CN114091672B - 分布式模型推理方法及装置、电子设备和介质 - Google Patents

Abstract

本公开提供了一种分布式模型推理方法及装置、电子设备和介质，涉及人工智能领域，尤其涉及深度学习、计算机视觉和自然语言处理领域。实现方案为：获取模型的有向无环图，其中，模型包括多个第一子模型；以及响应于接收到计算请求，所述第一子模型中的每个第一子模型执行下述操作，以获取计算结果：基于该第一子模型相应的前向内存引用信息，获取该第一子模型的输入数据，以应用该第一子模型进行计算；以及基于该第一子模型相应的后向内存引用信息，将该第一子模型的输出数据存储到相应的存储地址。

Description

分布式模型推理方法及装置、电子设备和介质

技术领域

本公开涉及人工智能领域，尤其涉及深度学习、计算机视觉和自然语言处理领域，具体涉及一种分布式模型推理方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

背景技术

BERT、ERNIE、GPT等大规模预训练模型发展迅猛，在NLP、多模态、生物医学领域取得了巨大突破，训练出超大预训练模型的参数规模从十亿、百亿扩展到千亿、万亿。如何将超大预训练模型在生产环境中全量部署，并获得完整的模型效果，成为了业界关注的焦点。

在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。

发明内容

本公开提供了一种分布式模型推理方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

根据本公开的一方面，提供了一种模型推理方法，其中，所述模型包括多个第一子模型，并且，所述多个第一子模型的每一个第一子模型分别对应于一个计算设备，并且其中，所述多个第一子模型中的每个第一子模型包括分别部署于相应的计算设备上的多个计算单元上的多个第二子模型，并且所述多个第一子模型中的每个第一子模型所包括的多个第二子模型之间支持模型并行和数据并行，其中，所述方法包括：获取所述模型的有向无环图，其中，所述有向无环图中包括分别对应于所述多个第一子模型的多个节点，并且其中，所述多个节点中的每个节点包括前向内存引用信息和后向内存引用信息，并且其中，所述前向内存引用信息用于表征相应的第一子模型的输入数据的存储地址，并且所述后向内存引用信息用于表征相应的第一子模型的输出数据的存储地址；以及响应于接收到计算请求，所述多个第一子模型中的每个第一子模型执行下述操作，以获取计算结果：基于该第一子模型相应的前向内存引用信息，获取该第一子模型的输入数据，以应用该第一子模型进行计算；以及基于该第一子模型相应的后向内存引用信息，将该第一子模型的输出数据存储到相应的存储地址。

根据本公开的另一方面，提供了一种模型推理装置，其中，所述模型包括多个第一子模型，并且，所述多个第一子模型的每一个第一子模型分别对应于一个计算设备，并且其中，所述多个第一子模型中的每个第一子模型包括分别部署于相应的计算设备上的多个计算单元上的多个第二子模型，并且所述多个第一子模型中的每个第一子模型所包括的多个第二子模型之间支持模型并行和数据并行，其中，所述装置包括：第一获取单元，被配置为获取所述模型的有向无环图，其中，所述有向无环图中包括分别对应于所述多个第一子模型的多个节点，并且其中，所述多个节点中的每个节点包括前向内存引用信息和后向内存引用信息，并且其中，所述前向内存引用信息用于表征相应的第一子模型的输入数据的存储地址，并且所述后向内存引用信息用于表征相应的第一子模型的输出数据的存储地址；以及执行单元，被配置为响应于接收到计算请求，所述多个第一子模型中的每个第一子模型执行下述子单元的操作，以获取计算结果，其中，所述执行单元包括：第一获取子单元，被配置为基于该第一子模型相应的前向内存引用信息，获取该第一子模型的输入数据，以应用该第一子模型进行计算；以及第一存储子单元，被配置为基于该第一子模型相应的后向内存引用信息，将该第一子模型的输出数据存储到相应的存储地址。

根据本公开的一个或多个实施例，能够实现拓扑结构更加复杂的模型的分布式的部署与推理。

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

附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。

图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图；

图2示出了根据本公开的实施例的模型推理方法的流程图；

图3示出了根据本公开的模型推理方法实现的模型部署示意图；

图4示出了根据本公开的模型推理方法实现的模型部署示意图；

图5示出了根据本公开的实施例的模型推理装置的结构框图；

图6示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开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，而不会背离本公开的范围。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。

在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个要素与另一要素区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。

在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。

下面将结合附图详细描述本公开的实施例。

图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1，该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。

在本公开的实施例中，服务器120可以运行使得能够执行模型推理方法的一个或多个服务或软件应用。

在某些实施例中，服务器120还可以提供可以包括非虚拟环境和虚拟环境的其他服务或软件应用。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。

在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的系统配置是可能的，其可以与系统100不同。因此，图1是用于实施本文所描述的各种方法的系统的一个示例，并且不旨在进行限制。

用户可以使用客户端设备101、102、103、104、105和/或106来发送计算请求。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备，但是本领域技术人员将能够理解，本公开可以支持任何数量的客户端设备。

客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备，例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统，例如MICROSOFT Windows、APPLE iOS、类UNIX操作系统、Linux或类Linux操作系统(例如GOOGLE Chrome OS)；或包括各种移动操作系统，例如MICROSOFT WindowsMobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器(诸如智能眼镜)和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序，例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序，并且可以使用各种通信协议。

网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例，一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。

服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机，或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。

服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。

在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从客户端设备101、102、103、104、105和106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由客户端设备101、102、103、104、105和106的一个或多个显示设备来显示数据馈送和/或实时事件。

在一些实施方式中，服务器120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。服务器120也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(VPS，Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。

系统100还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据库130可以驻留在各种位置。例如，由服务器120使用的数据库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库130可以是不同的类型。在某些实施例中，由服务器120使用的数据库例如可以是关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。

在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。

图1的系统100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。

目前，现有的分布式推理架构只能支持简单线性拓扑结构的模型的部署和推理，但无法实现拓扑结构更加复杂的模型的部署与推理。

因此，根据本公开的实施例，如图2所示，提供了一种模型推理方法，其中，所述模型包括多个第一子模型，并且，所述多个第一子模型的每一个第一子模型分别对应于一个计算设备，并且其中，所述多个第一子模型中的每个第一子模型包括分别部署于相应的计算设备上的多个计算单元上的多个第二子模型，并且所述多个第一子模型中的每个第一子模型所包括的多个第二子模型之间支持模型并行和数据并行，其中，所述方法包括：步骤S201、获取所述模型的有向无环图，其中，所述有向无环图中包括分别对应于所述多个第一子模型的多个节点，并且其中，所述多个节点中的每个节点包括前向内存引用信息和后向内存引用信息，并且其中，所述前向内存引用信息用于表征相应的第一子模型的输入数据的存储地址，并且所述后向内存引用信息用于表征相应的第一子模型的输出数据的存储地址；以及响应于接收到计算请求，所述多个第一子模型中的每个第一子模型执行下述操作，以获取计算结果：步骤S202、基于该第一子模型相应的前向内存引用信息，获取该第一子模型的输入数据，以应用该第一子模型进行计算；以及步骤S203、基于该第一子模型相应的后向内存引用信息，将该第一子模型的输出数据存储到相应的存储地址。

根据本公开实施例的模型推理方法，将模型的各子模型之间的数据传输关系通过有向无环图通过内存引用的方式进行记录，从而实现了拓扑结构更加复杂的模型的分布式的部署与推理。

根据一些实施例，模型推理方法中应用的计算单元可以是显卡。

基于该方法，所述模型可以包括GPT(Generative Pre-Training，生成式的预训练)类型的模型，例如BERT、GPT-2等，也可以包括循环神经网络(Recurrent NeuralNetwork，RNN)以及图神经网络(Graph Neural Networks，GNN)等。在对上述模型进行部署时，首先会将模型拆分为多个第一子模型，并将这些第一子模型分别部署于不同的计算设备上。这些第一子模型之间的关系可以通过有向无环图(Directed Acyclic Graph，DAG)来表示。

图3示出了一个应用本公开的模型推理方法的模型部署示意图，其中虚线框中示出的为一个模型的有向无环图310，用于表示该模型的流水线。其中节点311-节点316分别为有向无环图中的各个节点，并且其中，两节点之间的箭头分别表示两节点之间的内存引用关系。节点311对应于用于接收用户计算请求的计算节点，节点316对应于用于向用户发送计算结果的计算节点，接收请求和发送结果可以通过RESTful、gRPC、bRPC等协议实现，同时这两个计算节点均支持合并批量请求、流量控制的功能。

节点312-节点314分别对应于模型所拆分的多个第一子模型，并且，这多个第一子模型的每一个第一子模型分别对应于一台计算设备，也即，如图中所示，节点312-节点314分别对应于计算设备320-计算设备340。其中，以节点312为例，其对应的第一子模型在部署时，被进一步拆分为多个第二子模型，例如，可以拆分为8个第二子模型，所述多个第二子模型可以通过复制其相应的第一子模型所得，也可以通过将相应的第一子模型进一步拆分所得。这些第二子模型分别部署于计算设备320的各个显卡上，其中，第二子模型的部署可以通过服务化部署框架来实现，并且在计算设备内部，各第二子模型之间通过NCCL集合通信算子实现各第二子模型间的数据并行和模型并行，同时支持共享内存技术以实现高性能通讯网络。各计算设备之间通过远程过程调用协议(Remote Procedure Call，RPC)协议远程访问部署子模型的部署服务，实现通信和同步。

两节点之间的箭头分别表示两节点之间的内存引用关系。以节点312和节点313为例，其中，节点312和节点313分别保存有其相应的前向内存引用信息和后向内存引用信息。当节点312收到计算请求时，节点312首先需要获取其所要输入子模型的数据，此时，节点312只需通过查询其相应的前向内存引用信息即可获取输入数据的存储地址，并从中获取所需的数据；当节点312完成计算后，其通过查询后向内存引用信息以获取其计算结果的存储地址，并将计算结果存储进去。节点313的前向内存引用信息即指向节点312计算结果的存储地址，也即节点312的后向内存引用信息。通过这种内存引用关系，可以将各个第一子模型连接为一个具有较为复杂结构的流水线。

根据一些实施例，所述有向无环图包括循环控制节点，并且其中，所述循环控制节点用于控制所述多个第一子模型中的至少一个第一子模型的循环计算。如图3所示，有向无环图310中具有一个循环控制节点315，通过循环控制节点315可以控制节点312-节点314所对应的第一子模型的循环计算。并且，根据一些实施例，所述循环控制节点包括循环条件信息和/或循环次数信息，用于控制所述多个第一子模型中的部分第一子模型的循环计算次数。

在一个示例中，循环控制节点的循环条件信息可以是通过继承、用户定制或用户重写获得，例如，当应用的模型是自然语言处理领域的模型时，可以通过判断当前句子的长度是否小于输入的句子的长度，从而判断是否跳出循环。

在一个示例中，循环控制节点也可以通过循环次数信息控制是否跳出循环。在计算请求中可以增加一个状态信息，应用该状态信息记录循环的执行次数，每当执行经过循环控制节点时，通过对比状态信息与所述循环次数信息判定是否继续执行循环。由此，可以通过外置的循环控制节点进行子模型循环的控制，使流水线之间实现松耦合关系，使模型具有更好的扩展性，同时也使得框架可以支持更多种类超大模型的推理。

基于本公开的模型推理方法，可以支持多项计算请求的并发执行。根据一些实施例，所述多个第一子模型之间基于远程过程调用协议进行线程调度，并且所述模型推理方法还可以包括：响应于接收到多个计算请求，为所述多个计算请求中的每个计算请求分配一个具有相应的请求标识的线程；并发执行多个所述线程；以及基于所述请求标识，获取相应的计算请求的计算结果。

当该模型同时接收到多个计算请求时，首先会为每个计算请求分配一个唯一的请求标识，并且该请求标识与其对应的计算请求的RPC线程所对应。在返回计算结果时，也会通过这个请求标识找到该RPC线程，进而获取计算结果数据。

根据一些实施例，所述并发执行多个所述线程可以包括：所述多个第一子模型中的每个第一子模型均执行下述操作：响应于该第一子模型对第一线程的计算任务执行结束，基于该第一子模型相应的后向内存引用信息，将该第一子模型的输出数据存储到相应的存储地址；以及基于第二线程的计算请求以及该第一子模型相应的前向内存引用信息，获取该第一子模型的输入数据，以应用该第一子模型执行第二线程的计算任务。

例如，如图3所示，当节点311同时接收到两个计算请求时，分别为这两个请求分配相应的请求标识和线程。首先，将第一线程的计算请求发送给节点312，节点312通过其前向内存引用信息获取其输入数据，并进行计算，所得计算中间结果基于其相应的后向内存引用信息，存储于相应的地址。随后，第一线程会将计算请求发送给节点313，节点313基于请求及其前向内存应用信息，从相应的地址中获取到由节点312获得的计算中间结果，作为输入数据进行计算。此时，节点312处于空闲状态，基于线程的调度，将第二线程的计算请求发送给节点312，并开始执行第二线程的计算任务。通过上述方法，能够实现多个计算请求的并发执行，从而提高了模型的计算效率和资源的利用率。

根据一些实施例，本公开的一种模型推理方法，其中，所述多个第一子模型中至少一个第一子模型可以对应于多个计算设备，并且所述至少一个第一子模型所包括的多个第二子模型分别部署于多个计算设备上的多个计算单元上，并且其中，部署于不同计算设备上的第二子模型之间基于远程过程调用协议实现模型并行和数据并行。

图4示出了一个应用本公开的模型推理方法的模型部署示意图，其中，节点410和节点420所对应的第一子模型通过集群化部署的方式分别部署于设备411-设备413等3台计算设备上，以及设备421-设备422等2台计算设备上。其中，以节点410为例，其对应的第一子模型在部署时，被进一步拆分为多个第二子模型，例如，可以拆分为24个第二子模型(其中，每个计算设备分别部署8个第二子模型)，所述多个第二子模型可以通过复制其相应的第一子模型所得，也可以通过将相应的第一子模型进一步拆分所得。这些第二子模型分别部署于计算设备411-计算设备413的各个显卡上，其中，第二子模型的部署可以通过服务化部署框架来实现，并且在计算设备内部，各第二子模型之间通过NCCL集合通信算子实现各第二子模型间的数据并行和模型并行，同时支持共享内存技术以实现高性能通讯网络。计算设备411-计算设备413之间通过远程过程调用协议远程访问部署子模型的部署服务，实现各第二子模型之间的数据并行和模型并行。

由此，可以通过将复杂度较高的第一子模型进一步拆分为更多的第二子模型，集群化的部署于多台计算机上，从而实现计算资源满足最佳配比，最终获得最优吞吐。

根据一些实施例，如图5所示，还提供了一种模型推理装置500，其中，所述模型包括多个第一子模型，并且，所述多个第一子模型的每一个第一子模型分别对应于一个计算设备，并且其中，所述多个第一子模型中的每个第一子模型包括分别部署于相应的计算设备上的多个计算单元上的多个第二子模型，并且所述多个第一子模型中的每个第一子模型所包括的多个第二子模型之间支持模型并行和数据并行，其中，所述装置包括：第一获取单元510，被配置为获取所述模型的有向无环图，其中，所述有向无环图中包括分别对应于所述多个第一子模型的多个节点，并且其中，所述多个节点中的每个节点包括前向内存引用信息和后向内存引用信息，并且其中，所述前向内存引用信息用于表征相应的第一子模型的输入数据的存储地址，并且所述后向内存引用信息用于表征相应的第一子模型的输出数据的存储地址；以及执行单元520，被配置为响应于接收到计算请求，所述多个第一子模型中的每个第一子模型执行下述子单元的操作，以获取计算结果，其中，所述执行单元包括：第一获取子单元521，被配置为基于该第一子模型相应的前向内存引用信息，获取该第一子模型的输入数据，以应用该第一子模型进行计算；以及第一存储子单元522，被配置为基于该第一子模型相应的后向内存引用信息，将该第一子模型的输出数据存储到相应的存储地址。

根据一些实施例，模型推理装置所应用的有向无环图可以包括循环控制节点，并且其中，所述循环控制节点用于控制所述多个第一子模型中的至少一个第一子模型的循环计算。

根据一些实施例，模型推理装置中的循环控制节点可以包括循环条件信息和/或循环次数信息，用于控制所述多个第一子模型中的部分第一子模型的循环计算次数。

根据一些实施例，模型推理装置中的所述多个第一子模型之间可以基于远程过程调用协议进行线程调度，并且所述模型推理装置还可以包括：分配单元，被配置为响应于接收到多个计算请求，为所述多个计算请求中的每个计算请求分配一个具有相应的请求标识的线程；并发执行单元，被配置为并发执行多个所述线程；以及第二获取单元，被配置为基于所述请求标识，获取相应的计算请求的计算结果。

根据一些实施例，所述并发执行单元可以被进一步配置为所述多个第一子模型中的每个第一子模型均执行下述子单元的操作，并且其中，所述并发执行单元可以包括：第二存储子单元，被配置为响应于该第一子模型对第一线程的计算任务执行结束，基于该第一子模型相应的后向内存引用信息，将该第一子模型的输出数据存储到相应的存储地址；以及第二获取子单元，被配置为基于第二线程的计算请求以及该第一子模型相应的前向内存引用信息，获取该第一子模型的输入数据，以应用该第一子模型执行第二线程的计算任务。

根据一些实施例，模型推理装置中，所述多个第一子模型中至少一个第一子模型可以对应于多个计算设备，并且所述至少一个第一子模型所包括的多个第二子模型分别部署于多个计算设备上的多个计算单元上，并且其中，部署于不同计算设备上的第二子模型之间基于远程过程调用协议实现模型并行和数据并行。

根据一些实施例，模型推理装置中所应用的计算单元可以是显卡。

根据本公开的实施例，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。

参考图6，现将描述可以作为本公开的服务器或客户端的电子设备600的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，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，电子设备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，还可存储电子设备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。

电子设备600中的多个部件连接至I/O接口605，包括：输入单元606、输出单元607、存储单元608以及通信单元609。输入单元606可以是能向电子设备600输入信息的任何类型的设备，输入单元606可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元607可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元608可以包括但不限于磁盘、光盘。通信单元609允许电子设备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，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙^TM设备、802.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。

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，例如常驻点识别方法。例如，在一些实施例中，常驻点识别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/或安装到电子设备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常驻点识别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)而被配置为执行常驻点识别方法。

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)、复杂可编程逻辑设备(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)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。服务器可以是云服务器，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。

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、也可以顺序地或以不同的次序执行，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。

虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。

Claims (16)

1.一种模型推理方法，其中，所述模型包括多个第一子模型，并且，所述多个第一子模型的每一个第一子模型分别对应于一个计算设备，并且其中，所述多个第一子模型中的每个第一子模型包括分别部署于相应的计算设备上的多个计算单元上的多个第二子模型，并且所述多个第一子模型中的每个第一子模型所包括的多个第二子模型之间支持模型并行和数据并行，其中，所述方法包括：

获取所述模型的有向无环图，其中，所述有向无环图中包括分别对应于所述多个第一子模型的多个节点，并且其中，所述多个节点中的每个节点包括前向内存引用信息和后向内存引用信息，并且其中，所述前向内存引用信息用于表征相应的第一子模型的输入数据的存储地址，并且所述后向内存引用信息用于表征相应的第一子模型的输出数据的存储地址；以及

响应于接收到计算请求，所述多个第一子模型中的每个第一子模型执行下述操作，以获取计算结果：

基于该第一子模型相应的前向内存引用信息，获取该第一子模型的输入数据，以应用该第一子模型进行计算；以及

基于该第一子模型相应的后向内存引用信息，将该第一子模型的输出数据存储到相应的存储地址。

2.根据权利要求1所述的方法，其中，所述有向无环图包括循环控制节点，并且其中，所述循环控制节点用于控制所述多个第一子模型中的至少一个第一子模型的循环计算。

3.根据权利要求2所述的方法，其中，所述循环控制节点包括循环条件信息和/或循环次数信息，用于控制所述多个第一子模型中的部分第一子模型的循环计算次数。

4.根据权利要求1至3中任一项所述的方法，其中，所述多个第一子模型之间基于远程过程调用协议进行线程调度，并且所述方法还包括：

响应于接收到多个计算请求，为所述多个计算请求中的每个计算请求分配一个具有相应的请求标识的线程；

并发执行多个所述线程；以及

基于所述请求标识，获取相应的计算请求的计算结果。

5.根据权利要求4所述的方法，其中，所述并发执行多个所述线程包括：

所述多个第一子模型中的每个第一子模型均执行下述操作：

响应于该第一子模型对第一线程的计算任务执行结束，基于该第一子模型相应的后向内存引用信息，将该第一子模型的输出数据存储到相应的存储地址；以及

基于第二线程的计算请求以及该第一子模型相应的前向内存引用信息，获取该第一子模型的输入数据，以应用该第一子模型执行第二线程的计算任务。

6.根据权利要求1至5中任一项所述的方法，其中，所述多个第一子模型中至少一个第一子模型对应于多个计算设备，并且所述至少一个第一子模型所包括的多个第二子模型分别部署于多个计算设备上的多个计算单元上，并且其中，部署于不同计算设备上的第二子模型之间基于远程过程调用协议实现模型并行和数据并行。

7.根据权利要求1至6中任一项所述的方法，其中，所述计算单元是显卡。

8. 一种模型推理装置，其中，所述模型包括多个第一子模型，并且，所述多个第一子模型的每一个第一子模型分别对应于一个计算设备，并且其中，所述多个第一子模型中的每个第一子模型包括分别部署于相应的计算设备上的多个计算单元上的多个第二子模型，并且所述多个第一子模型中的每个第一子模型所包括的多个第二子模型之间支持模型并行和数据并行，其中，所述装置包括：

第一获取单元，被配置为获取所述模型的有向无环图，其中，所述有向无环图中包括分别对应于所述多个第一子模型的多个节点，并且其中，所述多个节点中的每个节点包括前向内存引用信息和后向内存引用信息，并且其中，所述前向内存引用信息用于表征相应的第一子模型的输入数据的存储地址，并且所述后向内存引用信息用于表征相应的第一子模型的输出数据的存储地址；以及

执行单元，被配置为响应于接收到计算请求，所述多个第一子模型中的每个第一子模型执行下述子单元的操作，以获取计算结果，其中，所述执行单元包括：

第一获取子单元，被配置为基于该第一子模型相应的前向内存引用信息，获取该第一子模型的输入数据，以应用该第一子模型进行计算；以及

第一存储子单元，被配置为基于该第一子模型相应的后向内存引用信息，将该第一子模型的输出数据存储到相应的存储地址。

9.根据权利要求8所述的装置，其中，所述有向无环图包括循环控制节点，并且其中，所述循环控制节点用于控制所述多个第一子模型中的至少一个第一子模型的循环计算。

10.根据权利要求9所述的装置，其中，所述循环控制节点包括循环条件信息和/或循环次数信息，用于控制所述多个第一子模型中的部分第一子模型的循环计算次数。

11.根据权利要求8至10中任一项所述的装置，其中，所述多个第一子模型之间基于远程过程调用协议进行线程调度，并且所述装置还包括：

分配单元，被配置为响应于接收到多个计算请求，为所述多个计算请求中的每个计算请求分配一个具有相应的请求标识的线程；

并发执行单元，被配置为并发执行多个所述线程；以及

第二获取单元，被配置为基于所述请求标识，获取相应的计算请求的计算结果。

12. 根据权利要求11所述的装置，其中，所述并发执行单元被进一步配置为所述多个第一子模型中的每个第一子模型均执行下述子单元的操作，并且其中，所述并发执行单元包括：

第二存储子单元，被配置为响应于该第一子模型对第一线程的计算任务执行结束，基于该第一子模型相应的后向内存引用信息，将该第一子模型的输出数据存储到相应的存储地址；以及

第二获取子单元，被配置为基于第二线程的计算请求以及该第一子模型相应的前向内存引用信息，获取该第一子模型的输入数据，以应用该第一子模型执行第二线程的计算任务。

13.根据权利要求8至12中任一项所述的装置，其中，所述多个第一子模型中至少一个第一子模型对应于多个计算设备，并且所述至少一个第一子模型所包括的多个第二子模型分别部署于多个计算设备上的多个计算单元上，并且其中，部署于不同计算设备上的第二子模型之间基于远程过程调用协议实现模型并行和数据并行。

14.根据权利要求8至13中任一项所述的装置，其中，所述计算单元是显卡。

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1-7中任一项所述的方法。

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根据权利要求1-7中任一项所述的方法。

Images