CN114091686A - 数据处理方法、装置、电子设备和存储介质 - Google Patents
数据处理方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN114091686A CN114091686A CN202111336067.9A CN202111336067A CN114091686A CN 114091686 A CN114091686 A CN 114091686A CN 202111336067 A CN202111336067 A CN 202111336067A CN 114091686 A CN114091686 A CN 114091686A
- Authority
- CN
- China
- Prior art keywords
- objects
- target
- target object
- class
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06F9/465—Distributed object oriented systems
Abstract
本公开提供了一种数据处理方法,涉及人工智能技术领域,尤其涉及分布式计算技术和深度学习技术。具体实现方案为:针对至少一个计算图中每个计算图,执行以下操作:针对该计算图中的多个目标对象,根据每个目标对象的分布式属性,对每个目标对象进行N次切分,得到多个目标子对象,其中,N为大于或等于1的整数;根据所述多个目标子对象,得到N个计算子图;以及根据所述每个计算图的N个计算子图,进行数据处理。本公开还提供了一种数据处理装置、电子设备和存储介质。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及分布式计算技术和深度学习技术。更具体地,本公开提供了一种数据处理方法、装置、电子设备和存储介质。
背景技术
相关技术中,在应用分布式技术进行模型训练时,可以利用多个设备执行一个模型训练任务。例如,可以将模型的参数、中间变量和算子等分配到多个设备,以利用多个设备执行模型训练任务。
发明内容
本公开提供了一种数据处理方法、装置、设备以及存储介质。
根据第一方面,提供了一种数据处理方法,该方法包括:针对至少一个计算图中每个计算图,执行以下操作:针对该计算图中的多个目标对象,根据每个目标对象的分布式属性,对每个目标对象进行N次切分,得到多个目标子对象,其中,N为大于或等于1的整数;根据上述多个目标子对象,得到N个计算子图;以及根据上述每个计算图的N个计算子图,进行数据处理。
根据第二方面,提供了一种数据处理装置,该装置包括:执行模块,用于针对至少一个计算图中每个计算图,通过以下子模块执行相关操作:切分子模块,用于针对该计算图中的多个目标对象,根据每个目标对象的分布式属性,对每个目标对象进行N次切分,得到多个目标子对象,其中,N为大于或等于1的整数;获得子模块,用于根据上述多个目标子对象,得到N个计算子图;以及处理子模块,用于根据上述每个计算图的N个计算子图,进行数据处理。
根据第三方面,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根据本公开提供的方法。
根据第四方面,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,该计算机指令用于使计算机执行根据本公开提供的方法。
根据第五方面,提供了一种计算机程序产品,包括计算机程序,上述计算机程序在被处理器执行时实现根据本公开提供的方法。
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,不构成对本公开的限定。其中:
图1是根据本公开一个实施例的可以应用数据处理方法和装置的示例性系统架构示意图;
图2是根据本公开一个实施例的数据处理方法的流程图;
图3是根据本公开另一个实施例的数据处理方法的流程图;
图4A是根据本公开一个实施例的计算图的示意图;
图4B是根据本公开一个实施例的数据处理方法的原理图;
图5是根据本公开另一个实施例的数据处理方法的原理图;
图6是根据本公开一个实施例的数据处理装置的框图;以及
图7是根据本公开一个实施例的应用数据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。
一个模型训练任务可以用一个计算图表示。在应用分布式技术进行模型训练时,可以将一个计算图切分成多个计算子图,以使每个设备根据一个计算子图执行任务。然而在切分计算图的过程中,需要进行多种处理,比如将模型的参数和算子分配给不同的设备、调整不同的设备之间的通信方式以保证计算的正确性和高效性等等。因此,用户不仅需要熟悉掌握深度学习算法知识,还要掌握计算图切分、通信、调度等知识,这提高了用户的使用门槛,增加了用户的使用成本。
与深度学习对应的计算图可以包括前向计算图、反向计算图和更新计算图。在应用非分布式技术进行模型训练时,用户只需要构造前向计算图。然而,在应用分布式技术进行模型训练时,用户还需要考虑反向计算图之间、更新计算图之间的通信和同步问题,导致用户使用分布式技术的成本进一步提高。
图1是根据本公开一个实施例的可以应用数据处理方法和装置的示例性系统架构示意图。需要注意的是,图1所示仅为可以应用本公开实施例的系统架构的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
如图1所示,根据该实施例的系统架构100可以包括多个设备101、网络102和服务器103。网络102用以在设备101和服务器103之间提供通信链路的介质。网络102可以包括各种连接类型,例如有线和/或无线通信链路等等。
用户可以使用设备101通过网络102与服务器103进行交互,以接收或发送消息等。设备101可以是各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机等等。多个设备101之间也可以通过其他网络进行通信交互。
本公开实施例所提供的数据处理方法中一般可以由服务器103执行。相应地,本公开实施例所提供的数据处理装置一般可以设置于服务器103中。本公开实施例所提供的数据处理方法也可以由不同于服务器103且能够与设备101和/或服务器103通信的服务器或服务器集群执行。相应地,本公开实施例所提供的数据处理装置也可以设置于不同于服务器103且能够与设备101和/或服务器103通信的服务器或服务器集群中
图2是根据本公开一个实施例的数据处理方法的流程图。
如图2所示,该数据处理方法200可以针对至少一个计算图中每个计算图,执行以下操作S210至操作S230。
在操作S210,针对该计算图中的多个目标对象,根据每个目标对象的分布式属性,对每个目标对象进行N次切分,得到多个目标子对象。
例如,N为大于或等于1的整数。
在本公开实施例中,计算图可以是前向计算图、反向计算图或更新计算图中的至少一个。
例如,前向计算图中可以包含变量A、变量B、变量C、变量D、变量E、算子OP_1和算子OP_2。在一个示例中,变量A可不作为目标对象,不进行切分。在一个示例中,算子OP_1的输入是变量A和变量B,输出是变量C。算子OP_2的输入是变量C和变量D,输出是变量E。
例如,反向计算图是根据前向计算图生成的。在一个示例中,算子OP_1被执行时,可以创建一个反向算子grad_OP_1。反向算子grad_OP_1的输入是变量A、变量B和反向变量grad_C,输出是反向变量grad_A和反向变量grad_B。类似地,算子OP_2被执行时,可以反向计算图中创建一个反向算子grad_OP_2。反向算子grad_OP_2的输入是变量C、变量D和反向变量grad_E,输出是反向变量grad_C和反向变量grad_D。因此,反向计算图中可以包含反向变量grad_A、反向变量grad_B、反向变量grad_C、反向变量grad_D、反向变量grad_E、反向算子grad_OP_1和反向算子grad_OP_2。
例如,更新计算图可以根据反向计算图生成。在一个示例中,得到反向计算图之后,可以利用梯度下降算法更新变量B,以得到反向计算图中的一个更新后的变量。比如,通过以下公式更新变量B,得到更新后的变量B’,:
B’=B-α*grad_B (公式一)
在另一个示例中,可以利用其它算法更新变量B,比如,通过以下公式更新变量B,得到更新后的变量B’:
B’=F(B,grad_B,grad_D) (公式二)
F可以为任意函数。
采用类似的方法,可以得到更新计算图中包含的其他变量:更新后的变量A’、更新后的变量C’、更新后的变量D’、更新后的变量E’。
例如,前向计算图、反向计算图和更新计算图中的目标对象的数量可以不同。
例如,前向计算图可以包括多个第一目标对象。在一个示例中,可以分别将变量B、变量C、变量D、变量E、算子OP_1和算子OP_2作为多个第一目标对象。
例如,反向计算图可以包括多个第二目标对象。在一个示例中,可以将反向变量grad_B、反向变量grad_C、反向变量grad_D、反向变量grad_E、反向算子grad_OP_1和反向算子grad_OP_2作为多个第二目标对象。
例如,更新计算图可以包括多个第三目标对象。在一个示例中,可以将更新后的变量B’、更新后的变量C’、更新后的变量D’、更新后的变量E’作为多个第三目标对像。
在本公开实施例中,可以为每个第一目标对像添加对应该第一目标对象的分布式属性,以确定该第一目标对象的分布式属性。
例如,可以获取用户为每个第一目标对象设置的分布式属性。然后为每个第一目标对象添加与该第一目标对象对应的分布式属性。
在本公开实施例中,可以获取与每个第二目标对象对应的至少一个第一目标对象的分布式属性,以确定该第二目标对象的分布式属性。
例如,一个第二目标对象可以为前文记载的反向变量grad_B。如前文记载,该反向变量grad_D为反向算子grad_OP_2的输出,而反向算子grad_OP_2的输入是变量C、变量D、反向变量grad_E。因此,可以将变量D的分布式属性赋给反向变量grad_D,也可以将变量C和变量D的分布式属性赋给反向变量grad_D。采用类似的方式,可以确定每个第二目标对象的分布式属性。由此,可以为反向计算图中的算子和变量补充分布式属性。
在本公开实施例中,可以获取与每个第三目标对象对应的至少一个第二目标对象的分布式属性,以确定该第三目标对象的分布式属性。
例如,一个第三目标对象可以是前文记载的更新后的变量B’。在一个示例中,如前文记载,参照公式一,该更新后的变量B’是根据前向计算图中的反向变量grad_B得到的,可以将反向变量grad_B的分布式属性赋给更新后的变量B’。采用类似的方式,可以确定每个第三目标对象的分布式属性。进而,可以为更新计算图中的变量(和/或算子)补充分布式属性。在一个示例中,如前文记载,参照公式二,该更新后的变量B’是根据前向计算图中的反向变量grad_B和反向变量grad_D得到的,可以将反向变量grad_B的分布式属性和反向变量grad_D的分布式属性赋给更新后的变量B’。采用类似的方式,可以确定每个第三目标对象的分布式属性。进而,可以为更新计算图中的变量(和/或算子)补充分布式属性。
在本公开实施例中,可以获取与每个第三目标对象对应的至少一个第一目标对象的分布式属性,以确定该第三目标对象的分布式属性。
例如,一个第三目标对象可以是前文记载的更新后的变量B’。在一个示例中,如前文记载,参照公式一,该更新后的变量B’是根据前向计算图中的变量B得到的,可以将变量B的分布式属性赋给更新后的变量B’。采用类似的方式,可以确定每个第三目标对象的分布式属性。进而,可以为更新计算图中的变量(和/或算子)补充分布式属性。
在本公开实施例中,多个目标对象可以为K个目标对象,多个目标子对象可以为N*K个目标子对象。
例如,不同计算图中目标对象的数量可以是不同的。在一个示例中,前向计算图中有K个第一目标对象,反向计算图中也有K个第二目标对象,而更新计算图中有K’个第三目标对象。
在本公开实施例中,在每次切分过程中,可以针对该计算图中的K个目标对象,根据每个目标对象的分布式属性进行切分,得到K个目标子对象。
例如,在每次切分过程中,可以针对前向计算图中的K个第一目标对象,根据每个第一目标对象的分布式属性进行切分,得到K个第一目标子对象。在一些示例中,接下来,重复N次,可以得到N*K个第一目标子对象。
例如,在每次切分过程中,可以针对反向计算图中的K个第二目标对象,根据每个第二目标对象的分布式属性进行切分,得到K个第二目标子对象。在一些示例中,接下来,重复N次,可以得到N*K个第二目标子对象。
例如,在每次切分过程中,可以针对更新计算图中的K’个第三目标对象,根据每个第三目标对象的分布式属性进行切分,得到K’个第三目标子对象。在一些示例中,接下来,重复N次,可以得到N*K’个第三目标子对象。
在操作S220,根据多个目标子对象,得到N个计算子图。
在本公开实施例中,根据前向计算图的多个第一目标子对象,得到N个前向计算子图。
例如,在前文记载的每次切分过程之后,可以得到K个第一目标子对象。在一个示例中,根据K个第一目标子对象,可以得到1个前向计算子图。
例如,在对前向计算图进行N次切分之后,可以得到N*K个第一目标子对象。在一个示例中,根据N*K个第一目标子对象,可以得到N个前向计算子图。
采用类似的方式,可以得到N个反向计算子图和N个更新计算子图。
在操作S230,根据每个计算图的N个计算子图,进行数据处理。
例如,可以将每个计算图的一个计算子图发送给一个设备,以使该设备根据接收到的计算子图进行数据处理。
通过本公开实施例,根据目标对象的分布式属性,对目标对象进行切分,可以高效地生成计算子图。用户可以只为前向计算图的第一目标对象添加分布式属性,就可以得到反向计算图和更新计算图中目标对象的分布式属性。可以降低使用分布式技术训练深度学习模型的门槛和成本。
图3是根据本公开另一个实施例的图像处理方法的示意图。
如图3所示,该方法可以针对该计算图中的多个目标对象,根据每个目标对象的分布式属性,对每个目标对象进行N次切分,得到多个目标子对象。而目标对象可以包括第一类目标对象和第二类目标对象。分布式属性可以包括第一分布式属性和第二分布式属性。下面将参照操作S311至操作S312进行详细说明。
在操作S311,针对该计算图中的多个第一类目标对象,根据每个第一类目标对象的第一分布式属性和第二分布式属性,对每个第一类目标对象进行N次切分,得到多个第一类目标子对象。
例如,第一分布式属性的类型可以是张量(Tensor),用于表示计算子图之间的拓扑结构。
例如,第二分布式属性的类型可以是链表。
在本公开实施例中,每个第一类目标对象可以具有第一分布式属性和第二分布式属性。
例如,在第一目标对象中,前文记载的变量B、变量C、变量D、变量E可以为第一类第一目标对象。又例如,在第二目标对象中,前文记载的反向变量grad_B、反向变量grad_C、反向变量grad_D、反向变量grad_E可以为第一类第二目标对象。又例如,在第三目标对象中,前文记载的更新后的变量B’、更新后的变量C’、更新后的变量D’、更新后的变量E’可以为第一类第三目标对象。
例如,针对前向计算图,在每次切分过程中,可以针对前向计算图中的K个第一目标对象中K1个第一类目标对象,根据每个第一类第一目标对象的第一分布式属性和第二分布式属性,进行切分,得到K1个第一类第一目标子对象。
又例如,针对反向计算图,在每次切分过程中,可以采用与切分前向计算图类似的操作。进而可以在每次切分过程之后,得到K1个第一类第二目标子对象。
又例如,针对更新计算图,在每次切分过程中,可以采用与切分前向计算图类似的操作。进而可以在每次切分过程之后,得到K’1个第一类第三目标子对象。
在操作S312,针对该计算图中的多个第二类目标对象,根据每个第二类目标对象的第一分布式属性,对每个第二类目标对象进行N次切分,得到多个第二类目标子对象。
在本公开实施例中,第二类目标对象可以具有第一分布式属性。
例如,在第一目标对象中,前文记载的算子OP_1和算子OP_2可以为第二类第一目标对象。算子OP_1和算子OP_2可以具有第一分布式属性。又例如,在第二目标对象中,前文记载的反向算子grad_OP_1和反向算子grad_OP_2可以为第二类第二目标对象。反向算子grad_OP_1和反向算子grad_OP_2可以具有第一分布式属性。
例如,可以针对前向计算图中的K个第一目标对象中K2个第二类第一目标对象,根据每个第二类第一目标对象的第一分布式属性,进行切分,得到K2个第二类第一目标子对象。
又例如,针对反向计算图,在每次切分过程中,可以采用与切分前向计算图类似的操作。进而可以在每次切分过程之后,得到K2个第二类第二目标子对象。
又例如,针对更新计算图,在每次切分过程中,可以采用与切分前向计算图类似的操作。进而可以在每次切分过程之后,得到K’2个第二类第三目标子对象。
在操作S311和S312被执行的同时或之后,该方法还可以针对至少一个计算图中每个计算图,执行下述操作S313和S314。
在操作S313,针对多个第二类目标对象,根据与每个第二类目标对象关联的至少一个第一类目标对象的分布式属性,确定与该第二类目标对象对应的通信信息,得到多个通信信息。
在本公开实施例中,通信信息可以包括通信方式和通信组。
例如,通信方式可以是Allreduce,通信组可以是参与该通信方式的进程。
例如,如前文记载,第二类目标对象可以是计算图中的算子。每个第二类目标对象以至少一个第一类目标对象为输入。与一个第二类目标对象关联的至少一个第一类目标对象可以是该第二类目标对象的输入。
在操作S314,根据多个通信信息,确定N个计算子图中的多个第三类目标子对象。
例如,每个第三类目标子对象对应至少一个第二类目标对象。在一个示例中,每个第三类目标子对象可以对应计算图中的多个算子。在另一个示例中,每个第三类目标子对象可以对应计算图中的最后一个算子。该最后一个算子的输出可以是该计算图的最终输出。
例如,可以根据通信方式和通信组,确定与每个计算子图的对应的通信节点。可以将该通信节点作为一个第三类目标子对象。
接下来,该方法可以根据多个目标子对象,得到N个计算子图。下面将参照下述操作S321进行详细说明
在操作S321,根据多个第一类目标子对象、多个第二类目标子对象和多个第三类目标子对象,得到N个计算子图
例如,在每次切分过程之后,可以根据K1个第一类第一目标子对象、K2个第二类第一目标子对象和1个第三类第一目标子对象,得到一个前向计算子图。进而,在N次切分过程之后,可以得到N个前向计算子图。又例如,采用类似的方式,可以得到N个反向计算子图和N个更新计算子图。
接下来,可以执行例如图2的操作S230,本公开在此不再赘述。
通过本公开实施例,可以将前向计算图、反向计算图和更新计算图中的变量或算子切分,并建立计算子图之间的通信,以保证计算结果的正确性。
需要说明的是,操作S311至操作S312与操作S313至操作S314可以是并行执行的。但是本公开的实施例不限于此,这两组操作也可以按照其他顺序来执行,例如先执行操作S311至操作S312,再执行操作S313至操作S314,或者先执行操作S313至操作S314,再执行操作S311至操作S312。
图4A是根据本公开一个实施例的计算图的示意图。
如图4A所示,计算图400可以是前文记载的前向计算图。计算图400中包括变量A401、变量B 402、变量C 404、变量D 405、变量E 407、算子OP_1 403和算子OP_2 406。
可以将变量B 402、变量C 404、变量D 405、变量E 407作为该计算图400中的第一类第一目标对象,以及可以将算子OP_1 403和算子OP_2 406作为该计算图400中的第二类第一目标对象。
第一类第一目标对象具有第一分布式属性和第二分布式属性。第二类第一目标对象具有第一分布式属性。
第一分布式属性可以为一个二维张量,即一个矩阵Mesh。第二分布式属性可以为一个链表。矩阵Mesh为4×2的矩阵。变量B 402、变量C 404、变量D 405、变量E 407可以为矩阵,而变量A 401可以为一个数值。比如,变量B 402可以为4×6的矩阵,其第二分布式属性为[-1,1];变量C 404为4×6的矩阵,其第二分布式属性为[-1,-1];变量D 405为6×4的矩阵,其第二分布式属性为[1,-1];变量E 407为4×4的矩阵,其第二分布式属性为[-1,-1]。在第二分布式属性中,“-1”用于表示不对该变量进行切分,“0”用于表示根据矩阵Mesh的行向量进行切分,“1”用于表示根据矩阵Mesh的列向量进行切分。
在一个示例中,根据矩阵Mesh的列向量进行切分时,可以是根据矩阵Mesh的列向量的数量进行切分。比如,矩阵Mesh为4×2的矩阵,其列向量的数量为2。根据矩阵Mesh的列向量对一个8×8的矩阵进行两次切分,可以分别得到2个4×8的矩阵,或者分别得到两个8×4的矩阵。
在一个示例中,在一次切分过程中,对于变量B 402,由于其第二分布式属性为[-1,1],因此不根据变量B 402的行进行处理,而是根据矩阵Mesh的列向量和变量B 402的列向量进行切分。对于变量D 405,由于其第二分布式属性为[1,-1],因此不根据变量D 405的列进行处理,而是根据矩阵Mesh的列向量和变量D 405的行向量进行切分。
算子OP_1 403和算子OP_2 406均可以为乘法算子,二者均为第二类第一目标对象,具有第一分布式属性。比如,算子OP_1 403和算子OP_2 406的第一分布式属性也可以为上述矩阵Mesh。
比如,在一次切分过程中,由于算子OP_1 403的一个输入被切分,因此,为了得到正确的计算结果,需要将算子OP_1 403切分。即,一个乘法算子变成了两个乘法算子。新的两个乘法算子的输入与原算子的输入不同,但与原算子OP_1 403的输入相关。
图4B是根据本公开一个实施例的数据处理方法的原理图。
如图4B所示,设备A分别基于计算子图410进行数据处理,得到变量E_1 418。设备B分别基于计算子图420进行数据处理,得到变量E_2 428。根据计算子图410中的通信节点和计算子图420中的通信节点,设备A与设备B以Allreduc的通信方式建立通信通道409,以得到最终的输出(变量E407)。
在一些实施例中,计算子图410可以是对例如图4A中的计算图400进行第一次切分得到的。
例如,在对变量B 402进行切分时,可以根据变量B 402的第二分布式属性[-1,1]和第一分布式属性(矩阵Mesh),进行切分,得到变量B_1 412。变量B_1 412为4×3的矩阵。在一个示例中,变量B_1 412可以为变量B 402(4×6的矩阵)的左半部分。
例如,在对变量D 405进行切分时,可以根据变量D 405的第二分布式属性[1,-1]和第一分布式属性(矩阵Mesh),进行切分,得到变量D_1 415。变量D_1 415为3×4的矩阵。在一个示例中,变量D_1 415可以为变量D 405(6×4的矩阵)的上半部分。
例如,对算子OP_1 403进行切分时,可以根据算子OP_1 403的第一分布式属性(矩阵Mesh),进行切分,得到算子OP_1_1 413。算子OP_1_1 413也是一个乘法算子。算子OP_1_1413的输入为变量A 401和变量B_1 412。算子OP_1_1 413的输出为变量C_1 414。在一个示例中,变量C_1 414可以为变量C 404(4×6的矩阵)的左半部分。
基于类似的方式,本次切分过程之后,可以得到算子OP_2_1 416和变量E_1 418(4×4的矩阵)。而变量E_1 418中与变量E 408不同。
之后,可以根据算子OP_2 406及其第一分布式属性(矩阵Mesh),确定与本次切分过程对应的通信节点,将该通信节点作为第三类第一目标对象。
接下来,可以根据变量B_1 412、算子OP_1_1 413、变量C_1 414、变量D_1 415、算子OP_2_1 416和一个第三类第一目标对象生成计算子图410。
在一些实施例中,计算子图420可以是对例如图4A中的计算图400进行第二次切分得到的。
例如,在对变量B 402进行切分时,可以根据变量B 402的第二分布式属性[-1,1]和第一分布式属性(矩阵Mesh),进行切分,得到变量B_2 422。变量B_2 422为4×3的矩阵。在一个示例中,变量B_2 422可以为变量B 402(4×6的矩阵)的右半部分。
例如,在对变量D 405进行切分时,可以根据变量D 405的第二分布式属性[1,-1]和第一分布式属性(矩阵Mesh),进行切分,得到变量D_2 425。变量D_2 425为3×4的矩阵。在一个示例中,变量D_2 425可以为变量D 405(6×4的矩阵)的下半部分。
例如,对算子OP_1 403进行切分时,可以根据算子OP_1 403的第一分布式属性(矩阵Mesh),进行切分,得到算子OP_1_2 423。算子OP_1_2 423也是一个乘法算子。算子OP_1_2423的输入为变量A 401和变量B_2 422。算子OP_1_2 423的输出为变量C_2 424。在一个示例中,变量C_2 424可以为变量C 404(4×6的矩阵)的右半部分。
基于类似的方式,本次切分过程之后,可以得到算子OP_2_2 426和变量E_2 428。
之后,可以根据算子OP_2 406及其第一分布式属性(矩阵Mesh),确定与本次切分过程对应的通信节点,将该通信节点作为第三类第一目标对象。
接下来,可以根据变量B_2 422、算子OP_1_2 423、变量C_2 424、变量D_2 425、算子OP_2_2 426和一个第三类第一目标对象生成计算子图420。
在一些实施例中,变量E_1 418中与变量E 408不同,变量E_2 428中与变量E 408也不同。根据计算子图410和计算子图420之间的通信方式,可以将变量E_1 418发送给设备B,可以将变量E_2 428发送给设备A。设备A(或设备B)根据前文记载的通信方式,将变量E_1418和变量E_2 428相加(矩阵相加),可以得到变量E 408。
需要说明的是,在第一分布式属性为m维张量时,“0”用于表示根据该张量的第一个维度进行切分,“1”用于表示根据该张量的第二维度进行切分,“m-1”用于表示根据该张量的第m个维度进行切分。
图5是根据本公开另一个实施例的数据处理方法的原理图。
如图5所示,可以获取用户为初始前向计算图501中每个第一目标对象设置的分布式属性,以确定前向计算图502中每个第一目标对像的分布式属性。可以根据前向计算图502生成反向计算图503。再根据反向计算图503可以生成更新计算图504。
根据前向计算图502中每个第一目标对象的分布式属性,可以对每个第一目标对象进行N次切分,得到多个第一目标子对象,以得到N个前向计算子图505。根据反向计算图503中每个第二目标对象的分布式属性,可以对每个第二目标对象进行N次切分,得到多个第二目标子对象,以得到N个反向计算子图506。根据更新计算图504中每个第三目标对的分布式属性,可以对每个第三目标对象进行N次切分,得到多个第三目标子对象,以得到N个更新计算子图507。
根据N个前向计算子图505、N个反向计算子图505和N个更新计算子图,可以进行数据处理。在一个示例中,可以将N个前向计算子图505、N个反向计算子图505和N个更新计算子图,发送给N个设备,以进行数据处理。
在一些实施例中,对多个计算图进行N次切分是同时进行的。比如,在N次切分操作的第i次切分操作过程中,根据每个计算图中每个目标对象的分布式属性,得到了第i个前向计算子图、第i个反向计算子图和第i个更新计算子图,可以将第i个前向计算子图、第i个反向计算子图和第i个更新计算子图一同发送给第i个设备,以进行数据处理。i为小于或等于N的整数。重复N次,共向N个设备分别发送了1个前向计算子图、1个反向计算子图和1个更新计算子图,以进行数据处理。
图6是根据本公开一个实施例的数据处理装置的框图。
如图6所示,该装置600可以包括执行模块610、切分子模块620、获得子模块630和处理子模块640。
执行模块610,用于针对至少一个计算图中每个计算图,通过以下子模块执行相关操作。
切分子模块620,用于针对该计算图中的多个目标对象,根据每个目标对象的分布式属性,对每个目标对象进行N次切分,得到多个目标子对象,其中,N为大于或等于1的整数。
获得子模块630,用于根据所述多个目标子对象,得到N个计算子图.
处理子模块640,用于根据所述每个计算图的N个计算子图,进行数据处理。
在一些实施例中,所述至少一个计算图包括:前向计算图;反向计算图;更新计算图;其中,所述反向计算图是根据所述前向计算图生成的,所述更新计算图是根据所述反向计算图生成的。
在一些实施例中,所述前向计算图中包括多个第一目标对象,所述装置600还包括:添加模块,用于为每个第一目标对象添加对应该第一目标对象的分布式属性,以确定该第一目标对象的分布式属性。
在一些实施例中,所述反向计算图中包括多个第二目标对象,所述装置600还包括:第一获取模块,用于获取与每个第二目标对象对应的至少一个第一目标对象的分布式属性,以确定该第二目标对象的分布式属性。
在一些实施例中,所述更新计算图包括多个第三目标对象,所述装置还包括:第二获取模块,用于获取与每个第三目标对象对应的至少一个第二目标对象的分布式属性,以确定该第三目标对象的分布式属性。
在一些实施例中,所述目标对象包括第一类目标对象,每个第一类目标对象具有第一分布式属性和第二分布式属性,所述切分子模块包括:第一切分单元,用于针对该计算图中的多个第一类目标对象,根据每个第一类目标对象的第一分布式属性和第二分布式属性,对每个第一类目标对象进行N次切分,得到多个第一类目标子对象。
在一些实施例中,所述目标对象包括第二类目标对象,每个第二类目标对象具有第一分布式属性,所述切分子模块包括:第二切分单元,用于针对该计算图中的多个第二类目标对象,根据每个第二类目标对象的第一分布式属性,对每个第二类目标对象进行N次切分,得到多个第二类目标子对象。
在一些实施例中,所述目标对象包括第一类目标对象和第二类目标对象,所述执行模块还包括:第一确定子模块,用于针对多个第二类目标对象,根据与每个第二类目标对象关联的至少一个第一类目标对象的分布式属性,确定与该第二类目标对象对应的通信信息,得到多个通信信息;第二确定子模块,用于根据所述多个通信信息,确定多个第三类目标子对象,每个第三类目标子对象对应至少一个第二类目标对象。
在一些实施例中,所述获得子模块还用于:根据所述多个第一类目标子对象、所述多个第二类目标子对象和所述多个第三类目标子对象,得到N个计算子图。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
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7示出了可以用来实施本公开的实施例的示例电子设备700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7所示,设备700包括计算单元701,其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序,来执行各种适当的动作和处理。在RAM 703中,还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705,包括:输入单元706,例如键盘、鼠标等;输出单元707,例如各种类型的显示器、扬声器等;存储单元708,例如磁盘、光盘等;以及通信单元709,例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700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701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701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701执行上文所描述的各个方法和处理,例如数据处理方法。例如,在一些实施例中,数据处理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708。在一些实施例中,计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时,可以执行上文描述的数据处理方法的一个或多个步骤。备选地,在其他实施例中,计算单元701可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行数据处理方法。
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)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。
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 (21)
1.一种数据处理方法,包括:
针对至少一个计算图中每个计算图,执行以下操作:
针对该计算图中的多个目标对象,根据每个目标对象的分布式属性,对每个目标对象进行N次切分,得到多个目标子对象,其中,N为大于或等于1的整数;
根据所述多个目标子对象,得到N个计算子图;以及
根据所述每个计算图的N个计算子图,进行数据处理。
2.根据权利要求1所述的方法,其中,所述至少一个计算图包括:
前向计算图;
反向计算图;
更新计算图;
其中,所述反向计算图是根据所述前向计算图生成的,所述更新计算图是根据所述反向计算图生成的。
3.根据权利要求2所述的方法,其中,所述前向计算图中包括多个第一目标对象,
所述方法还包括:
为每个第一目标对象添加对应该第一目标对象的分布式属性,以确定该第一目标对象的分布式属性。
4.根据权利要求3所述的方法,其中,所述反向计算图中包括多个第二目标对象,
所述方法还包括:
获取与每个第二目标对象对应的至少一个第一目标对象的分布式属性,以确定该第二目标对象的分布式属性。
5.根据权利要求4所述的方法,其中,所述更新计算图包括多个第三目标对象,
所述方法还包括:
获取与每个第三目标对象对应的至少一个第二目标对象的分布式属性,以确定该第三目标对象的分布式属性。
6.根据权利要求1至5任一项所述的方法,其中,所述目标对象包括第一类目标对象,每个第一类目标对象具有第一分布式属性和第二分布式属性,
所述针对该计算图中的多个目标对象,根据每个目标对象的分布式属性,对每个目标对象进行N次切分,得到多个目标子对象包括:
针对该计算图中的多个第一类目标对象,根据每个第一类目标对象的第一分布式属性和第二分布式属性,对每个第一类目标对象进行N次切分,得到多个第一类目标子对象。
7.根据权利要求6所述的方法,其中,所述目标对象包括第二类目标对象,每个第二类目标对象具有第一分布式属性,
所述针对该计算图中的多个目标对象,根据每个目标对象的分布式属性,对每个目标对象进行N次切分,得到多个目标子对象包括:
针对该计算图中的多个第二类目标对象,根据每个第二类目标对象的第一分布式属性,对每个第二类目标对象进行N次切分,得到多个第二类目标子对象。
8.根据权利要求1至7任一项所述的方法,其中,所述目标对象包括第一类目标对象和第二类目标对象,
所述针对至少一个计算图中每个计算图,执行以下操作还包括:
针对多个第二类目标对象,根据与每个第二类目标对象关联的至少一个第一类目标对象的分布式属性,确定与该第二类目标对象对应的通信信息,得到多个通信信息;
根据所述多个通信信息,确定多个第三类目标子对象,每个第三类目标子对象对应至少一个第二类目标对象。
9.根据权利要求8所述的方法,其中,所述根据该所述多个目标子对象,得到N个计算子图包括:
根据所述多个第一类目标子对象、所述多个第二类目标子对象和所述多个第三类目标子对象,得到N个计算子图。
10.一种数据处理装置,包括:
执行模块,用于针对至少一个计算图中每个计算图,通过以下子模块执行相关操作:
切分子模块,用于针对该计算图中的多个目标对象,根据每个目标对象的分布式属性,对每个目标对象进行N次切分,得到多个目标子对象,其中,N为大于或等于1的整数;
获得子模块,用于根据所述多个目标子对象,得到N个计算子图;以及
处理子模块,用于根据所述每个计算图的N个计算子图,进行数据处理。
11.根据权利要求10所述的装置,其中,所述至少一个计算图包括:
前向计算图;
反向计算图;
更新计算图;
其中,所述反向计算图是根据所述前向计算图生成的,所述更新计算图是根据所述反向计算图生成的。
12.根据权利要求11所述的装置,其中,所述前向计算图中包括多个第一目标对象,
所述装置还包括:
添加模块,用于为每个第一目标对象添加对应该第一目标对象的分布式属性,以确定该第一目标对象的分布式属性。
13.根据权利要求12所述的装置,其中,所述反向计算图中包括多个第二目标对象,
所述装置还包括:
第一获取模块,用于获取与每个第二目标对象对应的至少一个第一目标对象的分布式属性,以确定该第二目标对象的分布式属性。
14.根据权利要求13所述的装置,其中,所述更新计算图包括多个第三目标对象,
所述装置还包括:
第二获取模块,用于获取与每个第三目标对象对应的至少一个第二目标对象的分布式属性,以确定该第三目标对象的分布式属性。
15.根据权利要求10至14任一项所述的装置,其中,所述目标对象包括第一类目标对象,每个第一类目标对象具有第一分布式属性和第二分布式属性,
所述切分子模块包括:
第一切分单元,用于针对该计算图中的多个第一类目标对象,根据每个第一类目标对象的第一分布式属性和第二分布式属性,对每个第一类目标对象进行N次切分,得到多个第一类目标子对象。
16.根据权利要求15所述的装置,其中,所述目标对象包括第二类目标对象,每个第二类目标对象具有第一分布式属性,
所述切分子模块包括:
第二切分单元,用于针对该计算图中的多个第二类目标对象,根据每个第二类目标对象的第一分布式属性,对每个第二类目标对象进行N次切分,得到多个第二类目标子对象。
17.根据权利要求10至16任一项所述的装置,其中,所述目标对象包括第一类目标对象和第二类目标对象,
所述执行模块还包括:
第一确定子模块,用于针对多个第二类目标对象,根据与每个第二类目标对象关联的至少一个第一类目标对象的分布式属性,确定与该第二类目标对象对应的通信信息,得到多个通信信息;
第二确定子模块,用于根据所述多个通信信息,确定多个第三类目标子对象,每个第三类目标子对象对应至少一个第二类目标对象。
18.根据权利要求17所述的装置,其中,所述获得子模块还用于:
根据所述多个第一类目标子对象、所述多个第二类目标子对象和所述多个第三类目标子对象,得到N个计算子图。
19.一种电子设备,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9中任一项所述的方法。
20.一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至9中任一项所述的方法。
21.一种计算机程序产品,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至9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111336067.9A CN114091686B (zh) | 2021-11-11 | 2021-11-11 | 数据处理方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111336067.9A CN114091686B (zh) | 2021-11-11 | 2021-11-11 | 数据处理方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114091686A true CN114091686A (zh) | 2022-02-25 |
CN114091686B CN114091686B (zh) | 2022-10-14 |
Family
ID=80300131
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111336067.9A Active CN114091686B (zh) | 2021-11-11 | 2021-11-11 | 数据处理方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114091686B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114840322A (zh) * | 2022-05-17 | 2022-08-02 | 北京百度网讯科技有限公司 | 任务调度方法及装置、电子设备和存储 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109144729A (zh) * | 2018-08-27 | 2019-01-04 | 联想(北京)有限公司 | 分布式系统的数据处理方法和分布式系统 |
CN109710314A (zh) * | 2018-12-20 | 2019-05-03 | 四川新网银行股份有限公司 | 一种基于图结构分布式并行模式构建图的方法 |
US10366111B1 (en) * | 2015-04-06 | 2019-07-30 | EMC IP Holding Company LLC | Scalable distributed computations utilizing multiple distinct computational frameworks |
CN110619595A (zh) * | 2019-09-17 | 2019-12-27 | 华中科技大学 | 一种基于多fpga加速器互联的图计算优化方法 |
CN111522640A (zh) * | 2018-12-28 | 2020-08-11 | 第四范式(北京)技术有限公司 | 计算图的并行执行方法和设备 |
US20200334524A1 (en) * | 2019-04-17 | 2020-10-22 | Here Global B.V. | Edge learning |
CN113159091A (zh) * | 2021-01-20 | 2021-07-23 | 北京百度网讯科技有限公司 | 数据处理方法、装置、电子设备及存储介质 |
CN113449856A (zh) * | 2020-03-27 | 2021-09-28 | 华为技术有限公司 | 一种控制流图的处理方法及相关设备 |
-
2021
- 2021-11-11 CN CN202111336067.9A patent/CN114091686B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10366111B1 (en) * | 2015-04-06 | 2019-07-30 | EMC IP Holding Company LLC | Scalable distributed computations utilizing multiple distinct computational frameworks |
CN109144729A (zh) * | 2018-08-27 | 2019-01-04 | 联想(北京)有限公司 | 分布式系统的数据处理方法和分布式系统 |
CN109710314A (zh) * | 2018-12-20 | 2019-05-03 | 四川新网银行股份有限公司 | 一种基于图结构分布式并行模式构建图的方法 |
CN111522640A (zh) * | 2018-12-28 | 2020-08-11 | 第四范式(北京)技术有限公司 | 计算图的并行执行方法和设备 |
US20200334524A1 (en) * | 2019-04-17 | 2020-10-22 | Here Global B.V. | Edge learning |
CN110619595A (zh) * | 2019-09-17 | 2019-12-27 | 华中科技大学 | 一种基于多fpga加速器互联的图计算优化方法 |
CN113449856A (zh) * | 2020-03-27 | 2021-09-28 | 华为技术有限公司 | 一种控制流图的处理方法及相关设备 |
CN113159091A (zh) * | 2021-01-20 | 2021-07-23 | 北京百度网讯科技有限公司 | 数据处理方法、装置、电子设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
SÉBASTIEN BRATIÈRES: "Non-parametric Bayesian models for structured output prediction", 《APOLLO》 * |
于璠: "新一代深度学习框架研究", 《大数据》 * |
嵇圣硙: "面向分布式图计算的图划分算法研究", 《中国优秀硕士学位论文全文数据库基础科学辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114840322A (zh) * | 2022-05-17 | 2022-08-02 | 北京百度网讯科技有限公司 | 任务调度方法及装置、电子设备和存储 |
CN114840322B (zh) * | 2022-05-17 | 2022-12-09 | 北京百度网讯科技有限公司 | 任务调度方法及装置、电子设备和存储 |
Also Published As
Publication number | Publication date |
---|---|
CN114091686B (zh) | 2022-10-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102170105B1 (ko) | 신경 네트워크 구조의 생성 방법 및 장치, 전자 기기, 저장 매체 | |
CN111259222B (zh) | 物品推荐方法、系统、电子设备及存储介质 | |
CN113342345A (zh) | 深度学习框架的算子融合方法、装置 | |
CN114202027B (zh) | 执行配置信息的生成方法、模型训练方法和装置 | |
CN114881223B (zh) | 深度学习模型的转换方法、装置、电子设备和存储介质 | |
JP2022068327A (ja) | ノードグループ化方法、装置及び電子機器 | |
CN114091686B (zh) | 数据处理方法、装置、电子设备和存储介质 | |
CN110633717A (zh) | 一种目标检测模型的训练方法和装置 | |
CN114819084A (zh) | 模型推理方法、装置、设备及存储介质 | |
CN114693934A (zh) | 语义分割模型的训练方法、视频语义分割方法及装置 | |
CN110390014A (zh) | 一种主题挖掘方法、装置及存储介质 | |
CN111667018B (zh) | 一种对象聚类的方法、装置、计算机可读介质及电子设备 | |
CN115809688B (zh) | 一种模型调试方法、装置、电子设备及存储介质 | |
CN114860411B (zh) | 多任务学习方法、装置、电子设备和存储介质 | |
CN112784967B (zh) | 信息处理方法、装置以及电子设备 | |
CN113657408B (zh) | 确定图像特征的方法、装置、电子设备和存储介质 | |
CN115081630A (zh) | 多任务模型的训练方法、信息推荐方法、装置和设备 | |
CN114048863A (zh) | 数据处理方法、装置、电子设备以及存储介质 | |
CN111639741B (zh) | 一种用于多目标QoS优化的服务自动组合代理系统 | |
CN112070487A (zh) | 基于ai的rpa流程的生成方法、装置、设备及介质 | |
CN113760344A (zh) | 动态配置的方法、装置、电子设备和存储介质 | |
CN114331379B (zh) | 用于输出待办任务的方法、模型训练方法和装置 | |
CN113407844B (zh) | 小程序框架的版本推荐方法、装置、设备以及存储介质 | |
CN115759232B (zh) | 深度学习框架的多任务并行处理方法、装置、设备和介质 | |
JP7391127B2 (ja) | 点群データ処理方法、装置、電子デバイス、記憶媒体、及びプログラム |
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 |