CN112799642B - 用于处理数据的方法、装置、设备以及存储介质 - Google Patents
用于处理数据的方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN112799642B CN112799642B CN202110062157.7A CN202110062157A CN112799642B CN 112799642 B CN112799642 B CN 112799642B CN 202110062157 A CN202110062157 A CN 202110062157A CN 112799642 B CN112799642 B CN 112799642B
- Authority
- CN
- China
- Prior art keywords
- variables
- operator
- unused
- variable
- variable set
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/20—Software design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3668—Software testing
- G06F11/3672—Test management
- G06F11/3688—Test management for test execution, e.g. scheduling of test suites
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3668—Software testing
- G06F11/3672—Test management
- G06F11/3692—Test management for test results analysis
-
- 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
- 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
Abstract
本申请公开了一种用于处理数据的方法、装置、设备以及存储介质。涉及计算机技术、人工智能领域,尤其涉及深度学习、云计算领域。具体实现方案为:获取目标代码,所述目标代码包括至少一个算子;执行每个算子,自动获取执行过程中的输入变量集以及已使用变量集;基于所述输入变量集和所述已使用变量集,确定所述输入变量集中的无关变量,并输出。本实现方式通过自动地在深度学习框架的新增代码合入前进行算子无关变量的检查和监控,避免新增代码引入算子无关变量而导致的增加显存占用和框架性能下降,实现简单,具有可操作性。
Description
技术领域
本申请涉及计算机技术、人工智能领域,具体涉及深度学习、云计算领域,尤其涉及用于处理数据的方法、装置、设备以及存储介质。
背景技术
深度学习框架是新一代人工智能技术的关键技术,是众多人工智能算法能够快速实现、迭代和落地的重要基础。在深度学习框架中,神经网络模型通常被表示成由不同数据节点(变量)和操作节点(算子)组成的计算图,其中不同的操作称为算子。由于深度学习芯片如NVIDIA显卡等的显存资源有限,深度学习框架的显存性能是至关重要的,其中最基础的就是算子的显存性能,而算子中的无关变量会增加算子的显存占用,降低显存性能。
由于深度学习框架中算子数量持续增多,并且处于快速迭代中,新增算子和已有算子的改动可能会引入无关变量,导致算子乃至框架的显存性能下降。
发明内容
本公开提供了一种用于处理数据的方法、装置、设备以及存储介质。
根据本公开的一方面,提供了一种用于处理数据的方法,包括:获取目标代码,目标代码包括至少一个算子;执行每个算子,自动获取执行过程中的输入变量集以及已使用变量集;基于输入变量集和已使用变量集,确定输入变量集中的无关变量,并输出。
根据本公开的另一方面,提供了一种用于处理数据的装置,包括:获取单元,被配置成获取目标代码,目标代码包括至少一个算子;执行单元,被配置成执行每个算子,自动获取执行过程中的输入变量集以及已使用变量集;输出单元,被配置成基于输入变量集和已使用变量集,确定输入变量集中的无关变量,并输出。
根据本公开的再一方面,提供了一种用于处理数据的电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行如上述用于处理数据的方法。
根据本公开的又一方面,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,上述计算机指令用于使计算机执行如上述用于处理数据的方法。
根据本公开的又一方面,提供了一种计算机程序产品,包括计算机程序,该计算机程序在被处理器执行时实现如上述用于处理数据的方法。
根据本申请的技术解决了深度学习框架中算子数量持续增多,新增算子和已有算子的改动可能会引入无关变量,导致算子乃至框架的显存性能下降的问题,通过自动地在深度学习框架的新增代码合入前进行算子无关变量的检查和监控,避免新增代码引入算子无关变量而导致的增加显存占用和框架性能下降,实现简单,具有可操作性。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开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是本申请的一个实施例可以应用于其中的示例性系统架构图;
图2是根据本申请的用于处理数据的方法的一个实施例的流程图;
图3是根据本申请的用于处理数据的方法的一个应用场景的示意图;
图4是根据本申请的用于处理数据的方法的另一个实施例的流程图;
图5是根据本申请的用于处理数据的装置的一个实施例的结构示意图;
图6是用来实现本申请实施例的用于处理数据的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,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的用于处理数据的方法或用于处理数据的装置的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如处理数据类应用等。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是各种电子设备,包括但不限于智能手机、平板电脑、车载电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103获取的目标代码,执行每个算子,并进行无关变量确定的后台服务器。后台服务器可以获取终端设备101、102、103发送的目标代码,目标代码包括至少一个算子;服务器105执行目标代码中的每个算子,自动获取执行过程中的输入变量集以及已使用变量集;服务器105基于输入变量集和已使用变量集,确定输入变量集中的无关变量,并输出。
需要说明的是,服务器105可以是硬件,也可以是软件。当服务器105为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器105为软件时,可以实现成多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是,本申请实施例所提供的用于处理数据的方法一般由服务器105执行。相应地,用于处理数据的装置一般设置于服务器105中。
继续参考图2,示出了根据本申请的用于处理数据的方法的一个实施例的流程200。本实施例的用于处理数据的方法,包括以下步骤:
步骤201,获取目标代码。
本实施例中,用于处理数据的方法的执行主体(例如,图1中的服务器105)可以通过有线连接或无线连接的方式获取由终端设备101、102、103获取的目标代码。具体地,目标代码可以是待合入深度学习框架的新增代码。具体地,本申请中的深度学习框架满足以下要求:深度学习框架中算子执行时通过一套统一的接口来获取输入变量;深度学习框架中算子都有完善的单测覆盖。
执行主体中可以包含持续集成(CI,Continuous integration)系统。或者执行主体可以与持续集成(CI,Continuous integration)系统通信连接。本申请对执行主体与持续集成(CI,Continuous integration)系统的连接方式以及位置关系不做具体限定。其中,持续集成(CI,Continuous integration)系统用于对执行主体获取的目标代码进行测试,以确定是否将目标代码合入深度学习框架。目标代码包括至少一个算子。算子,指的是深度学习框架中对数据节点进行操作的函数。
步骤202,执行每个算子,自动获取执行过程中的输入变量集以及已使用变量集。
执行主体在获取目标代码后,可以将目标代码输入持续集成(CI,Continuousintegration)系统中,在该系统中添加一个FLAG控制开关,用于控制是否开启算子无关变量的检查。则在持续集成系统中,对每一份新增代码(PR,Pull Requests)进行检查时,执行主体可以控制该控制开关打开。然后,持续集成系统自动对每一个算子进行单元测试检查,执行单元测试。在单元测试中会执行算子,在每一个算子执行前,初始化一个空的ThreadLocal(线程局部)的used_set(集合),用于记录在该算子执行时需要使用的输入变量。该算子执行时,执行主体可以在获取输入变量的统一接口中添加记录逻辑,将获取的输入变量的名字加入到used_set(集合)即已使用变量集中,并自动获取该已使用变量集。其中,记录逻辑可以是一段代码,例如,可以是:
Var GetInputVar(string name){//算子获取输入变量的统一接口
Var v=getVarByName(name);//查找算子输入变量
used_set=used_set+{name};//新增记录逻辑
return v;//返回输入变量
}
在每个算子执行结束后,自动获取执行过程中每个算子注册的算子输入集合,记录为input_set即输入变量集。
步骤203,基于输入变量集和已使用变量集,确定输入变量集中的无关变量,并输出。
执行主体在获取输入变量集和已使用变量集后,可以基于输入变量集和已使用变量集,确定输入变量集中的无关变量,并输出。具体地,执行主体可以将已使用变量集从输入变量集中除去,将剩下的变量确定为输入变量集中的无关变量,并输出确定出的无关变量以供开发者对目标代码进行优化。
继续参考图3,其示出了根据本申请的用于处理数据的方法的一个应用场景的示意图。在图3的应用场景中,服务器303获取目标代码301,目标代码包括至少一个算子302。服务器303执行每个算子302,自动获取执行过程中的输入变量集304以及已使用变量集305。服务器303基于输入变量集304和已使用变量集305,确定输入变量集304中的无关变量306,并输出。
本实施例通过自动地在深度学习框架的新增代码合入前进行算子无关变量的检查和监控,避免新增代码引入算子无关变量而导致的增加显存占用和框架性能下降,实现简单,具有可操作性。
继续参考图4,其示出了根据本申请的用于处理数据的方法的另一个实施例的流程400。如图4所示,本实施例的用于处理数据的方法,可以包括以下步骤:
步骤401,获取目标代码。
其中,目标代码包括至少一个算子。
步骤402,执行每个算子,自动获取执行过程中的输入变量集以及已使用变量集。
步骤403,基于输入变量集和已使用变量集,确定输入变量集中的无关变量,并输出。
步骤401~步骤403的原理与步骤201~步骤203的原理类似,此处不再赘述。
具体地,步骤403还可以通过步骤4031~4038来实现:
步骤4031,基于输入变量集和已使用变量集,确定未使用变量集。
步骤4032,基于未使用变量集,确定输入变量集中的无关变量。
本实施例中,执行主体可以从输入变量集中除去已使用变量集,将剩下的变量组成的集合确定为未使用变量集。但是未使用变量集中可能会存在误报,因此需要对得到的未使用变量集进行进一步的压缩处理,从而将该未使用变量集中的无关变量确定出来,并作为输入变量集中的无关变量。
本实施例可以使得确定出的输入变量集中的无关变量更准确。
具体地,步骤4032还可以通过步骤4033~步骤4034来实现:
步骤4033,确定算子白名单。
步骤4034,响应于确定该执行的算子在算子白名单中,将未使用变量集设置为空。
在对未使用变量集进行进一步的压缩处理时,执行主体可以首先确定算子白名单。具体地,执行主体可以从本地或者从云端通过有线连接或无线连接的方式获取预先存储的算子白名单。算子白名单的作用在于,极少数算子确实允许存在无关变量,因为这些允许存在的无关变量是在某些条件分支中使用到,其他条件分支不使用。为了防止这类算子被报告出来,需要设置算子白名单进行过滤。算子白名单可以记为allow_list,执行主体响应于确定该执行的算子在预先设置的算子白名单中,则可以将未使用变量集设置为空。具体地,设置为空的意思是指移除集合中的所有变量,示例的:将算子A的unused_set设置为空,则为{}。当未使用变量集设置为空时,则持续集成(CI,Continuous integration)系统对该算子的测试通过,可以作为目标代码的一部分合入深度学习框架中。
本实施例通过设置算子白名单,可以防止极少数允许存在无关变量的算子被检测出来,从而提升确定出的无关变量的准确性。
步骤4035,响应于确定该执行的算子不在算子白名单中,确定并移除未使用变量集中的仅需提供尺寸信息的变量。
步骤4036,将移除该仅需提供尺寸信息的变量后的未使用变量集中的剩余未使用变量确定为无关变量。
具体地,因为如果变量被声明为“仅需要使用Shape(尺寸)信息”,则该变量占用的显存空间可以被提前释放掉,因此该变量不属于需要检测的“无关变量”。
当执行主体确定出该执行的算子不在算子白名单中时,可以确定出未使用变量集中的仅需要使用该变量的Shape(尺寸)信息的变量,并将确定出的这些仅需提供尺寸信息的变量从未使用变量集(unused_set)中移除。
例如,某算子A的unnsed_set={a,b,c},如果变量a被声明为“仅需要使用Shape(尺寸)信息”,则将a从unnsed_set中移除,得到unnsed_set={b,c}。
具体地,移除是指移除单个或多个变量。执行主体将从未使用变量集中移除仅需提供尺寸信息的变量后的剩余变量确定为无关变量。
本实施例通过在确定出所执行的算子不在算子白名单中时,进一步确定执行该算子时确定出的未使用变量集中的仅需提供尺寸信息的变量,并将仅需提供尺寸信息的变量移除,将剩余变量确定为无关变量,由此可以进一步提升确定出的无关变量的准确性。
步骤4037,响应于确定未使用变量集中存在变量未占用显存空间,移除该未占用显存空间的变量。
步骤4038,将移除该未占用显存空间的变量后的未使用变量集中的剩余未使用变量确定为无关变量。
本实施例中,变量内部有一个智能指针,指向分配的显存空间,如果该指针为nullptr,则说明该变量未被分配显存空间,即未初始化。
本实施例中,used_set和unused_set中记录的是变量。执行主体在移除未使用变量集中的仅需提供尺寸信息的变量之后,可以进一步判断未使用变量集中剩余的变量中是否存在变量未占用显存空间或者称为未被分配显存空间,则移除该未占用显存空间的变量。执行主体最终将未使用变量集中仅需提供尺寸信息的变量以及未占用显存空间的变量移除之后,剩余的变量确定为无关变量。
本实施例通过在算子不在预设的算子白名单中时,进一步确定未使用变量集中的仅需提供尺寸信息的变量,并进一步确定未使用变量集中在移除仅需提供尺寸信息的变量之后的剩余的变量中是否存在变量未占用显存空间,最终将未使用变量集中的仅需提供尺寸信息的变量以及未占用显存空间的变量移除,将剩下的变量确定为无关变量,以达到压缩未使用变量集的目的,进一步保证了确定出的无关变量的准确性。
执行主体在单元测试结束后,响应于测试结果为未使用变量集(unused_set)不为空,则CI不通过,打印报警信息,即打印算子名称及其中含有的无关变量名单,并输出给开发者以供查阅,该进行单元测试的算子不能作为目标代码的一部合入深度学习框架中。打印报警信息的目的是提示开发者对该算子中的无关变量进行优化。
具体地,对无关变量进行优化是指开发者可以根据具体情况对执行主体输出的无关变量进行进一步的确认:对确认为算子中的无关变量,从该算子的输入中删除该无关变量;对是由执行主体确定的无关变量而实际上并非是无关变量的变量进行记录和处理(例如,变量a是由执行主体确定出的无关变量,但是开发者在对变量a进行进一步确认时发现,该变量a只需要提供尺寸信息,则应不属于无关变量,开发者可以将该变量a声明为“仅需要使用Shape(尺寸)信息”并更新变量属性信息;或者开发者在对变量a进行进一步确认时发现,该变量a对应的算子是属于算子白名单中的一个,则将该算子加入到白名单中),以供执行主体在对其他算子的单元测试中能够准确地确定出无关变量。
响应于测试结果为未使用变量集(unused_set)为空,则CI通过,可以将该进行单元测试的算子作为目标代码的一部分合入深度学习框架代码库。
本申请对以上各步骤的执行顺序不做具体限定。
进一步参考图5,作为对上述各图所示方法的实现,本申请提供了一种用于处理数据的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,本实施例的用于处理数据的装置500包括:获取单元501、执行单元502和输出单元503。
获取单元501,被配置成获取目标代码,目标代码包括至少一个算子。
执行单元502,被配置成执行每个算子,自动获取执行过程中的输入变量集以及已使用变量集。
输出单元503,被配置成基于输入变量集和已使用变量集,确定输入变量集中的无关变量,并输出。
在本实施例的一些可选的实现方式中,输出单元503进一步被配置成:基于输入变量集和已使用变量集,确定未使用变量集;基于未使用变量集,确定输入变量集中的无关变量。
在本实施例的一些可选的实现方式中,输出单元503进一步被配置成:确定算子白名单;响应于确定该执行的算子在算子白名单中,将未使用变量集设置为空。
在本实施例的一些可选的实现方式中,输出单元503进一步被配置成:响应于确定该执行的算子不在算子白名单中,确定并移除未使用变量集中的仅需提供尺寸信息的变量;将移除该仅需提供尺寸信息的变量后的未使用变量集中的剩余未使用变量确定为无关变量。
在本实施例的一些可选的实现方式中,输出单元503进一步被配置成:响应于确定未使用变量集中存在变量未占用显存空间,移除该未占用显存空间的变量;将移除该未占用显存空间的变量后的未使用变量集中的剩余未使用变量确定为无关变量。
应当理解,用于处理数据的装置500中记载的单元501至单元50X分别与参考图2中描述的方法中的各个步骤相对应。由此,上文针对用于处理数据的方法描述的操作和特征同样适用于装置500及其中包含的单元,在此不再赘述。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图6示出了可以用来实施本公开的实施例的示例电子设备600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/或者要求的本公开的实现。
如图6所示,设备600包括计算单元601,其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序,来执行各种适当的动作和处理。在RAM 603中,还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605,包括:输入单元606,例如键盘、鼠标等;输出单元607,例如各种类型的显示器、扬声器等;存储单元608,例如磁盘、光盘等;以及通信单元609,例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600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601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601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601执行上文所描述的各个方法和处理,例如用于处理数据方法。例如,在一些实施例中,用于处理数据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608。在一些实施例中,计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时,可以执行上文描述的用于处理数据方法的一个或多个步骤。备选地,在其他实施例中,计算单元601可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行如上述用于处理数据的方法。
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。
用于实施本公开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。
在本公开的上下文中,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。
计算机程序产品,包括计算机程序,该计算机程序在被处理器执行时实现如上述的用于处理数据的方法。
根据本申请实施例的技术方案,通过自动地在深度学习框架的新增代码合入前进行算子无关变量的检查和监控,避免新增代码引入算子无关变量而导致的增加显存占用和框架性能下降,实现简单,具有可操作性。
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,本公开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,只要能够实现本公开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,并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (9)
1.一种用于处理数据的方法,包括:
获取目标代码,所述目标代码包括至少一个算子;所述目标代码是待合入深度学习框架的新增代码;
执行每个算子,自动获取执行过程中的输入变量集以及已使用变量集;
基于所述输入变量集和所述已使用变量集,确定所述输入变量集中的无关变量,并输出所述无关变量以对所述目标代码进行优化;
所述基于所述输入变量集和所述已使用变量集,确定所述输入变量集中的无关变量,包括:
基于所述输入变量集和所述已使用变量集,确定未使用变量集,包括:从所述输入变量集中去除所述已使用变量集中的变量,得到所述未使用变量集;
基于所述未使用变量集,确定所述输入变量集中的无关变量,包括:利用算子白名单对所述未使用变量集进行压缩处理,得到所述输入变量集中的无关变量;
所述利用算子白名单对所述未使用变量集进行压缩处理,得到所述输入变量集中的无关变量,包括:响应于确定该执行的算子不在所述算子白名单中,确定并移除所述未使用变量集中的仅需提供尺寸信息的变量;将移除该仅需提供尺寸信息的变量后的未使用变量集中的剩余未使用变量确定为无关变量。
2.根据权利要求1所述的方法,其中,所述利用算子白名单对所述未使用变量集进行压缩处理,得到所述输入变量集中的无关变量,包括:
确定所述算子白名单;
响应于确定该执行的算子在所述算子白名单中,将所述未使用变量集设置为空。
3.根据权利要求1所述的方法,其中,所述利用算子白名单对所述未使用变量集进行压缩处理,得到所述输入变量集中的无关变量,还包括:
响应于确定所述未使用变量集中存在变量未占用显存空间,移除该未占用显存空间的变量;
将移除该未占用显存空间的变量后的未使用变量集中的剩余未使用变量确定为无关变量。
4.一种用于处理数据的装置,包括:
获取单元,被配置成获取目标代码,所述目标代码包括至少一个算子;所述目标代码是待合入深度学习框架的新增代码;
执行单元,被配置成执行每个算子,自动获取执行过程中的输入变量集以及已使用变量集;
输出单元,被配置成基于所述输入变量集和所述已使用变量集,确定所述输入变量集中的无关变量,并输出所述无关变量以对所述目标代码进行优化;
所述输出单元进一步被配置成:
基于所述输入变量集和所述已使用变量集,确定未使用变量集,包括:从所述输入变量集中去除所述已使用变量集中的变量,得到所述未使用变量集;
基于所述未使用变量集,确定所述输入变量集中的无关变量,包括:利用算子白名单对所述未使用变量集进行压缩处理,得到所述输入变量集中的无关变量;
所述输出单元进一步被配置成:
响应于确定该执行的算子不在所述算子白名单中,确定并移除所述未使用变量集中的仅需提供尺寸信息的变量;
将移除该仅需提供尺寸信息的变量后的未使用变量集中的剩余未使用变量确定为无关变量。
5.根据权利要求4所述的装置,其中,所述输出单元进一步被配置成:
确定所述算子白名单;
响应于确定该执行的算子在所述算子白名单中,将所述未使用变量集设置为空。
6.根据权利要求4所述的装置,其中,所述输出单元进一步被配置成:
响应于确定所述未使用变量集中存在变量未占用显存空间,移除该未占用显存空间的变量;
将移除该未占用显存空间的变量后的未使用变量集中的剩余未使用变量确定为无关变量。
7.一种用于处理数据的电子设备,其特征在于,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1-3中任一项所述的方法。
8.一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根据权利要求1-3中任一项所述的方法。
9.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-3中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110062157.7A CN112799642B (zh) | 2021-01-18 | 2021-01-18 | 用于处理数据的方法、装置、设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110062157.7A CN112799642B (zh) | 2021-01-18 | 2021-01-18 | 用于处理数据的方法、装置、设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112799642A CN112799642A (zh) | 2021-05-14 |
CN112799642B true CN112799642B (zh) | 2022-04-05 |
Family
ID=75810106
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110062157.7A Active CN112799642B (zh) | 2021-01-18 | 2021-01-18 | 用于处理数据的方法、装置、设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112799642B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114492737B (zh) * | 2021-12-31 | 2022-12-09 | 北京百度网讯科技有限公司 | 数据处理方法、装置及电子设备、存储介质及程序产品 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109240700A (zh) * | 2018-07-06 | 2019-01-18 | 北京大学 | 关键代码定位方法与系统 |
KR102023034B1 (ko) * | 2019-02-08 | 2019-09-19 | (주)데이터리퍼블릭 | 인공지능 기반 서비스 구현 및 시스템 운용 장치 |
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 |
CN111753999A (zh) * | 2020-06-29 | 2020-10-09 | 北京小米松果电子有限公司 | 模型使用方法及装置 |
CN111966361A (zh) * | 2020-09-25 | 2020-11-20 | 北京百度网讯科技有限公司 | 用于确定待部署模型的方法、装置、设备及其存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109918995B (zh) * | 2019-01-16 | 2023-07-28 | 上海理工大学 | 一种基于深度学习的人群异常检测方法 |
-
2021
- 2021-01-18 CN CN202110062157.7A patent/CN112799642B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109240700A (zh) * | 2018-07-06 | 2019-01-18 | 北京大学 | 关键代码定位方法与系统 |
KR102023034B1 (ko) * | 2019-02-08 | 2019-09-19 | (주)데이터리퍼블릭 | 인공지능 기반 서비스 구현 및 시스템 운용 장치 |
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 |
CN111753999A (zh) * | 2020-06-29 | 2020-10-09 | 北京小米松果电子有限公司 | 模型使用方法及装置 |
CN111966361A (zh) * | 2020-09-25 | 2020-11-20 | 北京百度网讯科技有限公司 | 用于确定待部署模型的方法、装置、设备及其存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112799642A (zh) | 2021-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113342345A (zh) | 深度学习框架的算子融合方法、装置 | |
CN112965848A (zh) | 用于微服务的熔断降级方法、装置、设备和介质 | |
CN112799642B (zh) | 用于处理数据的方法、装置、设备以及存储介质 | |
CN113795039A (zh) | 运营商网络切换方法、装置、设备和计算机可读存储介质 | |
CN113641544A (zh) | 用于检测应用状态的方法、装置、设备、介质和产品 | |
CN114070889B (zh) | 配置方法、流量转发方法、设备、存储介质及程序产品 | |
CN113377295B (zh) | 多生产者单消费者的数据存储和读取方法、装置、设备 | |
CN113778849A (zh) | 用于测试代码的方法、装置、设备以及存储介质 | |
CN114389969A (zh) | 客户端的测试方法、装置、电子设备和存储介质 | |
CN115309730A (zh) | 数据审核方法、装置、电子设备及存储介质 | |
CN114386577A (zh) | 用于执行深度学习模型的方法、设备和存储介质 | |
CN113691403A (zh) | 拓扑节点配置方法、相关装置及计算机程序产品 | |
CN113014675A (zh) | 数据处理方法及装置、电子设备和存储介质 | |
CN113127357A (zh) | 单元测试方法、装置、设备、存储介质及程序产品 | |
CN114816758B (zh) | 资源分配方法和装置 | |
CN113760765B (zh) | 代码测试方法、装置、电子设备和存储介质 | |
CN115408195A (zh) | 一种异构平台的批量任务管理方法、设备和存储介质 | |
CN113656268A (zh) | 业务服务的性能测试方法、装置、电子设备和存储介质 | |
CN117992417A (zh) | 一种日志调用方法、装置及系统 | |
CN113961775A (zh) | 数据可视化的方法、装置、电子设备和可读存储介质 | |
CN114327577A (zh) | 一种代码变动的确定方法、装置、电子设备及存储介质 | |
CN114356505A (zh) | 用于调度容器组的方法、装置、设备、介质和产品 | |
CN115878086A (zh) | 一种应用程序的运行处理方法、装置、设备及存储介质 | |
CN115374010A (zh) | 功能测试方法、装置、设备及存储介质 | |
CN115454480A (zh) | 数据的更新方法、装置及系统、车辆、电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |