计算框架的代码编译方法及相关产品 |
CN111880807A (zh) * | 2020-07-31 | 2020-11-03 | Oppo广东移动通信有限公司 | 深度学习编译方法、装置、设备及存储介质 |
-
2021
- 2021-01-13 CN CN202110042472.3A patent/CN112764755B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080127127A1 (en) * | 2006-11-29 | 2008-05-29 | International Business Machines Corporation | Method, system and program product for transforming a single language program into multiple language programs |
CN110515626A (zh) * | 2019-08-20 | 2019-11-29 | Oppo广东移动通信有限公司 | 深度学习计算框架的代码编译方法及相关产品 |
CN111880807A (zh) * | 2020-07-31 | 2020-11-03 | Oppo广东移动通信有限公司 | 深度学习编译方法、装置、设备及存储介质 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114201242A (zh) * | 2021-12-10 | 2022-03-18 | 北京百度网讯科技有限公司 | 用于处理数据的方法、装置、设备以及存储介质 |
CN114201242B (zh) * | 2021-12-10 | 2023-01-31 | 北京百度网讯科技有限公司 | 用于处理数据的方法、装置、设备以及存储介质 |
CN114756211A (zh) * | 2022-05-13 | 2022-07-15 | 北京百度网讯科技有限公司 | 模型训练方法、装置、电子设备和存储介质 |
CN114756211B (zh) * | 2022-05-13 | 2022-12-16 | 北京百度网讯科技有限公司 | 模型训练方法、装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112764755B (zh) | 2022-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210342549A1 (en) | Method for training semantic analysis model, electronic device and storage medium | |
CN112559007B (zh) | 多任务模型的参数更新方法、装置及电子设备 | |
CN113342345A (zh) | 深度学习框架的算子融合方法、装置 | |
CN112764755B (zh) | 代码转换方法、装置、设备以及存储介质 | |
CN112540767B (zh) | 程序代码的生成方法、装置、电子设备及存储介质 | |
CN112508768A (zh) | 单算子多模型流水线推理方法、系统、电子设备及介质 | |
CN114691148A (zh) | 模型推理加速方法、装置、电子设备及存储介质 | |
CN112527281A (zh) | 基于人工智能的算子升级方法、装置、电子设备及介质 | |
US20220053335A1 (en) | Method for detecting an abnormal device, device and storage medium | |
EP4075263A1 (en) | Dependency graph generation method and apparatus, device, storage medium, and program product | |
CN114816393A (zh) | 信息生成方法、装置、设备以及存储介质 | |
CN113724398A (zh) | 增强现实方法、装置、设备以及存储介质 | |
CN113220367A (zh) | 小程序的运行方法、装置、电子设备及存储介质 | |
US20220207427A1 (en) | Method for training data processing model, electronic device and storage medium | |
CN115481594B (zh) | 计分板实现方法、计分板、电子设备及存储介质 | |
CN113408304B (zh) | 文本翻译方法、装置、电子设备及存储介质 | |
CN112817463A (zh) | 输入法获取音频数据的方法、设备和存储介质 | |
CN114743586A (zh) | 存储器模型的镜像存储实现方法、装置及存储介质 | |
CN114816467B (zh) | 升级文件的生成方法、装置和电子设备 | |
CN115860121B (zh) | 文本推理方法、装置、设备以及存储介质 | |
CN114218069B (zh) | 回归测试方法、装置、电子设备及存储介质 | |
CN113963433B (zh) | 运动搜索方法、装置、电子设备及存储介质 | |
CN114860405B (zh) | 多任务模型的参数更新方法、装置和存储介质 | |
CN113360798B (zh) | 泛滥数据识别方法、装置、设备和介质 | |
CN113570067B (zh) | 分布式系统的同步方法、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 |