CN114924745A - 深度学习编译器的运行方法、装置及电子设备 - Google Patents

Abstract

本公开提供了深度学习编译器的运行方法、装置及电子设备，涉及人工智能技术领域，尤其涉及深度学习技术领域。具体实现方案为：获取深度学习框架的第一算子集合，以及深度学习编译器的第二算子集合；在第二算子集合仅包括第一算子的情况下，控制深度学习编译器运行第一算子得到目标数据，第一算子为存在于第二算子集合且存在于第一算子集合的算子；将目标数据传输至深度学习框架；控制深度学习框架基于目标数据运行第一算子集合中的第二算子；第二算子为存在于第一算子集合但不存在于第二算子集合的算子。采用本公开可以在深度学习编译器不完全支持深度学习框架的所有算子的情况下，让深度学习框架的部分算子在深度学习编译器运行，提高运行效率。

Description

深度学习编译器的运行方法、装置及电子设备

技术领域

本公开涉及人工智能技术领域，尤其涉及深度学习技术领域，具体涉及一种深度学习编译器的运行方法、装置及电子设备。

背景技术

深度学习编译器是一种用于解决多种硬件平台和深度学习框架对接问题的编译器软件。深度学习框架的一个算子通常对应一个深度学习编译器的算子，要在深度学习编译器上运行深度学习框架，则需要支持深度学习框架的所有算子。而由于深度学习框架的算子通常会先于深度学习编译器开发出来，故而，会由于二者的时间差导致深度学习框架无法在深度学习编译器运行。

发明内容

本公开提供了一种深度学习编译器的运行方法、装置及电子设备。

根据本公开的第一方面，提供了一种深度学习编译器的运行方法，包括：

获取深度学习框架的第一算子集合，以及深度学习编译器的第二算子集合；

在所述第二算子集合仅包括第一算子的情况下，控制所述深度学习编译器运行所述第一算子，得到目标数据；其中，所述第一算子为存在于所述第二算子集合且存在于所述第一算子集合的算子，且所述第一算子为所述第一算子集合中的部分算子；

将所述目标数据传输至所述深度学习框架；

控制所述深度学习框架基于所述目标数据运行所述第一算子集合中的第二算子；其中，所述第二算子为存在于所述第一算子集合，但不存在于所述第二算子集合的算子。

根据本公开的第二方面，提供了一种深度学习编译器的运行装置，包括：

获取模块，用于获取深度学习框架的第一算子集合，以及深度学习编译器的第二算子集合；

第一运行模块，用于在所述第二算子集合仅包括第一算子的情况下，控制所述深度学习编译器运行所述第一算子，得到目标数据；其中，所述第一算子为存在于所述第二算子集合且存在于所述第一算子集合的算子，且所述第一算子为所述第一算子集合中的部分算子；

传输模块，用于将所述目标数据传输至所述深度学习框架；

第二运行模块，用于控制所述深度学习框架基于所述目标数据运行所述第一算子集合中的第二算子；其中，所述第二算子为存在于所述第一算子集合，但不存在于所述第二算子集合的算子。

根据本公开的第三方面，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第一方面中任一项所述的方法。

根据本公开的第四方面，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，其中，所述计算机指令用于使所述计算机执行第一方面中任一项所述的方法。

根据本公开的第五方面，提供了一种计算机程序产品，包括计算机程序/指令，所述计算机程序/指令在被处理器执行时实现第一方面中任一项所述的方法中的步骤。

在本公开的实施例中，通过获取深度学习框架的第一算子集合，以及深度学习编译器的第二算子集合；在第二算子集合仅包括即存在于第二算子集合也存在于第一算子集合的第一算子的情况下，控制深度学习编译器运行第一算子，得到目标数据；其中，第一算子为第一算子集合中的部分算子；再将目标数据传输至深度学习框架，控制深度学习框架基于目标数据运行第一算子集合中存在于第一算子集合，但不存在于第二算子集合的第二算子。这样，可以在深度学习编译器不完全支持深度学习框架的所有算子的情况下，让深度学习框架的部分算子在深度学习编译器运行，避免由于时间差导致深度学习框架无法在深度学习编译器运行的情况，提高运行效率。

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是根据本公开第一实施例提供的一种深度学习编译器的运行方法的流程示意图；

图2是根据本公开第二实施例提供的一种深度学习框架计算图的示意图；

图3是根据本公开第二实施例提供的一种子算子集合的示意图；

图4是根据本公开第二实施例提供的一种子图的示意图；

图5是用来实现本公开实施例的深度学习编译器的运行装置的框图；

图6是用来实现本公开实施例的深度学习编译器的运行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。

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。

本公开的技术方案中，所涉及的用户个人信息的获取、存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。

目前，深度学习编译器已经可以与深度学习框架结合进行运行，深度学习编译器对接深度学习框架时，深度学习框架的一个算子对应一个深度学习编译器的算子，要在深度学习编译器上运行深度学习框架，则需要深度学习编译器支持深度学习框架的所有算子。但是，在进行算子的开发时，通常是先在开发出深度学习框架的算子，再在深度学习编译器开发出与深度学习框架的算子一一对应的算子。如此，会由于开发深度学习框架与深度学习编译器的算子的时间差，导致出现深度学习编译器未能完全支持深度学习框架的所有算子的情况，从而导致深度学习框架不能在深度学习编译器运行。

基于此，在本公开的一些实施例中，通过获取深度学习框架的第一算子集合，以及深度学习编译器的第二算子集合；在第二算子集合仅包括即存在于第二算子集合也存在于第一算子集合的第一算子的情况下，控制深度学习编译器运行第一算子，得到目标数据；其中，第一算子为第一算子集合中的部分算子；再将目标数据传输至深度学习框架，控制深度学习框架基于目标数据运行第一算子集合中存在于第一算子集合，但不存在于第二算子集合的第二算子。这样，可以在深度学习编译器不完全支持深度学习框架的所有算子的情况下，让深度学习框架的部分算子在深度学习编译器运行，避免由于时间差导致深度学习框架无法在深度学习编译器运行的情况，提高运行效率。

下面结合附图，说明本公开各实施例提供的技术方案。

图1是本公开实施例提供的一种深度学习编译器的运行方法的流程示意图，该方法可以应用于服务器，如图1所示，该方法包括：

S110，获取深度学习框架的第一算子集合，以及深度学习编译器的第二算子集合。

在本公开实施例中，可以获取深度学习框架的算子集合，即第一算子集合，以及获取深度学习编译器的算子集合，即第二算子集合。其中，第一算子集合为深度学习框架支持的所有算子的集合，第二算子集合为深度学习编译器支持的所有算子的集合，第一算子集合和第二算子集合中的具体算子可能相同，也可能不同。

S120，在第二算子集合仅包括第一算子的情况下，控制深度学习编译器运行第一算子，得到目标数据。

其中，第一算子为存在于第二算子集合且存在于第一算子集合的算子，且第一算子为第一算子集合中的部分算子。可以理解的，第一算子可能是一个也可能是多个。

在本公开实施例中，在获取搭配深度学习框架的第一算子集合以及深度学习编译器的第二算子集合之后，可以确定第二算子集合是否仅包括第一算子集合中的部分算子，即第一算子。例如，假设第一算子集合包括算子a、b、c、d、e、f，第二算子集合包括算子a、b、c、d，则第一算子为存在于第二算子集合且存在于第一算子集合的算子，即算子a、b、c、d，第一算子为第一算子集合中的部分算子。在第二算子集合仅包括第一算子的情况下，则可以将第一算子调至深度学习编译器运行，即控制深度学习编译器运行第一算子，在运行第一算子后可以得到运行后的结果数据，即目标数据。如此，可以在深度学习编译器前端算子不完全支持深度学习框架的所有算子的情况下，实现深度学习编译器和深度学习框架的对接运行，让深度学习框架的部分算子实现深度学习编译器加速运行、对接硬件的功能，从而提高运行效率。

S130，将目标数据传输至深度学习框架。

在本公开实施例中，在控制深度学习编译器运行第一算子，得到目标数据之后，可以将目标数据传输至深度学习框架，以使深度学习框架可以基于目标数据继续运行第一算子集合中除第一算子外的其他算子。示例性的，可以在深度学习编译器和深度学习框架间设置数据传输接口，通过这个传输接口可以将目标数据传输至深度学习框架。

S140，控制深度学习框架基于目标数据运行第一算子集合中的第二算子。

其中，第二算子为存在于第一算子集合，但不存在于第二算子集合的算子。可以理解的，第二算子可能是一个也可能是多个。

在本公开实施例中，在将目标数据传输至深度学习框架之后，可以确定存在于第一算子集合，但不存在于第二算子集合的第二算子。例如，仍假设第一算子集合包括算子a、b、c、d、e、f，第二算子集合包括算子a、b、c、d，则第二算子可以为存在于第一算子集合，但不存在于第二算子集合的算子e、f。然后，可以控制深度学习框架基于目标数据继续运行第二算子，也即基于目标数据继续运行存在于第一算子集合，但不存在于第二算子集合的第二算子。

在本公开的实施例中，通过获取深度学习框架的第一算子集合，以及深度学习编译器的第二算子集合；在第二算子集合仅包括即存在于第二算子集合也存在于第一算子集合的第一算子的情况下，控制深度学习编译器运行第一算子，得到目标数据；其中，第一算子为第一算子集合中的部分算子；再将目标数据传输至深度学习框架，控制深度学习框架基于目标数据运行第一算子集合中存在于第一算子集合，但不存在于第二算子集合的第二算子。这样，可以在深度学习编译器不完全支持深度学习框架的所有算子的情况下，让深度学习框架的部分算子在深度学习编译器运行，避免由于时间差导致深度学习框架无法在深度学习编译器运行的情况，提高运行效率。

在本公开的一些实施例中，在第一算子为多个的情况下，上述控制深度学习编译器执行第一算子，得到目标数据的具体实现方式可以包括：

基于所有第一算子构建子算子集合；

控制深度学习框架为子算子集合分配运行资源；

控制深度学习编译器基于运行资源运行子算子集合，得到目标数据。

在本公开的实施例中，在第一算子为多个的情况下，控制深度学习编译器执行第一算子得到目标数据时，可以先基于所有的第一算子构建子算子集合。示例性的，可以将所有的第一算子构建成一个集合，即子算子集合，再控制深度学习框架统一为子算子集合分配运行资源，例如运行资源可以包括显存、stream(流)等。然后，可以控制深度学习编译器基于深度学习框架分配的运行资源运行子算子集合，得到目标数据。这样，可以控制控制深度学习框架为所有第一算子统一分配运行资源，无需为每个第一算子单独分配运行资源，如此，可以提高运行资源的分配效率，从而进一步提高运行效率。

在本公开的一些实施例中，基于所有第一算子构建子算子集合的具体实现方式可以为：

根据第一算子间的输入输出关系，将第一算子划分为至少一个子算子集合。

在本公开的实施例中，在基于所有第一算子构建子算子集合时，可以根据第一算子间的输入输出关系，将第一算子划分子算子集合，子算子集合可能是一个也可能是多个。可以理解的，深度学习框架的第一算子集合实际上可以理解为一个计算图，相应的，子算子集合实际上可以是计算图中的一个子计算图，即子图。示例性的，以深度学习框架的计算图如图2所示为例，图2中较小的圆形节点为变量节点，较大的圆形节点为算子节点，即图2中的a、b、c、d、e、f均表示算子，变量节点与算子节点间的线代表它们之间的输入输出关系。假设深度学习编译器支持的算子包括a、b、c、d，则第一算子为e、f。结合图2可知，算子a与算子c之间存在输入输出关系，算子b与算子d之间存在输入输出关系，如图3和图4所示，则可以将算子b与算子d划分为一个子算子集合，即图3中的Union(联合体)1，也即将算子b与算子d划分为一个子图，即图4中的子图1；将算子a与算子c划分为一个子算子集合，即图3中的Union2，也即将算子a与算子c划分为一个子图，即图4中的子图2。

这样，根据输入输出关系划分子算子集合，可以使得划分得到的子算子集合的逻辑关系更加清晰，更便于深度学习编译器运行，从而可以进一步提高运行效率。

在本公开的一些实施例中，在第一算子为多个的情况下，控制深度学习编译器运行第一算子，得到目标数据的具体实现方式可以包括：

按照第一算子的运行顺序，控制深度学习框架为第i个第一算子分配运行资源；i属于[1,n-1]，n为第一算子的数量；

控制深度学习编译器基于第i个第一算子的运行资源，运行第i个第一算子；

控制深度学习框架为第i+1个第一算子分配运行资源；

控制深度学习编译器基于第i+1个第一算子的运行资源，运行第i+1个第一算子。

在本公开的实施例中，在第一算子为多个的情况下，控制深度学习编译器执行第一算子得到目标数据时，还可以按照第一算子的运行顺序，依次为每个第一算子分配运行资源，基于运行资源运行每个第一算子。示例性的，可以按照第一算子的运行顺序，控制深度学习框架为第i个第一算子分配运行资源，例如为第i个第一算子分配显存、stream等运行资源。再控制深度学习编译器基于深度学习框架为第i个第一算子分配的运行资源运行第i个第一算子。然后，可以控制深度学习框架为第i+1个第一算子分配运行资源，再控制深度学习编译器基于深度学习框架为第i+1个第一算子分配的运行资源运行第i+1个第一算子。依次类推，直至控制深度学习编译器基于第n个第一算子的运行完资源运行第n个第一算子。

具体的，以第一算子包括算子a、b、c为例，假设算子a、b、c的运行顺序为a、c、b，则可以先控制深度学习框架为算子a分配运行资源a1，控制深度学习编译器基于运行资源a1运行算子a；然后，控制深度学习框架为算子b分配运行资源b1，控制深度学习编译器基于运行资源b1运行算子b；最后，控制深度学习框架为算子c分配运行资源c1，控制深度学习编译器基于运行资源c1运行算子c。

可以理解的，在每次控制深度学习编译器为第一算子分配运行资源时，i可以从1开始取值；当存在无明显运行顺序的至少两个第一算子时，则可以同时为无明显运行顺序的至少两个第一算子分配运行资源，控制深度学习编译器基于前述无明显运行顺序的至少两个第一算子各自的运行资源，运行前述无明显运行顺序的至少两个第一算子；或者，可以随机先后为无明显运行顺序的至少两个第一算子分配各自的运行资源，并随机先后运行前述无明显运行顺序的至少两个第一算子。

这样，也可以依次为每个第一算子分配运行资源，依次运行每个第一算子，以提供另一种通过深度学习编译器运行第一算子的方法。

在本公开的一些实施例中，深度学习编译器的运行方法，还可以包括如下处理：

在第二算子集合包括第一算子集合中的所有算子的情况下，控制深度学习编译器运行第一算子集合中的所有算子。

在本公开的实施例中，考虑到可能会存在深度学习编译器已经完全支持深度学习框架的第一算子集合的情况。故而，在获取深度学习框架的第一算子集合，以及深度学习编译器的第二算子集合之后，如果第二算子集合包括第一算子集合中的所有算子，也即深度学习编译器支持深度学习框架的所有算子。此时，则可以控制深度学习编译器运行第一算子集合中的所有算子，也即在深度学习编译器上运行深度学习框架的所有算子。也就是说，在深度学习编译器存在与深度学习框架的算子一一对应的算子时，可以在深度学习编译器上运行完全运行深度学习框架，如此，可以根据深度学习编译器和深度学习框架各自支持的算子的具体情况，实现深度学习框架在深度学习编译器上运行。

基于相同的发明构思，本公开还提供了一种深度学习编译器的运行装置，如图5所示，深度学习编译器的运行装置500，可以包括：

获取模块510，可以用于获取深度学习框架的第一算子集合，以及深度学习编译器的第二算子集合；

第一运行模块520，可以用于在所述第二算子集合仅包括第一算子的情况下，控制所述深度学习编译器运行所述第一算子，得到目标数据；其中，所述第一算子为存在于所述第二算子集合且存在于所述第一算子集合的算子，且所述第一算子为所述第一算子集合中的部分算子；

传输模块530，可以用于将所述目标数据传输至所述深度学习框架；

第二运行模块540，可以用于控制所述深度学习框架基于所述目标数据运行所述第一算子集合中的第二算子；其中，所述第二算子为存在于所述第一算子集合，但不存在于所述第二算子集合的算子。

在本公开的一些实施例中，在所述第一算子为多个的情况下，所述第一运行模块520，可以包括：

构建单元，可以用于基于所有所述第一算子构建子算子集合；

第一资源分配单元，可以用于控制所述深度学习框架为所述子算子集合分配运行资源；

第一运行单元，可以用于控制所述深度学习编译器基于所述运行资源运行所述子算子集合，得到目标数据。

在本公开的一些实施例中，所述构建单元，具体可以用于：

根据所述第一算子间的输入输出关系，将所述第一算子划分为至少一个子算子集合。

在本公开的一些实施例中，在所述第一算子为多个的情况下，所述第一运行模块520，可以包括：

第二资源分配单元，可以用于按照所述第一算子的运行顺序，控制所述深度学习框架为第i个所述第一算子分配运行资源；i属于[1,n-1]，n为第一算子的数量；

第二运行单元，可以用于控制所述深度学习编译器运行第i个所述第一算子；

第三资源分配单元，可以用于控制所述深度学习框架为第i+1个所述第一算子分配运行资源；

第三运行单元，可以用于控制所述深度学习编译器运行第i+1个所述第一算子。

在本公开的一些实施例中，所述深度学习编译器的运行装置500，还可以包括：

第三运行模块，可以用于在所述第二算子集合包括所述第一算子集合中的所有算子的情况下，控制所述深度学习编译器运行所述第一算子集合中的所有算子。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

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，例如深度学习编译器的运行方法。例如，在一些实施例中，深度学习编译器的运行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深度学习编译器的运行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)而被配置为执行深度学习编译器的运行方法。

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。

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 (13)

1.一种深度学习编译器的运行方法，包括：

获取深度学习框架的第一算子集合，以及深度学习编译器的第二算子集合；

在所述第二算子集合仅包括第一算子的情况下，控制所述深度学习编译器运行所述第一算子，得到目标数据；其中，所述第一算子为存在于所述第二算子集合且存在于所述第一算子集合的算子，且所述第一算子为所述第一算子集合中的部分算子；

将所述目标数据传输至所述深度学习框架；

控制所述深度学习框架基于所述目标数据运行所述第一算子集合中的第二算子；其中，所述第二算子为存在于所述第一算子集合，但不存在于所述第二算子集合的算子。

2.根据权利要求1所述的方法，其中，在所述第一算子为多个的情况下，所述控制所述深度学习编译器执行所述第一算子，得到目标数据，包括：

基于所有所述第一算子构建子算子集合；

控制所述深度学习框架为所述子算子集合分配运行资源；

控制所述深度学习编译器基于所述运行资源运行所述子算子集合，得到目标数据。

3.根据权利要求2所述的方法，其中，所述基于所有所述第一算子构建子算子集合，包括：

根据所述第一算子间的输入输出关系，将所述第一算子划分为至少一个子算子集合。

4.根据权利要求1所述的方法，其中，在所述第一算子为多个的情况下，所述控制所述深度学习编译器运行所述第一算子，得到目标数据，包括：

按照所述第一算子的运行顺序，控制所述深度学习框架为第i个所述第一算子分配运行资源；i属于[1,n-1]，n为第一算子的数量；

控制所述深度学习编译器基于第i个所述第一算子的运行资源，运行第i个所述第一算子；

控制所述深度学习框架为第i+1个所述第一算子分配运行资源；

控制所述深度学习编译器基于第i+1个所述第一算子的运行资源，运行第i+1个所述第一算子。

5.根据权利要求1所述的方法，所述方法还包括：

在所述第二算子集合包括所述第一算子集合中的所有算子的情况下，控制所述深度学习编译器运行所述第一算子集合中的所有算子。

6.一种深度学习编译器的运行装置，包括：

获取模块，用于获取深度学习框架的第一算子集合，以及深度学习编译器的第二算子集合；

第一运行模块，用于在所述第二算子集合仅包括第一算子的情况下，控制所述深度学习编译器运行所述第一算子，得到目标数据；其中，所述第一算子为存在于所述第二算子集合且存在于所述第一算子集合的算子，且所述第一算子为所述第一算子集合中的部分算子；

传输模块，用于将所述目标数据传输至所述深度学习框架；

第二运行模块，用于控制所述深度学习框架基于所述目标数据运行所述第一算子集合中的第二算子；其中，所述第二算子为存在于所述第一算子集合，但不存在于所述第二算子集合的算子。

7.根据权利要求6所述的装置，其中，在所述第一算子为多个的情况下，所述第一运行模块，包括：

构建单元，用于基于所有所述第一算子构建子算子集合；

第一资源分配单元，用于控制所述深度学习框架为所述子算子集合分配运行资源；

第一运行单元，用于控制所述深度学习编译器基于所述运行资源运行所述子算子集合，得到目标数据。

8.根据权利要求7所述的装置，其中，所述构建单元，具体用于：

根据所述第一算子间的输入输出关系，将所述第一算子划分为至少一个子算子集合。

9.根据权利要求6所述的装置，其中，在所述第一算子为多个的情况下，所述第一运行模块，包括：

第二资源分配单元，用于按照所述第一算子的运行顺序，控制所述深度学习框架为第i个所述第一算子分配运行资源；i属于[1，n－1]，n为第一算子的数量；

第二运行单元，用于控制所述深度学习编译器运行第i个所述第一算子；

第三资源分配单元，用于控制所述深度学习框架为第i+1个所述第一算子分配运行资源；

第三运行单元，用于控制所述深度学习编译器运行第i+1个所述第一算子。

10.根据权利要求6所述的装置，所述装置还包括：

第三运行模块，用于在所述第二算子集合包括所述第一算子集合中的所有算子的情况下，控制所述深度学习编译器运行所述第一算子集合中的所有算子。

11.一种电子设备，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1－5中任一项所述的方法。

12.一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1－5中任一项所述的方法。

13.一种计算机程序产品，包括计算机程序/指令，所述计算机程序/指令在被处理器执行时实现根据权利要求1－5中任一项所述的方法中的步骤。

Images