CN114707643A - 一种模型切分方法及其相关设备 - Google Patents

Abstract

本申请实施例公开了一种模型切分方法及其相关设备，在进行模型切分时，可避免过多的人为干预，且考虑的因素较为全面，可对各种结构的神经网络模型实现模型切分，且可为各类结构的神经网络模型制定贴合实际应用的最优切分策略。本申请的方法包括：获取第一模型的第一计算图；通过第二模型对第一计算图进行处理，得到处理结果，处理结果用于确定第一计算图的第一切分策略；基于计算图、切分策略与损耗之间的对应关系，确定第一切分策略作用于第一计算图后所需付出的第一损耗；若第一损耗小于预置阈值，则基于第一切分策略对第一计算图进行切分，得到多个子计算图。

Description

一种模型切分方法及其相关设备

技术领域

本申请实施例涉及人工智能(artificial intelligence，AI)技术领域，尤其涉及一种模型切分方法及其相关设备。

背景技术

随着技术的快速发展，越来越多的领域可使用AI技术的神经网络模型来实现数据处理，例如，可利用神经网络模型实现图像分类、文本摘要生成，语音识别以及函数求解等各类数据处理。

神经网络模型可以计算图的形式进行表示，计算图可通常包含相互连接的多个节点，一个节点对应于模型中某一层的至少一个神经元，故一个节点可表示神经网络模型所能实现的一部分计算。当使用某个神经网络模型的计算图进行数据处理时，通常会逐个运行计算图的多个节点，可能造成排队拥堵的情况发生，导致数据处理的效率低下。为了解决该问题，可对计算图进行切分，得到多个子计算图，故可并行运算这多个子计算图，从而提高数据处理的效率。

目前，通常基于专家经验来制定计算图的切分策略，涉及较多的人为干预，考虑的因素往往较为单一，导致切分策略往往仅能针对表示某些特定结构的神经网络模型的计算图，且基于此种方式所得的切分策略也有可能并非是计算图的最优切分策略。

发明内容

本申请实施例提供了一种模型切分方法及其相关设备，在进行模型切分时，可避免过多的人为干预，且考虑的因素较为全面，可对各种结构的神经网络模型实现模型切分，且可为各类结构的神经网络模型制定贴合实际应用的最优切分策略。

本申请实施例的第一方面提供了一种模型切分方法，该方法包括：

当需要对第一模型进行切分时，可先获取第一模型的第一计算图。其中，第一模型为待切分的神经网络模型，第一模型可具备实现某种数据处理功能，例如，第一模型可用于对图像数据进行分类处理，又如，第一模型也可用于对文本数据进行摘要处理，再如，第一模型还可用于对语音数据进行识别处理等等。第一模型的第一计算图通常包含相连接的多个节点，在这多个节点中，一个节点对应于第一模型中位于同一层的至少一个神经元，由于第一模型中的神经元可视为第一模型中的计算单元，故在第一计算图的多个节点中，一个节点可用于表示第一模型可实现的一部分计算。

得到第一模型的第一计算图后，可将第一计算图输入至第二模型，以通过第二模型对第一计算图进行处理，得到针对第一计算图的处理结果。针对第一计算图的处理结果通常包含多个切分策略(也可以称为切分行为)的概率，故可在这多个切分策略中，将概率最大的切分策略确定为针对第一计算图的第一切分策略。

得到针对第一计算图的第一切分策略后，可获取第一切分策略作用于第一模型的第一计算图后所需付出的第一损耗。具体地，在得到针对第一计算图的第一切分策略后，可先获取计算图、切分策略与损耗(也可以称为代价)之间的对应关系，该对应关系可用于评价第二模型输出的切分策略是否可行。那么，基于该对应关系，可获取第一切分策略作用于第一模型的第一计算图后所需付出的第一损耗，从而判断第一损耗是否小于预置阈值，以确定第一切分策略是否可行。

若第一切分策略作用于第一计算图后所需付出的第一损耗小于预置阈值，说明第一切分策略是可行的，故可基于第一切分策略对第一计算图进行切分，得到多个子计算图，着多个子计算图中，一个子计算图包含第一计算图的至少一个节点。至此，则完成了第一计算图的切分，也相当于完成了第一模型的切分。

从上述方法可以看出：在获取第一模型的第一计算图后，可先通过第二模型对第一计算图进行处理，得到处理结果，处理结果用于确定第一计算图的第一切分策略。然后，可基于计算图、切分策略与损耗之间的对应关系，确定第一切分策略作用于第一计算图后所需付出的第一损耗。若第一损耗小于预置阈值，则基于第一切分策略对第一计算图进行切分，得到多个子计算图。前述过程中，第一计算图的第一切分策略是由第二模型自行对第一计算图进行处理得到的，且得到第一切分策略后，还可预估第一切分策略作用于第一计算图后所需付出的第一损耗，从而评价第一切分策略是否可行，此种模型切分方式可避免过多的人为干预，且考虑的因素较为全面，可对各种结构的神经网络模型实现模型切分(具备较强的泛化性)，且可为各类结构的神经网络模型制定贴合实际应用的最优切分策略(具备较优的模型切分效果)。

在一种可能的实现方式中，第一计算图包含多个节点，一个节点表示第一模型可实现的一部分计算，该方法还包括：对第一计算图的多个节点进行编码，得到与多个节点一一对应的多个第一编码；通过第二模型对第一计算图进行处理，得到处理结果包括：通过第二模型对多个第一编码进行处理，得到处理结果。前述实现方式中，在将第一计算图输入至第二模型之前，在第一计算图的多个节点中，对于任意一个节点而言，可先对该节点进行编码，从而得到与该节点对应的第一编码，值得注意的是，该节点对应的第一编码的数据量要远小于该节点自身的数据量，故可降低第二模型的输入的数据量。同样地，对于除该节点之外的其余节点，也可执行如同对该节点所执行的操作，故可得到与其余节点对应的第一编码，如此一来，可得到与第一计算图的多个节点一一对应的多个第一编码。得到与第一计算图的多个节点一一对应的多个第一编码后，可将这多个第一编码输入第二模型，以通过第二模型对这多个第一编码进行处理，得到处理结果。具体地，该处理结果通常包含多个切分策略的编码的概率，故可在这多个编码中，将概率最大的编码确定为第二编码，并将第二编码所指示的切分策略确定为针对第一计算图的第一切分策略。由于第二模型的输入并非为第一计算图的多个节点，而是与这多个节点一一对应的多个第一编码，第一编码的数量远小于节点自身的数据量，如此一来，可以有效降低神经网络模型所需处理的数据量，减少模型获取切分策略的耗时，节省模型获取切分策略所占用的资源。

在一种可能的实现方式中，计算图、切分策略与损耗之间的对应关系为编码与损耗之间的对应关系，基于切分策略与损耗之间的对应关系，确定第一切分策略作用于第一计算图后所需付出的第一损耗包括：对多个第一编码和第二编码进行融合，得到第三编码；基于编码与损耗之间的对应关系以及第三编码，确定第一切分策略作用于第一计算图后所需付出的第一损耗。前述实现方式中，计算图、切分策略与损耗之间的对应关系可以呈现为编码与损耗之间的对应关系，例如，该对应关系可以为二维坐标系上的一条曲线，坐标系的横坐标为将计算图中节点的编码与切分策略的编码融合后的编码，坐标系的纵坐标为损耗等等。那么，可通过以下方式来获取第一切分策略作用于第一计算图后所需付出的第一损耗：先将多个第一编码和第二编码进行融合，从而得到第三编码。得到第三编码后，可在编码与损耗之间的对应关系中，精准确定与第三编码对应的损耗，该损耗即为第一切分策略作用于第一计算图后所需付出的第一损耗。

在一种可能的实现方式中，对多个第一编码和第二编码进行融合，得到第三编码包括：通过图核算法对多个第一编码和第二编码进行迭代运算，得到第三编码。前述实现方式中，在对多个第一编码和第二编码进行融合时，可通过图核算法(weisfeiler-lehman(WL)graph kernel算法)实现融合操作，即可先将多个第一编码和第二编码进行相加(或拼接)，再将相加后(或拼接后)的编码进行基于图核算法的迭代运算，以准确得到第三编码。

在一种可能的实现方式中，计算图、切分策略与损耗之间的对应关系通常是提前部署好的，该对应关系可基于第三模型的第二计算图、针对第二计算图的第二切分策略以及第二切分策略作用于第二计算图后所需付出的第二损耗构建，其中，第三模型的第二计算图为获取第二模型的训练数据(即在第二模型的训练过程中所使用的数据)，且针对第二计算图的第二切分策略以及第二切分策略作用于第二计算图后所需付出的第二损耗均为已知的数据，即真实的数据。

在一种可能的实现方式中，由于第一切分策略可用于将第一计算图切分成多个子计算图，故第一损耗可以指通过这多个子计算图来实现数据处理(即第一模型所能实现的数据处理)所需的损耗，例如，第一损耗可以指通过这多个子计算图来实现数据处理所需的时间，又如，第一损耗可以指通过这多个子计算图来实现数据处理所占用的资源(例如，计算资源、存储资源和通信资源)等等。

在一种可能的实现方式中，该方法还包括：若第一损耗大于或等于预置阈值，则不对第一计算图进行切分。前述实现方式中，若第一切分策略作用于第一计算图后所需付出的第一损耗大于或等于预置阈值，说明第一切分策略是不可行的，故不对第一计算图进行切分，可使得方案更加全面。

本申请实施例的第二方面提供了一种模型的切分策略评价方法，该方法包括：

当需要对第四模型(即待训练的神经网络模型)进行训练时，可先获取一批训练数据，该批训练数据包含第三模型的第二计算图，第二计算图包含多个节点，一个节点对应于第三模型中位于同一层的至少一个神经元，即一个节点可用于表示第三模型可实现的一部分运算。由于第三模型的第二计算图作为训练数据，故针对第二计算图的第二切分策略(真实切分策略)以及第二切分策略作用于第二计算图后所需付出的第二损耗(真实损耗)均是已知的数据。

得到第三模型的第二计算图、针对第二计算图的第二切分策略以及第二切分策略作用于第二计算图后所需付出的第二损耗后，可基于这些信息来构建计算图、切分策略与损耗之间的对应关系，该对应关系可用于评价第二模型输出的切分策略是否可行，例如，该对应关系可用于获取第一切分策略作用于第一模型的第一计算图后所需付出的第一损耗，从而判断第一损耗是否小于预置阈值，以确定第一切分策略是否可行。

上述方法训练得到的第二模型，可用于对第一模型的第一计算图进行处理，得到针对第一计算图的第一切分策略，且上述方法构建得到的计算图、切分策略与损耗之间的对应关系，还用于预估第一切分策略作用于第一计算图后所需付出的第一损耗，从而评价第一切分策略是否可行，可见，本申请实施例提供了一种新的模型切分方式(框架)，此种模型切分方式可避免过多的人为干预，且考虑的因素较为全面，可对各种结构的神经网络模型实现模型切分(具备较强的泛化性)，且可为各类结构的神经网络模型制定贴合实际应用的最优切分策略(具备较优的模型切分效果)。

在一种可能的实现方式中，第二计算图包含多个节点，一个节点表示第三模型可实现的一部分运算，基于第二计算图、第二切分策略以及第二损耗，构建计算图、切分策略与损耗之间的对应关系包括：对第二计算图的多个节点进行编码，得到与多个节点一一对应的多个第四编码，并对第二切分策略进行编码，得到第五编码；对多个第四编码和第五编码进行融合，得到第六编码；基于第六编码以及第二损耗，构建编码与损耗之间的对应关系。前述实现方式中，计算图、切分策略与损耗之间的对应关系可以呈现为编码与损耗之间的对应关系，故可通过以下方式构建编码与损耗之间的对应关系：在第二计算图的多个节点中，对于任意一个节点而言，可先对该节点进行编码，从而得到与该节点对应的第四编码，值得注意的是，该节点对应的第四编码的数据量要远小于该节点自身的数据量，故可降低第四模型的输入的数据量。同样地，对于除该节点之外的其余节点，也可执行如同对该节点所执行的操作，故可得到与其余节点对应的第四编码，如此一来，可得到与第二计算图的多个节点一一对应的多个第四编码，进一步地，还可对针对第二计算图的第二切分策略进行编码，得到第五编码，即第五编码用于指示针对第二计算图的第二切分策略。对与第二计算图的多个节点一一对应的多个第四编码和用于指示第二切分策略的第五编码进行融合，得到第六编码。

在一种可能的实现方式中，对多个第四编码和第五编码进行融合，得到第六编码包括：通过图核算法对多个第四编码和第五编码进行迭代运算，得到第六编码。前述实现方式中，在对多个第四编码和第五编码之间的融合时，可通过图核算法实现，即可先将多个第四编码和第五编码进行相加(或拼接)，再将相加后(或拼接后)的编码进行基于图核算法的迭代运算，从而得到第六编码。

在一种可能的实现方式中，该方法还包括：通过第四模型对第二计算图进行处理，得到处理结果，处理结果用于确定第二计算图的第三切分策略；基于第二切分策略以及第三切分策略，获取目标损失，目标损失用于指示第二切分策略与第三切分策略之间的差异；基于目标损失，对第四模型的参数进行更新，直至满足模型训练条件，得到第二模型。前述实现方式中，得到针对第三模型的第二计算图后，可将第二计算图输入至第四模型，以通过第四模型对第二计算图进行处理，得到处理结果，该处理结果通常包含多个切分策略的概率，故可在这多个切分策略中，将概率最大的切分策略确定为针对第二计算图的第三切分策略。得到针对第二计算图的第三切分策略，由于针对第二计算图的第二切分策略已知，故可通过预置的目标损失函数，对针对第二计算图的第二切分策略以及针对第二计算图的第三切分策略进行计算，得到目标损失，目标损失用于指示针对第二计算图的第二切分策略以及针对第二计算图的第三切分策略之间的差异。得到目标损失后，可基于目标损失，对第四模型的参数进行更新，得到更新后的第四模型。此后，可再获取下一批训练数据，对更新后的第四模型继续进行训练，直至满足模型训练条件(例如，目标损失收敛等等)，得到第二模型。

在一种可能的实现方式中，通过第四模型对第二计算图进行处理，得到处理结果包括：对第二计算图的多个节点进行编码，得到与多个节点一一对应的多个第四编码；通过第四模型对这多个第四编码进行处理，得到处理结果。前述实现方式中，在第二计算图的多个节点中，对于任意一个节点而言，可先对该节点进行编码，从而得到与该节点对应的第四编码，值得注意的是，该节点对应的第四编码的数据量要远小于该节点自身的数据量，故可降低第四模型的输入的数据量。同样地，对于除该节点之外的其余节点，也可执行如同对该节点所执行的操作，故可得到与其余节点对应的第四编码，如此一来，可得到与第二计算图的多个节点一一对应的多个第四编码。得到与第二计算图的多个节点一一对应的多个第四编码后，可将这多个第四编码输入第四模型，以通过第四模型对这多个第四编码进行处理，得到处理结果，该处理结果通常包含多个切分策略的编码的概率，故可在这多个编码中，将概率最大的编码所指示的切分策略确定为针对第二计算图的第三切分策略。

在一种可能的实现方式中，第三模型用于实现数据处理，第二损耗为通过多个子计算图实现数据处理所需的时间，多个子计算图基于第二切分策略对第二子计算图进行切分得到。前述实现方式中，由于第二切分策略可用于将第二计算图切分成多个子计算图，故第二损耗可以指通过这多个子计算图来实现数据处理(即第三模型所能实现的数据处理)所需付出的损耗，例如，第二损耗可以是运行这多个子计算图来实现数据处理所需的时间，又如，第二损耗可以是运行这多个子计算图来实现数据处理所占用的资源(计算资源、存储资源、通信资源等)等等。

本申请实施例的第三方面提供了一种模型切分装置，该装置包括：获取模块，用于获取第一模型的第一计算图；处理模块，用于通过第二模型对第一计算图进行处理，得到处理结果，处理结果用于确定第一计算图的第一切分策略；确定模块，用于确定第一切分策略作用于第一计算图后所需付出的第一损耗；切分模块，用于若第一损耗小于预置阈值，则基于第一切分策略对第一计算图进行切分，得到多个子计算图。

从上述装置可以看出：在获取第一模型的第一计算图后，可先通过第二模型对第一计算图进行处理，得到处理结果，处理结果用于确定第一计算图的第一切分策略。然后，可基于计算图、切分策略与损耗之间的对应关系，确定第一切分策略作用于第一计算图后所需付出的第一损耗。若第一损耗小于预置阈值，则基于第一切分策略对第一计算图进行切分，得到多个子计算图。前述过程中，第一计算图的第一切分策略是由第二模型自行对第一计算图进行处理得到的，且得到第一切分策略后，还可预估第一切分策略作用于第一计算图后所需付出的第一损耗，从而评价第一切分策略是否可行，此种模型切分方式可避免过多的人为干预，且考虑的因素较为全面，可对各种结构的神经网络模型实现模型切分(具备较强的泛化性)，且可为各类结构的神经网络模型制定贴合实际应用的最优切分策略(具备较优的模型切分效果)。

在一种可能的实现方式中，第一计算图包含多个节点，一个节点表示第一模型可实现的一部分计算，该装置还包括：编码模块，用于对第一计算图的多个节点进行编码，得到与多个节点一一对应的多个第一编码；处理模块，用于通过第二模型对多个第一编码进行处理，得到处理结果。

在一种可能的实现方式中，确定模块，用于基于计算图、切分策略与损耗之间的对应关系，确定第一切分策略作用于第一计算图后所需付出的第一损耗。

在一种可能的实现方式中，计算图、切分策略与损耗之间的对应关系为编码与损耗之间的对应关系，处理结果用于确定第二编码，第二编码用于指示第一计算图的第一切分策略，确定模块，用于：对多个第一编码和第二编码进行融合，得到第三编码；基于编码与损耗之间的对应关系以及第三编码，确定第一切分策略作用于第一计算图后所需付出的第一损耗。

在一种可能的实现方式中，确定模块，用于通过图核算法对多个第一编码和第二编码进行迭代运算，得到第三编码。

在一种可能的实现方式中，计算图、切分策略与损耗之间的对应关系基于第三模型的第二计算图、第二计算图的第二切分策略以及第二切分策略作用于第二计算图后所需付出的第二损耗构建，第二计算图为获取第二模型的训练数据，第二切分策略和第二损耗为已知的数据。

在一种可能的实现方式中，第一模型用于实现数据处理，第一损耗为通过多个子计算图实现数据处理所需的时间。

在一种可能的实现方式中，该装置还包括：非切分模块，用于若第一损耗大于或等于预置阈值，则不对第一计算图进行切分。

本申请实施例的第四方面提供了一种模型的切分策略评价装置，该装置包括：第一获取模块，用于获取第三模型的第二计算图、第二计算图的第二切分策略以及第二切分策略作用于第二计算图后所需付出的第二损耗，第二计算图为获取第二模型的训练数据，第二切分策略和第二损耗为已知的数据；构建模块，用于基于第二计算图、第二切分策略以及第二损耗，构建计算图、切分策略与损耗之间的对应关系，对应关系用于获取第一切分策略作用于第一模型的第一计算图后所需付出的第一损耗，第一切分策略由第二模型对第一计算图进行处理得到。

上述装置训练得到的第二模型，可用于对第一模型的第一计算图进行处理，得到针对第一计算图的第一切分策略，且上述装置构建得到的计算图、切分策略与损耗之间的对应关系，还用于预估第一切分策略作用于第一计算图后所需付出的第一损耗，从而评价第一切分策略是否可行，可见，本申请实施例提供了一种新的模型切分方式(框架)，此种模型切分方式可避免过多的人为干预，且考虑的因素较为全面，可对各种结构的神经网络模型实现模型切分(具备较强的泛化性)，且可为各类结构的神经网络模型制定贴合实际应用的最优切分策略(具备较优的模型切分效果)。

在一种可能的实现方式中，第二计算图包含多个节点，一个节点表示第三模型可实现的一部分运算，构建模块，用于：对第二计算图的多个节点进行编码，得到与多个节点一一对应的多个第四编码，并对第二切分策略进行编码，得到第五编码；对多个第四编码和第五编码进行融合，得到第六编码；基于第六编码以及第二损耗，构建编码与损耗之间的对应关系。

在一种可能的实现方式中，构建模块，用于通过图核算法对多个第四编码和第五编码进行迭代运算，得到第六编码。

在一种可能的实现方式中，该装置还包括：处理模块，用于通过第四模型对第二计算图进行处理，得到处理结果，处理结果用于确定第二计算图的第三切分策略；第二获取模块，用于基于第二切分策略以及第三切分策略，获取目标损失，目标损失用于指示第二切分策略与第三切分策略之间的差异；更新模块，用于基于目标损失，对第四模型的参数进行更新，直至满足模型训练条件，得到第二模型。

在一种可能的实现方式中，处理模块，用于：对第二计算图的多个节点进行编码，得到与多个节点一一对应的多个第四编码；通过第四模型对这多个第四编码进行处理，得到处理结果。

在一种可能的实现方式中，第三模型用于实现数据处理，第二损耗为通过多个子计算图实现数据处理所需的时间，多个子计算图基于第二切分策略对第二子计算图进行切分得到。

本申请实施例的第五方面提供了一种模型切分装置，该装置包括存储器和处理器；存储器存储有代码，处理器被配置为执行代码，当代码被执行时，模型切分装置执行以下步骤：获取第一模型的第一计算图；通过第二模型对第一计算图进行处理，得到处理结果，处理结果用于确定第一计算图的第一切分策略；确定第一切分策略作用于第一计算图后所需付出的第一损耗；若第一损耗小于预置阈值，则基于第一切分策略对第一计算图进行切分，得到多个子计算图。

从上述装置可以看出：在获取第一模型的第一计算图后，可先通过第二模型对第一计算图进行处理，得到处理结果，处理结果用于确定第一计算图的第一切分策略。然后，可基于计算图、切分策略与损耗之间的对应关系，确定第一切分策略作用于第一计算图后所需付出的第一损耗。若第一损耗小于预置阈值，则基于第一切分策略对第一计算图进行切分，得到多个子计算图。前述过程中，第一计算图的第一切分策略是由第二模型自行对第一计算图进行处理得到的，且得到第一切分策略后，还可预估第一切分策略作用于第一计算图后所需付出的第一损耗，从而评价第一切分策略是否可行，此种模型切分方式可避免过多的人为干预，且考虑的因素较为全面，可对各种结构的神经网络模型实现模型切分(具备较强的泛化性)，且可为各类结构的神经网络模型制定贴合实际应用的最优切分策略(具备较优的模型切分效果)。

在一种可能的实现方式中，模型切分装置，还用于对第一计算图的多个节点进行编码，得到与多个节点一一对应的多个第一编码；模型切分装置，用于通过第二模型对多个第一编码进行处理，得到处理结果。

在一种可能的实现方式中，确定所述第一切分策略作用于第一计算图后所需付出的第一损耗包括：基于计算图、切分策略与损耗之间的对应关系，确定第一切分策略作用于第一计算图后所需付出的第一损耗。

在一种可能的实现方式中，计算图、切分策略与损耗之间的对应关系为编码与损耗之间的对应关系，处理结果用于确定第二编码，第二编码用于指示第一计算图的第一切分策略，模型切分装置，用于：对多个第一编码和第二编码进行融合，得到第三编码；基于编码与损耗之间的对应关系以及第三编码，确定第一切分策略作用于第一计算图后所需付出的第一损耗。

在一种可能的实现方式中，模型切分装置，用于通过图核算法对多个第一编码和第二编码进行迭代运算，得到第三编码。

在一种可能的实现方式中，计算图、切分策略与损耗之间的对应关系基于第三模型的第二计算图、第二计算图的第二切分策略以及第二切分策略作用于第二计算图后所需付出的第二损耗构建，第二计算图为获取第二模型的训练数据，第二切分策略和第二损耗为已知的数据。

在一种可能的实现方式中，第一模型用于实现数据处理，第一损耗为通过多个子计算图实现数据处理所需的时间。

在一种可能的实现方式中，模型切分装置，还用于若第一损耗大于或等于预置阈值，则不对第一计算图进行切分。

本申请实施例的第六方面提供了一种模型的切分策略评价装置，该装置包括存储器和处理器；存储器存储有代码，处理器被配置为执行代码，当代码被执行时，模型的切分策略评价装置执行以下步骤：获取第三模型的第二计算图、第二计算图的第二切分策略以及第二切分策略作用于第二计算图后所需付出的第二损耗，第二计算图为获取第二模型的训练数据，第二切分策略和第二损耗为已知的数据；基于第二计算图、第二切分策略以及第二损耗，构建计算图、切分策略与损耗之间的对应关系，对应关系用于获取第一切分策略作用于第一模型的第一计算图后所需付出的第一损耗，第一切分策略由第二模型对第一计算图进行处理得到。

上述装置训练得到的第二模型，可用于对第一模型的第一计算图进行处理，得到针对第一计算图的第一切分策略，且上述装置构建得到的计算图、切分策略与损耗之间的对应关系，还用于预估第一切分策略作用于第一计算图后所需付出的第一损耗，从而评价第一切分策略是否可行，可见，本申请实施例提供了一种新的模型切分方式(框架)，此种模型切分方式可避免过多的人为干预，且考虑的因素较为全面，可对各种结构的神经网络模型实现模型切分(具备较强的泛化性)，且可为各类结构的神经网络模型制定贴合实际应用的最优切分策略(具备较优的模型切分效果)。

在一种可能的实现方式中，第二计算图包含多个节点，一个节点表示第三模型可实现的一部分运算，模型的切分策略评价装置，用于：对第二计算图的多个节点进行编码，得到与多个节点一一对应的多个第四编码，并对第二切分策略进行编码，得到第五编码；对多个第四编码和第五编码进行融合，得到第六编码；基于第六编码以及第二损耗，构建编码与损耗之间的对应关系。

在一种可能的实现方式中，模型的切分策略评价装置，用于通过图核算法对多个第四编码和第五编码进行迭代运算，得到第六编码。

在一种可能的实现方式中，模型的切分策略评价装置，还用于：通过第四模型对第二计算图进行处理，得到处理结果，处理结果用于确定第二计算图的第三切分策略；基于第二切分策略以及第三切分策略，获取目标损失，目标损失用于指示第二切分策略与第三切分策略之间的差异；基于目标损失，对第四模型的参数进行更新，直至满足模型训练条件，得到第二模型。

在一种可能的实现方式中，模型的切分策略评价装置，用于：对第二计算图的多个节点进行编码，得到与多个节点一一对应的多个第四编码；通过第四模型对这多个第四编码进行处理，得到处理结果。

在一种可能的实现方式中，第三模型用于实现数据处理，第二损耗为通过多个子计算图实现数据处理所需的时间，多个子计算图基于第二切分策略对第二子计算图进行切分得到。

本申请实施例的第七方面提供了一种电路系统，该电路系统包括处理电路，该处理电路配置为执行如第一方面、第一方面中的任意一种可能的实现方式或第二方面所述的方法。

本申请实施例的第八方面提供了一种芯片系统，该芯片系统包括处理器，用于调用存储器中存储的计算机程序或计算机指令，以使得该处理器执行如第一方面、第一方面中的任意一种可能的实现方式或第二方面所述的方法。

在一种可能的实现方式中，该处理器通过接口与存储器耦合。

在一种可能的实现方式中，该芯片系统还包括存储器，该存储器中存储有计算机程序或计算机指令。

本申请实施例的第九方面提供了一种计算机存储介质，该计算机存储介质存储有计算机程序，该程序在由计算机执行时，使得计算机实施如第一方面、第一方面中的任意一种可能的实现方式或第二方面所述的方法。

本申请实施例的第十方面提供了一种计算机程序产品，该计算机程序产品存储有指令，该指令在由计算机执行时，使得计算机实施如第一方面、第一方面中的任意一种可能的实现方式或第二方面所述的方法。

本申请实施例中，在获取第一模型的第一计算图后，可先通过第二模型对第一计算图进行处理，得到处理结果，处理结果用于确定第一计算图的第一切分策略。然后，可基于计算图、切分策略与损耗之间的对应关系，确定第一切分策略作用于第一计算图后所需付出的第一损耗。若第一损耗小于预置阈值，则基于第一切分策略对第一计算图进行切分，得到多个子计算图。前述过程中，第一计算图的第一切分策略是由第二模型自行对第一计算图进行处理得到的，且得到第一切分策略后，还可预估第一切分策略作用于第一计算图后所需付出的第一损耗，从而评价第一切分策略是否可行，此种模型切分方式可避免过多的人为干预，且考虑的因素较为全面，可对各种结构的神经网络模型实现模型切分(具备较强的泛化性)，且可为各类结构的神经网络模型制定贴合实际应用的最优切分策略(具备较优的模型切分效果)。

进一步地，第二模型的输入并非为第一计算图的多个节点，而是与这多个节点一一对应的多个第一编码，第一编码的数量远小于节点自身的数据量，如此一来，可以有效降低神经网络模型所需处理的数据量，减少模型获取切分策略的耗时，节省模型获取切分策略所占用的资源。

附图说明

图1为人工智能主体框架的一种结构示意图；

图2a为本申请实施例提供的模型切分系统的一个结构示意图；

图2b为本申请实施例提供的模型切分系统的另一结构示意图；

图2c为本申请实施例提供的模型切分处理的相关设备的一个示意图；

图3为本申请实施例提供的系统100架构的一个示意图；

图4为本申请实施例提供的模型切分方法的一个流程示意图；

图5为本申请实施例提供的第一计算图的一个示意图；

图6为本申请实施例提供的切分策略生成的一个流程示意图；

图7为本申请实施例提供的图核算法的一个流程示意图；

图8为本申请实施例提供的模型的切分策略评价方法的一个流程示意图；

图9为本申请实施例提供的第二计算图的一个示意图；

图10为本申请实施例提供的候选切分策略的一个示意图；

图11为本申请实施例提供的候选切分策略的另一示意图；

图12为本申请实施例提供的模型切分装置的一个结构示意图；

图13为本申请实施例提供的模型的切分策略评价装置的一个结构示意图；

图14为本申请实施例提供的执行设备的一个结构示意图；

图15为本申请实施例提供的训练设备的一个结构示意图；

图16为本申请实施例提供的芯片的一个结构示意图。

具体实施方式

本申请实施例提供了一种模型切分方法及其相关设备，在进行模型切分时，可避免过多的人为干预，且考虑的因素较为全面，可对各种结构的神经网络模型实现模型切分，且可为各类结构的神经网络模型制定贴合实际应用的最优切分策略。

本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换，这仅仅是描述本申请的实施例中对相同属性的对象在描述时所采用的区分方式。此外，术语“包括”和“具有”并他们的任何变形，意图在于覆盖不排他的包含，以便包含一系列单元的过程、方法、系统、产品或设备不必限于那些单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它单元。

随着技术的快速发展，越来越多的领域可使用AI技术的神经网络模型来实现数据处理，例如，可利用神经网络模型实现图像分类、文本摘要生成，语音识别以及函数求解等各类数据处理。

神经网络模型的数据处理过程可视为神经网络模型对数据进行计算的过程，故神经网络模型可通过计算图的形式进行表示，计算图可通常包含相互连接的多个节点，一个节点对应于模型中某一层的至少一个神经元，故一个节点可表示神经网络模型所能实现的一部分计算。当电子设备通过某个神经网络模型的计算图进行数据处理时，电子设备的处理器通常会逐个运行计算图的多个节点，可能造成排队拥堵的情况发生，导致数据处理的效率低下。为了解决该问题，可通过电子设备的处理器提前对计算图进行切分，并将得到的多个子计算图分别存放于处理器的多个寄存器上，故在进行数据处理时，处理器可并行运算这多个子计算图，从而提高数据处理的效率。

目前，通常基于专家经验来制定计算图的切分策略，涉及较多的人为干预，考虑的因素往往较为单一，导致切分策略往往仅能针对表示某些特定结构的神经网络模型的计算图(即泛化性不佳)，且基于此种方式所得的切分策略也有可能并非是神经网络模型的计算图的最优切分策略(切分效果不佳)。

进一步地，相关技术还可通过已训练的神经网络模型来对表示某个神经网络模型的计算图进行处理，得到该神经网络模型的计算图的切分策略，然而，已训练的神经网络模型的输入往往是整个神经网络模型的计算图，其数据量通常很大，导致获取切分策略的过程耗时较长，耗费的资源较多。

为了解决上述问题，本申请实施例提供一种模型切分方法，该方法可结合人工智能(artificial intelligence，AI)技术实现。AI技术是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能的技术学科，AI技术通过感知环境、获取知识并使用知识获得最佳结果。换句话说，人工智能技术是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。利用人工智能进行数据处理是人工智能常见的一个应用方式。

首先对人工智能系统总体工作流程进行描述，请参见图1，图1为人工智能主体框架的一种结构示意图，下面从“智能信息链”(水平轴)和“IT价值链”(垂直轴)两个维度对上述人工智能主题框架进行阐述。其中，“智能信息链”反映从数据的获取到处理的一列过程。举例来说，可以是智能信息感知、智能信息表示与形成、智能推理、智能决策、智能执行与输出的一般过程。在这个过程中，数据经历了“数据—信息—知识—智慧”的凝练过程。“IT价值链”从人智能的底层基础设施、信息(提供和处理技术实现)到系统的产业生态过程，反映人工智能为信息技术产业带来的价值。

(1)基础设施

基础设施为人工智能系统提供计算能力支持，实现与外部世界的沟通，并通过基础平台实现支撑。通过传感器与外部沟通；计算能力由智能芯片(CPU、NPU、GPU、ASIC、FPGA等硬件加速芯片)提供；基础平台包括分布式计算框架及网络等相关的平台保障和支持，可以包括云存储和计算、互联互通网络等。举例来说，传感器和外部沟通获取数据，这些数据提供给基础平台提供的分布式计算系统中的智能芯片进行计算。

(2)数据

基础设施的上一层的数据用于表示人工智能领域的数据来源。数据涉及到图形、图像、语音、文本，还涉及到传统设备的物联网数据，包括已有系统的业务数据以及力、位移、液位、温度、湿度等感知数据。

(3)数据处理

数据处理通常包括数据训练，机器学习，深度学习，搜索，推理，决策等方式。

其中，机器学习和深度学习可以对数据进行符号化和形式化的智能信息建模、抽取、预处理、训练等。

推理是指在计算机或智能系统中，模拟人类的智能推理方式，依据推理控制策略，利用形式化的信息进行机器思维和求解问题的过程，典型的功能是搜索与匹配。

决策是指智能信息经过推理后进行决策的过程，通常提供分类、排序、预测等功能。

(4)通用能力

对数据经过上面提到的数据处理后，进一步基于数据处理的结果可以形成一些通用的能力，比如可以是算法或者一个通用系统，例如，翻译，文本的分析，计算机视觉的处理，语音识别，图像的识别等等。

(5)智能产品及行业应用

智能产品及行业应用指人工智能系统在各领域的产品和应用，是对人工智能整体解决方案的封装，将智能信息决策产品化、实现落地应用，其应用领域主要包括：智能终端、智能交通、智能医疗、自动驾驶、智慧城市等。

接下来介绍几种本申请的应用场景。

图2a为本申请实施例提供的模型切分系统的一个结构示意图，该模型切分系统包括用户设备以及数据处理设备。其中，用户设备包括手机、个人电脑或者信息处理中心等智能终端。用户设备为数据序列处理的发起端，作为数据序列处理请求的发起方，通常由用户通过用户设备发起请求。

上述数据处理设备可以是云服务器、网络服务器、应用服务器以及管理服务器等具有数据处理功能的设备或服务器。数据处理设备通过交互接口接收来自智能终端的文本处理请求，再通过存储数据的存储器以及数据处理的处理器环节进行机器学习，深度学习，搜索，推理，决策等方式的文本处理。数据处理设备中的存储器可以是一个统称，包括本地存储以及存储历史数据的数据库，数据库可以在数据处理设备上，也可以在其它网络服务器上。

在图2a所示的模型切分系统中，用户设备可以接收用户的指令，例如用户设备可以获取用户输入/选择的一个待切分的神经网络模型，然后向数据处理设备发起请求，使得数据处理设备针对用户设备得到的该模型执行模型切分应用，从而得到针对该模型的处理结果。示例性的，用户设备可以获取用户输入的一个待切分的神经网络模型，然后向数据处理设备发起该模型的处理请求，使得数据处理设备将该模型以计算图的形式进行表示，并对该模型的计算图进行处理，从而得到该模型的处理结果，即针对该模型的计算图的切分策略，再基于该切分策略将该模型的计算图切分成多个子计算图，从而完成该模型的计算图的切分(相当于完成该模型的切分)。

在图2a中，数据处理设备可以执行本申请实施例的模型切分方法。

图2b为本申请实施例提供的模型切分系统的另一结构示意图，在图2b中，用户设备直接作为数据处理设备，该用户设备能够直接获取来自用户的输入并直接由用户设备本身的硬件进行处理，具体过程与图2a相似，可参考上面的描述，在此不再赘述。

在图2b所示的模型切分系统中，用户设备可以接收用户的待切分的神经网络模型，例如用户设备可以获取用户在用户设备中所选择的一个神经网络模型，然后再由用户设备自身针对该模型的执行模型切分应用(例如，将该模型转换为计算图，并对该模型的计算图进行处理)，从而得到针对该模型的处理结果，即针对该模型的计算图的切分策略，再基于该切分策略将该模型的计算图切分成多个子计算图，从而完成该模型的计算图的切分(相当于完成该模型的切分)。

在图2b中，用户设备自身就可以执行本申请实施例的模型切分方法。

图2c为本申请实施例提供的模型切分处理的相关设备的一个示意图。

上述图2a和图2b中的用户设备具体可以是图2c中的本地设备301或者本地设备302，图2a中的数据处理设备具体可以是图2c中的执行设备210，其中，数据存储系统250可以存储执行设备210的待处理数据，数据存储系统250可以集成在执行设备210上，也可以设置在云上或其它网络服务器上。

图2a和图2b中的处理器可以通过神经网络模型或者其它模型(例如，基于支持向量机的模型)进行数据训练/机器学习/深度学习，并利用数据最终训练或者学习得到的模型针对模型执行模型切分应用，从而得到相应的处理结果。

图3为本申请实施例提供的系统100架构的一个示意图，在图3中，执行设备110配置输入/输出(input/output，I/O)接口112，用于与外部设备进行数据交互，用户可以通过客户设备140向I/O接口112输入数据，所述输入数据在本申请实施例中可以包括：各个待调度任务、可调用资源以及其他参数。

在执行设备110对输入数据进行预处理，或者在执行设备110的计算模块111执行计算等相关的处理(比如进行本申请中神经网络的功能实现)过程中，执行设备110可以调用数据存储系统150中的数据、代码等以用于相应的处理，也可以将相应处理得到的数据、指令等存入数据存储系统150中。

最后，I/O接口112将处理结果返回给客户设备140，从而提供给用户。

值得说明的是，训练设备120可以针对不同的目标或称不同的任务，基于不同的训练数据生成相应的目标模型/规则，该相应的目标模型/规则即可以用于实现上述目标或完成上述任务，从而为用户提供所需的结果。其中，训练数据可以存储在数据库130中，且来自于数据采集设备160采集的训练样本。

在图3中所示情况下，用户可以手动给定输入数据，该手动给定可以通过I/O接口112提供的界面进行操作。另一种情况下，客户设备140可以自动地向I/O接口112发送输入数据，如果要求客户设备140自动发送输入数据需要获得用户的授权，则用户可以在客户设备140中设置相应权限。用户可以在客户设备140查看执行设备110输出的结果，具体的呈现形式可以是显示、声音、动作等具体方式。客户设备140也可以作为数据采集端，采集如图所示输入I/O接口112的输入数据及输出I/O接口112的输出结果作为新的样本数据，并存入数据库130。当然，也可以不经过客户设备140进行采集，而是由I/O接口112直接将如图所示输入I/O接口112的输入数据及输出I/O接口112的输出结果，作为新的样本数据存入数据库130。

值得注意的是，图3仅是本申请实施例提供的一种系统架构的示意图，图中所示设备、器件、模块等之间的位置关系不构成任何限制，例如，在图3中，数据存储系统150相对执行设备110是外部存储器，在其它情况下，也可以将数据存储系统150置于执行设备110中。如图3所示，可以根据训练设备120训练得到神经网络。

本申请实施例还提供的一种芯片，该芯片包括神经网络处理器NPU。该芯片可以被设置在如图3所示的执行设备110中，用以完成计算模块111的计算工作。该芯片也可以被设置在如图3所示的训练设备120中，用以完成训练设备120的训练工作并输出目标模型/规则。

神经网络处理器NPU，NPU作为协处理器挂载到主中央处理器(centralprocessing unit，CPU)(host CPU)上，由主CPU分配任务。NPU的核心部分为运算电路，控制器控制运算电路提取存储器(权重存储器或输入存储器)中的数据并进行运算。

在一些实现中，运算电路内部包括多个处理单元(process engine,PE)。在一些实现中，运算电路是二维脉动阵列。运算电路还可以是一维脉动阵列或者能够执行例如乘法和加法这样的数学运算的其它电子线路。在一些实现中，运算电路是通用的矩阵处理器。

举例来说，假设有输入矩阵A，权重矩阵B，输出矩阵C。运算电路从权重存储器中取矩阵B相应的数据，并缓存在运算电路中每一个PE上。运算电路从输入存储器中取矩阵A数据与矩阵B进行矩阵运算，得到的矩阵的部分结果或最终结果，保存在累加器(accumulator)中。

向量计算单元可以对运算电路的输出做进一步处理，如向量乘，向量加，指数运算，对数运算，大小比较等等。例如，向量计算单元可以用于神经网络中非卷积/非FC层的网络计算，如池化(pooling)，批归一化(batch normalization)，局部响应归一化(localresponse normalization)等。

在一些实现中，向量计算单元能将经处理的输出的向量存储到统一缓存器。例如，向量计算单元可以将非线性函数应用到运算电路的输出，例如累加值的向量，用以生成激活值。在一些实现中，向量计算单元生成归一化的值、合并值，或二者均有。在一些实现中，处理过的输出的向量能够用作到运算电路的激活输入，例如用于在神经网络中的后续层中的使用。

统一存储器用于存放输入数据以及输出数据。

权重数据直接通过存储单元访问控制器(direct memory access controller，DMAC)将外部存储器中的输入数据搬运到输入存储器和/或统一存储器、将外部存储器中的权重数据存入权重存储器，以及将统一存储器中的数据存入外部存储器。

总线接口单元(bus interface unit，BIU)，用于通过总线实现主CPU、DMAC和取指存储器之间进行交互。

与控制器连接的取指存储器(instruction fetch buffer)，用于存储控制器使用的指令；

控制器，用于调用指存储器中缓存的指令，实现控制该运算加速器的工作过程。

一般地，统一存储器，输入存储器，权重存储器以及取指存储器均为片上(On-Chip)存储器，外部存储器为该NPU外部的存储器，该外部存储器可以为双倍数据率同步动态随机存储器(double data rate synchronous dynamic random access memory，DDRSDRAM)、高带宽存储器(high bandwidth memory，HBM)或其他可读可写的存储器。

由于本申请实施例涉及大量神经网络的应用，为了便于理解，下面先对本申请实施例涉及的相关术语及神经网络等相关概念进行介绍。

(1)神经网络

神经网络可以是由神经单元组成的，神经单元可以是指以xs和截距1为输入的运算单元，该运算单元的输出可以为：

其中，s＝1、2、……n，n为大于1的自然数，Ws为xs的权重，b为神经单元的偏置。f为神经单元的激活函数(activation functions)，用于将非线性特性引入神经网络中，来将神经单元中的输入信号转换为输出信号。该激活函数的输出信号可以作为下一层卷积层的输入。激活函数可以是sigmoid函数。神经网络是将许多个上述单一的神经单元联结在一起形成的网络，即一个神经单元的输出可以是另一个神经单元的输入。每个神经单元的输入可以与前一层的局部接受域相连，来提取局部接受域的特征，局部接受域可以是由若干个神经单元组成的区域。

神经网络中的每一层的工作可以用数学表达式y＝a(Wx+b)来描述：从物理层面神经网络中的每一层的工作可以理解为通过五种对输入空间(输入向量的集合)的操作，完成输入空间到输出空间的变换(即矩阵的行空间到列空间)，这五种操作包括：1、升维/降维；2、放大/缩小；3、旋转；4、平移；5、“弯曲”。其中1、2、3的操作由Wx完成，4的操作由+b完成，5的操作则由a()来实现。这里之所以用“空间”二字来表述是因为被分类的对象并不是单个事物，而是一类事物，空间是指这类事物所有个体的集合。其中，W是权重向量，该向量中的每一个值表示该层神经网络中的一个神经元的权重值。该向量W决定着上文所述的输入空间到输出空间的空间变换，即每一层的权重W控制着如何变换空间。训练神经网络的目的，也就是最终得到训练好的神经网络的所有层的权重矩阵(由很多层的向量W形成的权重矩阵)。因此，神经网络的训练过程本质上就是学习控制空间变换的方式，更具体的就是学习权重矩阵。

因为希望神经网络的输出尽可能的接近真正想要预测的值，所以可以通过比较当前网络的预测值和真正想要的目标值，再根据两者之间的差异情况来更新每一层神经网络的权重向量(当然，在第一次更新之前通常会有初始化的过程，即为神经网络中的各层预先配置参数)，比如，如果网络的预测值高了，就调整权重向量让它预测低一些，不断的调整，直到神经网络能够预测出真正想要的目标值。因此，就需要预先定义“如何比较预测值和目标值之间的差异”，这便是损失函数(loss function)或目标函数(objective function)，它们是用于衡量预测值和目标值的差异的重要方程。其中，以损失函数举例，损失函数的输出值(loss)越高表示差异越大，那么神经网络的训练就变成了尽可能缩小这个loss的过程。

(2)反向传播算法

神经网络可以采用误差反向传播(back propagation，BP)算法在训练过程中修正初始的神经网络模型中参数的大小，使得神经网络模型的重建误差损失越来越小。具体地，前向传递输入信号直至输出会产生误差损失，通过反向传播误差损失信息来更新初始的神经网络模型中参数，从而使误差损失收敛。反向传播算法是以误差损失为主导的反向传播运动，旨在得到最优的神经网络模型的参数，例如权重矩阵。

(3)计算图

计算图可作为神经网络的一种呈现方式，计算图通常包含相连接的多个节点，在这多个节点中，对于任意一个节点而言，该节点可对应于神经网络中位于同一层的至少一个神经元。由于神经元为神经网络中的计算单元，神经元在接收输入后，可利用自身的参数对该输入进行计算，得到相应的输出，那么，该节点可表示为y＝f(x)，x为该节点对应的至少一个神经元的输入，f()表示该节点对应的至少一个神经元进行的计算，y为该节点对应的至少一个神经元的输出。可见，该节点可表示神经网络所能实现的一部分计算。如此一来，具有很多参数的神经网络可通过较为简化的计算图进行表示，有利于处理器去运行和存储神经网络。

下面从神经网络的训练侧和神经网络的应用侧对本申请提供的方法进行描述。

本申请实施例提供的模型的切分策略评价方法，涉及数据序列的处理，具体可以应用于数据训练、机器学习、深度学习等方法，对训练数据(例如，将本申请中第三模型的第二计算图)进行符号化和形式化的智能信息建模、抽取、预处理、训练等，最终得到训练好的神经网络(例如，本申请中的第二模型)；并且，本申请实施例提供的模型切分方法可以运用上述训练好的神经网络，将输入数据(例如，本申请中第一模型的第一计算图)输入到所述训练好的神经网络中，得到输出数据(如本申请中第一计算图的第一切分策略)。需要说明的是，本申请实施例提供的模型的切分策略评价方法和模型切分方法是基于同一个构思产生的发明，也可以理解为一个系统中的两个部分，或一个整体流程的两个阶段：如模型训练阶段和模型应用阶段。

图4为本申请实施例提供的模型切分方法的一个流程示意图，如图4所示，该方法包括：

401、获取第一模型的第一计算图。

本实施例中，当需要对第一模型进行切分时，可先获取第一模型的第一计算图。其中，第一模型为待切分的神经网络模型，第一模型可用于实现数据处理功能，例如，第一模型可用于对图像数据进行分类处理，又如，第一模型可用于对文本数据进行摘要处理，再如，第一模型可用于对语音数据进行识别处理等等。第一模型的第一计算图可包含相连接的多个节点，在这多个节点中，一个节点对应于第一模型中位于同一层的至少一个神经元，由于第一模型中的神经元可视为第一模型中的计算单元(具备一定的计算功能)，故在第一计算图的多个节点中，一个节点可用于表示第一模型可实现的一部分计算。例如，如图5所示(图5为本申请实施例提供的第一计算图的一个示意图)，设第一模型包含了5个节点，分别位于5层，第1层为输入层，第2层为卷积层，第3层为归一化层，第4层为激活层以及第5层为输出层。分别位于这5层的5个神经元用于实现不同的计算，其中，第1层的神经元用于接收输入的数据，第2层的神经元用于对数据进行卷积，第3的神经元用于对卷积结果进行归一化，第4层的神经元用于对归一化结果进行激活，第5层的神经元用于对激活结果和原始输入的数据进行加权，得到数据的处理结果。那么，可将这5个神经元分别用5个节点进行表示，分别为节点0、节点1、节点2、节点3和节点4，节点0用于表示第1层的神经元可实现的计算，节点1用于表示第2层的神经元可实现的计算，节点2用于表示第3层的神经元可实现的计算，节点3用于表示第4层的神经元可实现的计算，节点4用于表示第5层的神经元可实现的计算，故相连接的这5个节点构成了第一模型的第一计算图。

应理解，图5所示的例子中，仅以第一模型包含5层神经元进行示意性介绍，并不对本申请中第一模型的层数构成限制。

还应理解，图5所示的例子中，仅以第一模型中每一层包含1个神经元进行示意性介绍，并不对第一模型每一层的神经元数量构成限制。

还应理解，图5所示的例子中，仅以第一计算图中一个节点用于表示第一模型中一个神经元所能实现的计算进行示意性介绍，在实际应用中，第一计算图中一个节点还可用于表示第一模型中位于同一层的多个神经元所能实现的计算。

402、通过第二模型对第一计算图进行处理，得到处理结果，处理结果用于确定第一计算图的第一切分策略。

得到第一模型的第一计算图后，可将第一计算图输入至第二模型(即已训练的神经网络模型，用于实现模型切分功能)，以通过第二模型对第一计算图进行处理，得到针对第一计算图的处理结果，该处理结果通常包含多个切分策略(也可以称为切分行为)的概率，故可在这多个切分策略中，将概率最大的切分策略确定为针对第一计算图的第一切分策略，依旧如上述例子，通过第二模型对第一模型的第一计算图进行处理后，可得到针对第一计算图的第一切分策略，第一切分策略用于指示以下内容：将第一计算图分成两个子计算图，第1个子计算图包含节点1、节点2以及节点3，第2个子计算图包含节点0以及节点4。

具体地，可通过以下方式获取第一计算图的处理结果：

(1)在将第一计算图输入至第二模型之前，在第一计算图的多个节点中，对于任意一个节点而言，可先对该节点进行编码，从而得到与该节点对应的第一编码，值得注意的是，该节点对应的第一编码的数据量要远小于该节点自身的数据量，故可降低第二模型的输入的数据量。同样地，对于除该节点之外的其余节点，也可执行如同对该节点所执行的操作，故可得到与其余节点对应的第一编码，如此一来，可得到与第一计算图的多个节点一一对应的多个第一编码。依旧如上述例子，如图6所示(图6为本申请实施例提供的切分策略生成的一个流程示意图,图6是在图5的基础上进行绘制得到的)，得到节点0至节点4后，可对节点0至节点4分别进行编码，从而得到节点0的编码0、节点1的编码1、节点2的编码2、节点3的编码3以及节点4的编码4。

(2)得到与第一计算图的多个节点一一对应的多个第一编码后，可将这多个第一编码输入第二模型，以通过第二模型对这多个第一编码进行处理，得到处理结果，该处理结果通常包含多个切分策略的编码的概率，故可在这多个编码中，将概率最大的编码确定为第二编码，并将第二编码所指示的切分策略确定为针对第一计算图的第一切分策略。依旧如上述例子，通过第二模型对编码1至编码4进行处理后，可得到处理结果，该处理结果包含编码5的概率、编码6的概率、编码7的概率，编码5用于指示切分策略1，编码6用于指示切分策略2，编码7用于指示切分策略3，由于编码5的概率最大，故可将切分策略1确定为针对第一计算图的切分策略。

403、基于计算图、切分策略与损耗之间的对应关系，确定第一切分策略作用于第一计算图后所需付出的第一损耗。

得到针对第一计算图的第一切分策略后，可获取计算图、切分策略与损耗(也可以称为代价)之间的对应关系，并基于该对应关系，确定第一切分策略作用于第一计算图后所需付出的第一损耗。

值得注意的是，计算图、切分策略与损耗之间的对应关系通常是提前部署好的，该对应关系可基于第三模型(即作为训练数据的神经网络模型，也可用于实现数据处理功能)的第二计算图、针对第二计算图的第二切分策略以及第二切分策略作用于第二计算图后所需付出的第二损耗构建，其中，第三模型的第二计算图为获取第二模型的训练数据(即在第二模型的训练过程中所使用的数据)，且针对第二计算图的第二切分策略以及第二切分策略作用于第二计算图后所需付出的第二损耗均为已知的数据(也可以称为真实的数据)。

值得注意的是，由于第一切分策略可用于将第一计算图切分成多个子计算图，故第一损耗可以指通过(运行)这多个子计算图来实现数据处理(即第一模型所能实现的数据处理)所需付出的损耗，例如，第一损耗可以是运行这多个子计算图来实现数据处理所需的时间，又如，第一损耗可以是运行这多个子计算图来实现数据处理所占用的资源(计算资源、存储资源、通信资源等)等等。

具体地，计算图、切分策略与损耗之间的对应关系可以呈现为编码与损耗之间的对应关系，例如，该对应关系可以为二维坐标系上的一条曲线，坐标系的横坐标为将计算图中节点的编码与切分策略的编码融合后的编码，坐标系的纵坐标为损耗等等。那么，可通过以下方式来获取第一切分策略作用于第一计算图后所需付出的第一损耗：

(1)对与第一计算图的多个节点一一对应的多个第一编码和用于指示第一切分策略的第二编码进行融合，得到第三编码。需要说明的是，前述的融合处理可通过图核算法(weisfeiler-lehman(WL)graph kernel算法)实现，例如，如图7所示(图7为本申请实施例提供的图核算法的一个流程示意图)，可先将多个第一编码和第二编码进行相加(或拼接)，再将相加后(或拼接后)的编码进行基于图核算法的迭代运算，从而得到第三编码。

(2)得到第三编码后，可在编码与损耗之间的对应关系中，确定与第三编码对应的损耗，该损耗即为第一切分策略作用于第一计算图后所需付出的第一损耗。

应理解，第二模型处于应用阶段时的相关数据为预测数据，第二模型处于训练阶段时的相关数据为真实数据，即前述针对第一计算图的第一切分策略也可以理解针对第一计算图的预测切分策略，第一切分策略作用于第一计算图后所需付出的第一损耗也可以理解为第一切分策略作用于第一计算图后所需付出的预测损耗，针对第二计算图的第二切分策略也可以理解针对第二计算图的真实切分策略，第二切分策略作用于第二计算图后所需付出的第二损耗也可以理解为第二切分策略作用于第二计算图后所需付出的真实损耗。

404、检测第一损耗是否小于预置阈值。

得到第一切分策略作用于第一计算图后所需付出的第一损耗后，可检测第一损耗是否小于预置阈值(也可以称为预置的损耗阈值)。需要说明的是，预置阈值的大小可通过多种方式设置，例如，预置阈值的大小可以是人工根据实际需求来设置的，又如，预置阈值的大小还可以基于不对第二计算图进行切分时，直接通过第二计算图实现数据处理所需付出的损耗来确定，此处不做限制。

405、若第一损耗小于预置阈值，则基于第一切分策略对第一计算图进行切分，得到多个子计算图。

若第一切分策略作用于第一计算图后所需付出的第一损耗小于预置阈值，说明第一切分策略是可行的，故可基于第一切分策略对第一计算图进行切分，得到多个子计算图，着多个子计算图中，一个子计算图包含第一计算图的至少一个节点。依旧如上述例子，由于切分策略1的内容为将第一计算图分成包含节点1、节点2和节点3的子计算图以及包含节点0和节点4的子计算图，故基于切分策略1，可将第一计算图分成两个子计算图，第1个子计算图包含节点1、节点2和节点3，第2个子计算图包含节点0和节点4。

至此，则完成了第一计算图的切分，也相当于完成了第一模型的切分。若后续存在针对第一模型的数据处理需求，可并行运行这多个子计算图，以实现第一模型的数据处理功能。

406、若第一损耗大于或等于预置阈值，则不对第一计算图进行切分。

若第一切分策略作用于第一计算图后所需付出的第一损耗大于或等于预置阈值，说明第一切分策略是不可行的，故不对第一计算图进行切分。若后续存在针对第一模型的数据处理需求，可直接运行整个第一计算图，以实现第一模型的数据处理功能。

本申请实施例中，在获取第一模型的第一计算图后，可先通过第二模型对第一计算图进行处理，得到处理结果，处理结果用于确定第一计算图的第一切分策略。然后，可基于计算图、切分策略与损耗之间的对应关系，确定第一切分策略作用于第一计算图后所需付出的第一损耗。若第一损耗小于预置阈值，则基于第一切分策略对第一计算图进行切分，得到多个子计算图。前述过程中，第一计算图的第一切分策略是由第二模型自行对第一计算图进行处理得到的，且得到第一切分策略后，还可预估第一切分策略作用于第一计算图后所需付出的第一损耗，从而评价第一切分策略是否可行，此种模型切分方式可避免过多的人为干预，且考虑的因素较为全面，可对各种结构的神经网络模型实现模型切分(具备较强的泛化性)，且可为各类结构的神经网络模型制定贴合实际应用的最优切分策略(具备较优的模型切分效果)。

进一步地，第二模型的输入并非为第一计算图的多个节点，而是与这多个节点一一对应的多个第一编码，第一编码的数量远小于节点自身的数据量，如此一来，可以有效降低神经网络模型所需处理的数据量，减少模型获取切分策略的耗时，节省模型获取切分策略所占用的资源。

以上是对本申请实施例提供的模型切分方法所进行的详细说明，以下将对本申请实施例提供的模型的切分策略评价方法进行介绍。图8为本申请实施例提供的模型的切分策略评价方法的一个流程示意图，如图8所示，该方法包括：

801、获取第三模型的第二计算图、第二计算图的第二切分策略以及第二切分策略作用于第二计算图后所需付出的第二损耗。

本实施例中，当需要对第四模型(即待训练的神经网络模型)进行训练时，可先获取一批训练数据，该批训练数据包含第三模型的第二计算图，第二计算图包含多个节点，一个节点对应于第三模型中位于同一层的至少一个神经元，即一个节点可用于表示第三模型可实现的一部分运算，关于第三模型的第二计算图的说明，可参考图4所示实施例中第一模型的第一计算图的相关说明部分，此处不再赘述。

需要说明的是，由于第三模型的第二计算图作为训练数据，故针对第二计算图的第二切分策略(真实切分策略)以及第二切分策略作用于第二计算图后所需付出的第二损耗(真实损耗)均是已知的数据。其中，由于第二切分策略可用于将第二计算图切分成多个子计算图，故第二损耗可以指通过这多个子计算图来实现数据处理(即第三模型所能实现的数据处理)所需付出的损耗，例如，第二损耗可以是运行这多个子计算图来实现数据处理所需的时间，又如，第二损耗可以是运行这多个子计算图来实现数据处理所占用的资源(计算资源、存储资源、通信资源等)等等。

需要说明的是，已知的针对第二计算图的候选切分策略有多个，且每个候选切分策略对应的损耗均是已知的，可将损耗最小的候选切分策略确定为针对第二计算图的第二切分策略。例如，如图9所示的第二计算图(图9为本申请实施例提供的第二计算图的一个示意图)，包含4层共12个节点，其中，第1层有4个节点(分别为节点1_1，节点1_2，节点1_3以及节点1_4)，第2层有2个节点(分别为节点2_1以及节点2_2)，第3层有4个节点(分别为节点3_1，节点3_2，节点3_3以及节点3_4)，第4层有2个节点(分别为节点4_1以及节点4_2)。第二计算图有2个候选切分策略，第1个候选切分策略如图10所示(图10为本申请实施例提供的候选切分策略的一个示意图)，该策略包含的内容为：将第二计算图切分成2个子计算图，第1个子计算图包含节点1_1、节点1_2、节点2_1、节点3_1、节点3_2以及节点4_1，第2个子计算图包含节点1_3、节点1_4、节点2_2、节点3_3、节点3_4以及节点4_2。第2个候选切分策略如图11所示(图11为本申请实施例提供的候选切分策略的另一示意图)，该策略包含的内容为：将第二计算图切分成4个子计算图，第1个子计算图包含节点1_1以及节点3_1，第2个子计算图包含节点1_2、节点2_1、节点3_2以及节点4_1，第3个子计算图包含节点1_3、节点2_2、节点3_3以及节点4_2，第4个子计算图包含节点1_4以及节点3_4。由于第2候选切分策略作用于第二计算图后所需付出的损耗较少，故可将第2候选切分策略作为第二计算图的第二切分策略。

802、通过第四模型对第二计算图进行处理，得到处理结果，处理结果用于确定第二计算图的第三切分策略。

得到针对第三模型的第二计算图后，可将第二计算图输入至第四模型，以通过第四模型对第二计算图进行处理，得到处理结果，该处理结果通常包含多个切分策略(切分行为)的概率，故可在这多个切分策略中，将概率最大的切分策略确定为针对第二计算图的第三切分策略(预测切分策略)。

具体地，可通过以下方式获取第二计算图的处理结果：

(1)在第二计算图的多个节点中，对于任意一个节点而言，可先对该节点进行编码，从而得到与该节点对应的第四编码，值得注意的是，该节点对应的第四编码的数据量要远小于该节点自身的数据量，故可降低第四模型的输入的数据量。同样地，对于除该节点之外的其余节点，也可执行如同对该节点所执行的操作，故可得到与其余节点对应的第四编码，如此一来，可得到与第二计算图的多个节点一一对应的多个第四编码。

(2)得到与第二计算图的多个节点一一对应的多个第四编码后，可将这多个第四编码输入第四模型，以通过第四模型对这多个第四编码进行处理，得到处理结果，该处理结果通常包含多个切分策略的编码的概率，故可在这多个编码中，将概率最大的编码所指示的切分策略确定为针对第二计算图的第三切分策略。

803、基于第二切分策略以及第三切分策略，获取目标损失，目标损失用于指示第二切分策略与第三切分策略之间的差异。

得到针对第二计算图的第三切分策略，由于针对第二计算图的第二切分策略已知，故可通过预置的目标损失函数，对针对第二计算图的第二切分策略以及针对第二计算图的第三切分策略进行计算，得到目标损失，目标损失用于指示针对第二计算图的第二切分策略以及针对第二计算图的第三切分策略之间的差异。

804、基于目标损失，对第四模型的参数进行更新，直至满足模型训练条件，得到第二模型。

得到目标损失后，可基于目标损失，对第四模型的参数进行更新，得到更新后的第四模型。此后，可再获取下一批训练数据，对更新后的第四模型继续进行训练(即重新执行步骤802至步骤804)，直至满足模型训练条件(例如，目标损失收敛等等)，得到图4所示实施例中的第二模型。

当第二模型在应用阶段时，第二模型可用于对第一模型(待切分的神经网络模型)的第一计算图进行处理，得到针对第一模型的第一切分策略。关于第二模型对第一模型的第一计算的处理的介绍，可参考图4所示实施例中的相关说明部分，此处不再赘述。

805、基于第二计算图、第二切分策略以及第二损耗，构建计算图、切分策略与损耗之间的对应关系，对应关系用于获取第一切分策略作用于第一模型的第一计算图后所需付出的第一损耗，第一切分策略由第二模型对第一计算图进行处理得到。

得到第三模型的第二计算图、针对第二计算图的第二切分策略以及第二切分策略作用于第二计算图后所需付出的第二损耗后，可基于这些信息来构建计算图、切分策略与损耗之间的对应关系，该对应关系可用于评价第二模型输出的切分策略是否可行，例如，该对应关系可用于获取第一切分策略作用于第一模型的第一计算图后所需付出的第一损耗，从而判断第一损耗是否小于预置阈值，以确定第一切分策略是否可行。

具体地，计算图、切分策略与损耗之间的对应关系可以呈现为编码与损耗之间的对应关系，故可通过以下方式构建编码与损耗之间的对应关系：

(1)基于步骤802可知，对于第二计算图的多个节点而言，已得到与这多个节点一一对应的多个第四编码，那么，还可对针对第二计算图的第二切分策略进行编码，得到第五编码，即第五编码用于指示针对第二计算图的第二切分策略。

(2)对与第二计算图的多个节点一一对应的多个第四编码和用于指示第二切分策略的第五编码进行融合，得到第六编码，需要说明的是，前述的融合处理可通过图核算法(weisfeiler-lehman(WL)graph kernel算法)实现，即可先将多个第四编码和第五编码进行相加(或拼接)，再将相加后(或拼接后)的编码进行基于图核算法的迭代运算，从而得到第六编码。

(3)基于第六编码以及第二切分策略作用于第二计算图后所需付出的第二损耗，可构建编码与损耗之间的对应关系，例如，该对应关系可以为二维坐标系上的一条曲线，坐标系的横坐标为将计算图中节点的编码与切分策略的编码融合后的编码，坐标系的纵坐标为损耗等等。

应理解，在构建计算图、切分策略与损耗之间的对应关系，不仅仅只使用了当前批训练数据，通常还会使用下一批训练数据等等，即在第四模型的训练过程中，每一次迭代均会使用一批训练数据，故这所有批次的训练数据均可用来构建计算图、切分策略与损耗之间的对应关系。

本申请实施例训练得到的第二模型，可用于对第一模型的第一计算图进行处理，得到针对第一计算图的第一切分策略，且本申请实施例构建得到的计算图、切分策略与损耗之间的对应关系，还用于预估第一切分策略作用于第一计算图后所需付出的第一损耗，从而评价第一切分策略是否可行，可见，本申请实施例提供了一种新的模型切分方式(框架)，此种模型切分方式可避免过多的人为干预，且考虑的因素较为全面，可对各种结构的神经网络模型实现模型切分(具备较强的泛化性)，且可为各类结构的神经网络模型制定贴合实际应用的最优切分策略(具备较优的模型切分效果)。

进一步地，第四模型的输入并非为第二计算图的多个节点，而是与这多个节点一一对应的多个第四编码，第四编码的数量远小于节点自身的数据量，如此一来，可以有效降低神经网络模型在训练过程中所需处理的数据量，减少模型训练的耗时，节省模型训练所占用的资源。

以上是对本申请实施例提供的模型的切分策略评价方法所进行的详细说明，以下将对本申请实施例提供的模型切分装置和模型的切分策略评价装置进行介绍。图12为本申请实施例提供的模型切分装置的一个结构示意图，如图12所示，该装置包括：

获取模块1201，用于获取第一模型的第一计算图；

处理模块1202，用于通过第二模型对第一计算图进行处理，得到处理结果，处理结果用于确定第一计算图的第一切分策略；

确定模块1203，用于确定第一切分策略作用于第一计算图后所需付出的第一损耗；

切分模块1204，用于若第一损耗小于预置阈值，则基于第一切分策略对第一计算图进行切分，得到多个子计算图。

在一种可能的实现方式中，第一计算图包含多个节点，一个节点表示第一模型可实现的一部分计算，该装置还包括：编码模块，用于对第一计算图的多个节点进行编码，得到与多个节点一一对应的多个第一编码；处理模块1202，用于通过第二模型对多个第一编码进行处理，得到处理结果。

在一种可能的实现方式中，确定模块1203，用于基于计算图、切分策略与损耗之间的对应关系，确定第一切分策略作用于第一计算图后所需付出的第一损耗。

在一种可能的实现方式中，计算图、切分策略与损耗之间的对应关系为编码与损耗之间的对应关系，处理结果用于确定第二编码，第二编码用于指示第一计算图的第一切分策略，确定模块1203，用于：对多个第一编码和第二编码进行融合，得到第三编码；基于编码与损耗之间的对应关系以及第三编码，确定第一切分策略作用于第一计算图后所需付出的第一损耗。

在一种可能的实现方式中，确定模块1203，用于通过图核算法对多个第一编码和第二编码进行迭代运算，得到第三编码。

在一种可能的实现方式中，计算图、切分策略与损耗之间的对应关系基于第三模型的第二计算图、第二计算图的第二切分策略以及第二切分策略作用于第二计算图后所需付出的第二损耗构建，第二计算图为获取第二模型的训练数据，第二切分策略和第二损耗为已知的数据。

在一种可能的实现方式中，第一模型用于实现数据处理，第一损耗为通过多个子计算图实现数据处理所需的时间。

在一种可能的实现方式中，该装置还包括：非切分模块，用于若第一损耗大于或等于预置阈值，则不对第一计算图进行切分。

本申请实施例中，在获取第一模型的第一计算图后，可先通过第二模型对第一计算图进行处理，得到处理结果，处理结果用于确定第一计算图的第一切分策略。然后，可基于计算图、切分策略与损耗之间的对应关系，确定第一切分策略作用于第一计算图后所需付出的第一损耗。若第一损耗小于预置阈值，则基于第一切分策略对第一计算图进行切分，得到多个子计算图。前述过程中，第一计算图的第一切分策略是由第二模型自行对第一计算图进行处理得到的，且得到第一切分策略后，还可预估第一切分策略作用于第一计算图后所需付出的第一损耗，从而评价第一切分策略是否可行，此种模型切分方式可避免过多的人为干预，且考虑的因素较为全面，可对各种结构的神经网络模型实现模型切分(具备较强的泛化性)，且可为各类结构的神经网络模型制定贴合实际应用的最优切分策略(具备较优的模型切分效果)。

进一步地，第二模型的输入并非为第一计算图的多个节点，而是与这多个节点一一对应的多个第一编码，第一编码的数量远小于节点自身的数据量，如此一来，可以有效降低神经网络模型所需处理的数据量，减少模型获取切分策略的耗时，节省模型获取切分策略所占用的资源。

图13为本申请实施例提供的模型的切分策略评价装置的一个结构示意图，如图13所示，该装置包括：

第一获取模块1301，用于获取第三模型的第二计算图、第二计算图的第二切分策略以及第二切分策略作用于第二计算图后所需付出的第二损耗，第二计算图为获取第二模型的训练数据，第二切分策略和第二损耗为已知的数据；

构建模块1302，用于基于第二计算图、第二切分策略以及第二损耗，构建计算图、切分策略与损耗之间的对应关系，对应关系用于获取第一切分策略作用于第一模型的第一计算图后所需付出的第一损耗，第一切分策略由第二模型对第一计算图进行处理得到。

在一种可能的实现方式中，第二计算图包含多个节点，一个节点表示第三模型可实现的一部分运算，构建模块1302，用于：对第二计算图的多个节点进行编码，得到与多个节点一一对应的多个第四编码，并对第二切分策略进行编码，得到第五编码；对多个第四编码和第五编码进行融合，得到第六编码；基于第六编码以及第二损耗，构建编码与损耗之间的对应关系。

在一种可能的实现方式中，构建模块，用于通过图核算法对多个第四编码和第五编码进行迭代运算，得到第六编码。

在一种可能的实现方式中，该装置还包括：处理模块，用于通过第四模型对第二计算图进行处理，得到处理结果，处理结果用于确定第二计算图的第三切分策略；第二获取模块，用于基于第二切分策略以及第三切分策略，获取目标损失，目标损失用于指示第二切分策略与第三切分策略之间的差异；更新模块，用于基于目标损失，对第四模型的参数进行更新，直至满足模型训练条件，得到第二模型。

在一种可能的实现方式中，处理模块，用于：对第二计算图的多个节点进行编码，得到与多个节点一一对应的多个第四编码；通过第四模型对这多个第四编码进行处理，得到处理结果。

在一种可能的实现方式中，第三模型用于实现数据处理，第二损耗为通过多个子计算图实现数据处理所需的时间，多个子计算图基于第二切分策略对第二子计算图进行切分得到。

本申请实施例训练得到的第二模型，可用于对第一模型的第一计算图进行处理，得到针对第一计算图的第一切分策略，且本申请实施例构建得到的计算图、切分策略与损耗之间的对应关系，还用于预估第一切分策略作用于第一计算图后所需付出的第一损耗，从而评价第一切分策略是否可行，可见，本申请实施例提供了一种新的模型切分方式(框架)，此种模型切分方式可避免过多的人为干预，且考虑的因素较为全面，可对各种结构的神经网络模型实现模型切分(具备较强的泛化性)，且可为各类结构的神经网络模型制定贴合实际应用的最优切分策略(具备较优的模型切分效果)。

进一步地，第四模型的输入并非为第二计算图的多个节点，而是与这多个节点一一对应的多个第四编码，第四编码的数量远小于节点自身的数据量，如此一来，可以有效降低神经网络模型在训练过程中所需处理的数据量，减少模型训练的耗时，节省模型训练所占用的资源。

需要说明的是，上述装置各模块/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其带来的技术效果与本申请方法实施例相同，具体内容可参考本申请实施例前述所示的方法实施例中的叙述，此处不再赘述。

本申请实施例还涉及一种执行设备，图14为本申请实施例提供的执行设备的一个结构示意图。如图14所示，执行设备1400具体可以表现为手机、平板、笔记本电脑、智能穿戴设备、服务器等，此处不做限定。其中，执行设备1400上可部署有图4对应实施例中所描述的模型切分装置，用于实现图4对应实施例中模型切分的功能。具体的，执行设备1400包括：接收器1401、发射器1402、处理器1403和存储器1404(其中执行设备1400中的处理器1403的数量可以一个或多个，图14中以一个处理器为例)，其中，处理器1403可以包括应用处理器14031和通信处理器14032。在本申请的一些实施例中，接收器1401、发射器1402、处理器1403和存储器1404可通过总线或其它方式连接。

存储器1404可以包括只读存储器和随机存取存储器，并向处理器1403提供指令和数据。存储器1404的一部分还可以包括非易失性随机存取存储器(non-volatile randomaccess memory，NVRAM)。存储器1404存储有处理器和操作指令、可执行模块或者数据结构，或者它们的子集，或者它们的扩展集，其中，操作指令可包括各种操作指令，用于实现各种操作。

处理器1403控制执行设备的操作。具体的应用中，执行设备的各个组件通过总线系统耦合在一起，其中总线系统除包括数据总线之外，还可以包括电源总线、控制总线和状态信号总线等。但是为了清楚说明起见，在图中将各种总线都称为总线系统。

上述本申请实施例揭示的方法可以应用于处理器1403中，或者由处理器1403实现。处理器1403可以是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器1403中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器1403可以是通用处理器、数字信号处理器(digital signal processing，DSP)、微处理器或微控制器，还可进一步包括专用集成电路(application specific integratedcircuit，ASIC)、现场可编程门阵列(field-programmable gate array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。该处理器1403可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器1404，处理器1403读取存储器1404中的信息，结合其硬件完成上述方法的步骤。

接收器1401可用于接收输入的数字或字符信息，以及产生与执行设备的相关设置以及功能控制有关的信号输入。发射器1402可用于通过第一接口输出数字或字符信息；发射器1402还可用于通过第一接口向磁盘组发送指令，以修改磁盘组中的数据；发射器1402还可以包括显示屏等显示设备。

本申请实施例中，在一种情况下，处理器1403，用于通过图4对应实施例中的第二模型，以生成第一模型的第一计算图的第一切分策略，再基于第一切分策略对第一计算图进行切分，得到多个子计算图，从而完成第一模型的切分。

本申请实施例还涉及一种训练设备，图15为本申请实施例提供的训练设备的一个结构示意图。如图15所示，训练设备1500由一个或多个服务器实现，训练设备1500可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(centralprocessing units，CPU)1514(例如，一个或一个以上处理器)和存储器1532，一个或一个以上存储应用程序1542或数据1544的存储介质1530(例如一个或一个以上海量存储设备)。其中，存储器1532和存储介质1530可以是短暂存储或持久存储。存储在存储介质1530的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对训练设备中的一系列指令操作。更进一步地，中央处理器1514可以设置为与存储介质1530通信，在训练设备1500上执行存储介质1530中的一系列指令操作。

训练设备1500还可以包括一个或一个以上电源1526，一个或一个以上有线或无线网络接口1550，一个或一个以上输入输出接口1558；或，一个或一个以上操作系统1541，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM等等。

具体的，训练设备可以执行图8对应实施例中的模型的切分策略评价方法，并将构建得到的计算图、切分策略与损耗之间的对应关系以及训练得到的第二模型，部署在前述的执行设备中。

本申请实施例还涉及一种计算机存储介质，该计算机可读存储介质中存储有用于进行信号处理的程序，当其在计算机上运行时，使得计算机执行如前述执行设备所执行的步骤，或者，使得计算机执行如前述训练设备所执行的步骤。

本申请实施例还涉及一种计算机程序产品，该计算机程序产品存储有指令，该指令在由计算机执行时使得计算机执行如前述执行设备所执行的步骤，或者，使得计算机执行如前述训练设备所执行的步骤。

本申请实施例提供的执行设备、训练设备或终端设备具体可以为芯片，芯片包括：处理单元和通信单元，所述处理单元例如可以是处理器，所述通信单元例如可以是输入/输出接口、管脚或电路等。该处理单元可执行存储单元存储的计算机执行指令，以使执行设备内的芯片执行上述实施例描述的数据处理方法，或者，以使训练设备内的芯片执行上述实施例描述的数据处理方法。可选地，所述存储单元为所述芯片内的存储单元，如寄存器、缓存等，所述存储单元还可以是所述无线接入设备端内的位于所述芯片外部的存储单元，如只读存储器(read-only memory，ROM)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(random access memory，RAM)等。

具体的，请参阅图16，图16为本申请实施例提供的芯片的一个结构示意图，所述芯片可以表现为神经网络处理器NPU 1600，NPU 1600作为协处理器挂载到主CPU(Host CPU)上，由Host CPU分配任务。NPU的核心部分为运算电路1603，通过控制器1604控制运算电路1603提取存储器中的矩阵数据并进行乘法运算。

在一些实现中，运算电路1603内部包括多个处理单元(Process Engine,PE)。在一些实现中，运算电路1603是二维脉动阵列。运算电路1603还可以是一维脉动阵列或者能够执行例如乘法和加法这样的数学运算的其它电子线路。在一些实现中，运算电路1603是通用的矩阵处理器。

举例来说，假设有输入矩阵A，权重矩阵B，输出矩阵C。运算电路从权重存储器1602中取矩阵B相应的数据，并缓存在运算电路中每一个PE上。运算电路从输入存储器1601中取矩阵A数据与矩阵B进行矩阵运算，得到的矩阵的部分结果或最终结果，保存在累加器(accumulator)1608中。

统一存储器1606用于存放输入数据以及输出数据。权重数据直接通过存储单元访问控制器(Direct Memory Access Controller，DMAC)1605，DMAC被搬运到权重存储器1602中。输入数据也通过DMAC被搬运到统一存储器1606中。

BIU为Bus Interface Unit即，总线接口单元1613，用于AXI总线与DMAC和取指存储器(Instruction Fetch Buffer，IFB)1609的交互。

总线接口单元1613(Bus Interface Unit，简称BIU)，用于取指存储器1609从外部存储器获取指令，还用于存储单元访问控制器1605从外部存储器获取输入矩阵A或者权重矩阵B的原数据。

DMAC主要用于将外部存储器DDR中的输入数据搬运到统一存储器1606或将权重数据搬运到权重存储器1602中或将输入数据数据搬运到输入存储器1601中。

向量计算单元1607包括多个运算处理单元，在需要的情况下，对运算电路1603的输出做进一步处理，如向量乘，向量加，指数运算，对数运算，大小比较等等。主要用于神经网络中非卷积/全连接层网络计算，如Batch Normalization(批归一化)，像素级求和，对预测标签平面进行上采样等。

在一些实现中，向量计算单元1607能将经处理的输出的向量存储到统一存储器1606。例如，向量计算单元1607可以将线性函数；或，非线性函数应用到运算电路1603的输出，例如对卷积层提取的预测标签平面进行线性插值，再例如累加值的向量，用以生成激活值。在一些实现中，向量计算单元1607生成归一化的值、像素级求和的值，或二者均有。在一些实现中，处理过的输出的向量能够用作到运算电路1603的激活输入，例如用于在神经网络中的后续层中的使用。

控制器1604连接的取指存储器(instruction fetch buffer)1609，用于存储控制器1604使用的指令；

统一存储器1606，输入存储器1601，权重存储器1602以及取指存储器1609均为On-Chip存储器。外部存储器私有于该NPU硬件架构。

其中，上述任一处提到的处理器，可以是一个通用中央处理器，微处理器，ASIC，或一个或多个用于控制上述程序执行的集成电路。

另外需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本申请提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。

通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件的方式来实现，当然也可以通过专用硬件包括专用集成电路、专用CPU、专用存储器、专用元器件等来实现。一般情况下，凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现，而且，用来实现同一功能的具体硬件结构也可以是多种多样的，例如模拟电路、数字电路或专用电路等。但是，对本申请而言更多情况下软件程序实现是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在可读取的存储介质中，如计算机的软盘、U盘、移动硬盘、ROM、RAM、磁碟或者光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，训练设备，或者网络设备等)执行本申请各个实施例所述的方法。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。

所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、训练设备或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、训练设备或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的训练设备、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘(Solid State Disk，SSD))等。

Claims (29)

1.一种模型切分方法，其特征在于，包括：

获取第一模型的第一计算图；

通过第二模型对所述第一计算图进行处理，得到处理结果，所述处理结果用于确定所述第一计算图的第一切分策略；

确定所述第一切分策略作用于所述第一计算图后所需付出的第一损耗；

若所述第一损耗小于预置阈值，则基于所述第一切分策略对所述第一计算图进行切分，得到多个子计算图。

2.根据权利要求1所述的方法，其特征在于，所述第一计算图包含多个节点，一个节点表示所述第一模型可实现的一部分计算，所述方法还包括：

对所述第一计算图的多个节点进行编码，得到与所述多个节点一一对应的多个第一编码；

所述通过第二模型对所述第一计算图进行处理，得到处理结果包括：

通过第二模型对所述多个第一编码进行处理，得到处理结果。

3.根据权利要求2所述的方法，其特征在于，所述确定所述第一切分策略作用于所述第一计算图后所需付出的第一损耗包括：

基于计算图、切分策略与损耗之间的对应关系，确定所述第一切分策略作用于所述第一计算图后所需付出的第一损耗。

4.根据权利要求3所述的方法，其特征在于，所述计算图、切分策略与损耗之间的对应关系为编码与损耗之间的对应关系，所述处理结果用于确定第二编码，所述第二编码用于指示所述第一计算图的第一切分策略，所述基于计算图、切分策略与损耗之间的对应关系，确定所述第一切分策略作用于所述第一计算图后所需付出的第一损耗包括：

对所述多个第一编码和所述第二编码进行融合，得到第三编码；

基于所述编码与损耗之间的对应关系以及所述第三编码，确定所述第一切分策略作用于所述第一计算图后所需付出的第一损耗。

5.根据权利要求4所述的方法，其特征在于，所述对所述多个第一编码和所述第二编码进行融合，得到第三编码包括：

通过图核算法对所述多个第一编码和所述第二编码进行迭代运算，得到第三编码。

6.根据权利要求1至5任意一项所述的方法，其特征在于，所述计算图、切分策略与损耗之间的对应关系基于第三模型的第二计算图、所述第二计算图的第二切分策略以及所述第二切分策略作用于所述第二计算图后所需付出的第二损耗构建，所述第二计算图为获取所述第二模型的训练数据，所述第二切分策略和所述第二损耗为已知的数据。

7.根据权利要求1至6任意一项所述的方法，其特征在于，所述第一模型用于实现数据处理，所述第一损耗为通过所述多个子计算图实现所述数据处理所需的时间。

8.根据权利要求1至7任意一项所述的方法，其特征在于，所述方法还包括：

若所述第一损耗大于或等于所述预置阈值，则不对所述第一计算图进行切分。

9.一种模型的切分策略评价方法，其特征在于，所述方法包括：

获取第三模型的第二计算图、所述第二计算图的第二切分策略以及所述第二切分策略作用于所述第二计算图后所需付出的第二损耗，所述第二计算图为获取第二模型的训练数据，所述第二切分策略和所述第二损耗为已知的数据；

基于所述第二计算图、所述第二切分策略以及所述第二损耗，构建所述计算图、切分策略与损耗之间的对应关系，所述对应关系用于获取第一切分策略作用于第一模型的第一计算图后所需付出的第一损耗，所述第一切分策略由所述第二模型对所述第一计算图进行处理得到。

10.根据权利要求9所述的方法，其特征在于，所述第二计算图包含多个节点，一个节点表示所述第三模型可实现的一部分运算，所述基于所述第二计算图、所述第二切分策略以及所述第二损耗，构建所述计算图、切分策略与损耗之间的对应关系包括：

对所述第二计算图的多个节点进行编码，得到与所述多个节点一一对应的多个第四编码，并对所述第二切分策略进行编码，得到第五编码；

对所述多个第四编码和所述第五编码进行融合，得到第六编码；

基于所述第六编码以及所述第二损耗，构建编码与损耗之间的对应关系。

11.根据权利要求10所述的方法，其特征在于，所述对所述多个第四编码和所述第五编码进行融合，得到第六编码包括：

通过图核算法对所述多个第四编码和所述第五编码进行迭代运算，得到第六编码。

12.根据权利要求9至11任意一项所述的方法，其特征在于，所述方法还包括：

通过第四模型对所述第二计算图进行处理，得到处理结果，所述处理结果用于确定所述第二计算图的第三切分策略；

基于所述第二切分策略以及所述第三切分策略，获取目标损失，所述目标损失用于指示所述第二切分策略与所述第三切分策略之间的差异；

基于所述目标损失，对所述第四模型的参数进行更新，直至满足模型训练条件，得到所述第二模型。

13.根据权利要求9至12任意一项所述的方法，其特征在于，所述第三模型用于实现数据处理，所述第二损耗为通过多个子计算图实现所述数据处理所需的时间，所述多个子计算图基于所述第二切分策略对所述第二子计算图进行切分得到。

14.一种模型切分装置，其特征在于，所述装置包括：

获取模块，用于获取第一模型的第一计算图；

处理模块，用于通过第二模型对所述第一计算图进行处理，得到处理结果，所述处理结果用于确定所述第一计算图的第一切分策略；

确定模块，用于确定所述第一切分策略作用于所述第一计算图后所需付出的第一损耗；

切分模块，用于若所述第一损耗小于预置阈值，则基于所述第一切分策略对所述第一计算图进行切分，得到多个子计算图。

15.根据权利要求14所述的装置，其特征在于，所述第一计算图包含多个节点，一个节点表示所述第一模型可实现的一部分计算，所述装置还包括：

编码模块，用于对所述第一计算图的多个节点进行编码，得到与所述多个节点一一对应的多个第一编码；

所述处理模块，用于通过第二模型对所述多个第一编码进行处理，得到处理结果。

16.根据权利要求15所述的装置，其特征在于，所述确定模块，用于基于计算图、切分策略与损耗之间的对应关系，确定所述第一切分策略作用于所述第一计算图后所需付出的第一损耗。

17.根据权利要求16所述的装置，其特征在于，所述计算图、切分策略与损耗之间的对应关系为编码与损耗之间的对应关系，所述处理结果用于确定第二编码，所述第二编码用于指示所述第一计算图的第一切分策略，所述确定模块，用于：

对所述多个第一编码和所述第二编码进行融合，得到第三编码；

基于所述编码与损耗之间的对应关系以及所述第三编码，确定所述第一切分策略作用于所述第一计算图后所需付出的第一损耗。

18.根据权利要求17所述的装置，其特征在于，所述确定模块，用于通过图核算法对所述多个第一编码和所述第二编码进行迭代运算，得到第三编码。

19.根据权利要求14至18任意一项所述的装置，其特征在于，所述计算图、切分策略与损耗之间的对应关系基于第三模型的第二计算图、所述第二计算图的第二切分策略以及所述第二切分策略作用于所述第二计算图后所需付出的第二损耗构建，所述第二计算图为获取所述第二模型的训练数据，所述第二切分策略和所述第二损耗为已知的数据。

20.根据权利要求14至19任意一项所述的装置，其特征在于，所述第一模型用于实现数据处理，所述第一损耗为通过所述多个子计算图实现所述数据处理所需的时间。

21.根据权利要求14至20任意一项所述的装置，其特征在于，所述装置还包括：

非切分模块，用于若所述第一损耗大于或等于所述预置阈值，则不对所述第一计算图进行切分。

22.一种模型的切分策略评价装置，其特征在于，所述装置包括：

第一获取模块，用于获取第三模型的第二计算图、所述第二计算图的第二切分策略以及所述第二切分策略作用于所述第二计算图后所需付出的第二损耗，所述第二计算图为获取第二模型的训练数据，所述第二切分策略和所述第二损耗为已知的数据；

构建模块，用于基于所述第二计算图、所述第二切分策略以及所述第二损耗，构建所述计算图、切分策略与损耗之间的对应关系，所述对应关系用于获取第一切分策略作用于第一模型的第一计算图后所需付出的第一损耗，所述第一切分策略由所述第二模型对所述第一计算图进行处理得到。

23.根据权利要求22所述的装置，其特征在于，所述第二计算图包含多个节点，一个节点表示所述第三模型可实现的一部分运算，所述构建模块，用于：

对所述第二计算图的多个节点进行编码，得到与所述多个节点一一对应的多个第四编码，并对所述第二切分策略进行编码，得到第五编码；

对所述多个第四编码和所述第五编码进行融合，得到第六编码；

基于所述第六编码以及所述第二损耗，构建编码与损耗之间的对应关系。

24.根据权利要求23所述的装置，其特征在于，所述构建模块，用于通过图核算法对所述多个第四编码和所述第五编码进行迭代运算，得到第六编码。

25.根据权利要求22至24任意一项所述的装置，其特征在于，所述装置还包括：

处理模块，用于通过第四模型对所述第二计算图进行处理，得到处理结果，所述处理结果用于确定所述第二计算图的第三切分策略；

第二获取模块，用于基于所述第二切分策略以及所述第三切分策略，获取目标损失，所述目标损失用于指示所述第二切分策略与所述第三切分策略之间的差异；

更新模块，用于基于所述目标损失，对所述第四模型的参数进行更新，直至满足模型训练条件，得到所述第二模型。

26.根据权利要求22至25任意一项所述的装置，其特征在于，所述第三模型用于实现数据处理，所述第二损耗为通过多个子计算图实现所述数据处理所需的时间，所述多个子计算图基于所述第二切分策略对所述第二子计算图进行切分得到。

27.一种模型切分装置，其特征在于，所述装置包括存储器和处理器；

所述存储器存储有代码，所述处理器被配置为执行所述代码，当所述代码被执行时，所述装置执行如权利要求1至13任一项所述的方法。

28.一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机程序，该程序由计算机执行时，使得所述计算机实施权利要求1至13任一项所述的方法。

29.一种计算机程序产品，其特征在于，所述计算机程序产品存储有指令，所述指令在由计算机执行时，使得所述计算机实施权利要求1至13任一项所述的方法。

Images