CN115034198B - 语言模型中嵌入模块计算优化的方法 - Google Patents
语言模型中嵌入模块计算优化的方法 Download PDFInfo
- Publication number
- CN115034198B CN115034198B CN202210531140.6A CN202210531140A CN115034198B CN 115034198 B CN115034198 B CN 115034198B CN 202210531140 A CN202210531140 A CN 202210531140A CN 115034198 B CN115034198 B CN 115034198B
- Authority
- CN
- China
- Prior art keywords
- tensor
- input
- target
- index
- operator
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/31—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/3332—Query translation
- G06F16/3335—Syntactic pre-processing, e.g. stopword elimination, stemming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/3332—Query translation
- G06F16/3338—Query expansion
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本公开提供了一种语言模型中嵌入模块计算优化的方法,涉及深度学习、自然语言处理等人工智能技术领域。该方法包括:获取输入数据,其中,输入数据包含至少一个带填充的输入张量;基于输入张量生成索引张量,其中,索引张量中存储了输入张量中非填充元素的索引;基于索引张量和聚集算子对输入张量进行压缩,得到压缩后的输入张量;将压缩后的输入张量作为嵌入模块的输入,计算得到目标张量。本公开提供的语言模型中嵌入模块计算优化的方法对输入样本的索引集合、类别集合和位置集合进行压缩,并将压缩后得到的张量作为其他模块的输入进行计算,减少了嵌入模块中各层的计算量,提升了嵌入模块的性能。
Description
技术领域
本公开涉及人工智能技术领域,具体涉及自然语言处理、深度学习等领域,尤其涉及语言模型中嵌入模块计算优化的方法。
背景技术
Embedding模块(嵌入模块)作为模型的输入数据和模型中其他模块的桥梁,用于将输入数据转化为计算能够处理且能起到语义表示作用的词向量。输入数据一般会经过Embedding模块中的多个算子的运算,例如Embedding算子、Add算子、Layer_norm算子、Dropout算子等,从而输出结果。
现有技术中一般采用pad方法来实现Embedding模块的运算,也即将每一个输入数据以填充补零的方式生成相同长度的数据并进行计算。在计算时,被填充位置的元素也需要经过模型中各个层的计算,从而引入了很多冗余计算,降低了Embedding模块的性能。
发明内容
本公开提供了一种语言模型中嵌入模块计算优化的方法。
根据本公开的第一方面,提供了一种语言模型中嵌入模块计算优化的方法,包括:获取输入数据,其中,输入数据包含至少一个带填充的输入张量;基于输入张量生成索引张量,其中,索引张量中存储了输入张量中非填充元素的索引;基于索引张量和聚集算子对输入张量进行压缩,得到压缩后的输入张量;将压缩后的输入张量作为嵌入模块的输入,计算得到目标张量。
根据本公开的第二方面,提供了一种语言模型中嵌入模块计算优化的装置,包括:获取单元,被配置成获取输入数据,其中,输入数据包含至少一个带填充的输入张量;生成单元,被配置成基于输入张量生成索引张量,其中,索引张量中存储了输入张量中非填充元素的索引;压缩单元,被配置成基于索引张量和聚集算子对输入张量进行压缩,得到压缩后的输入张量;计算单元,被配置成将压缩后的输入张量作为嵌入模块的输入,计算得到目标张量。
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;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行如第一方面中任一实现方式描述的方法。
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,计算机指令用于使计算机执行如第一方面中任一实现方式描述的方法。
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,计算机程序在被处理器执行时实现如第一方面中任一实现方式描述的方法。
本公开实施例提供的语言模型中嵌入模块计算优化的方法,该方法通过移除样本数据中的填充元素,将不同样本数据中的非填充元素连续平铺存储,并将得到的结果作为模型中后续其他模块的输入进行计算,从而减少了嵌入模块中各层的计算量,进而提升了嵌入模块的性能。
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是本公开可以应用于其中的示例性系统架构图;
图2是根据本公开的语言模型中嵌入模块计算优化的方法的一个实施例的流程图;
图3是根据本公开的语言模型中嵌入模块计算优化的方法的另一个实施例的流程图;
图4是根据本公开的语言模型中嵌入模块计算优化的方法的一个应用场景的示意图;
图5是根据本公开的语言模型中嵌入模块计算优化的装置的一个实施例的结构示意图;
图6是用来实现本公开实施例的语言模型中嵌入模块计算优化的方法的电子设备的框图。
具体实施方式
以下结合附图对本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。
需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
图1示出了可以应用本公开的语言模型中嵌入模块计算优化的方法或语言模型中嵌入模块计算优化的装置的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送信息等。终端设备101、102、103上可以安装有各种客户端应用。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述电子设备中。其可以实现成多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以提供各种服务。例如,服务器105可以对从终端设备101、102、103获取的输入数据进行分析和处理,并生成处理结果(例如目标张量)。
需要说明的是,服务器105可以是硬件,也可以是软件。当服务器105为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器105为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是,本公开实施例所提供的语言模型中嵌入模块计算优化的方法一般由服务器105执行,相应地,语言模型中嵌入模块计算优化的装置一般设置于服务器105中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,其示出了根据本公开的语言模型中嵌入模块计算优化的方法的一个实施例的流程200。该语言模型中嵌入模块计算优化的方法包括以下步骤:
步骤201,获取输入数据,其中,输入数据包含至少一个带填充的输入张量。
在本实施例中,语言模型中嵌入模块计算优化的方法的执行主体(例如图1所示的服务器105)会获取输入数据,其中,输入数据中包括至少一个带填充的输入张量。本实施例中的语言模型中嵌入模块计算优化的方法可以应用在问答系统、语言翻译以及文本生成等多任务上,用于对语言模型中的Embedding模块计算进行优化。
对于Embedding模块来说,每个batch(批次)的索引查询次数是固定的,为batch_size*max_seq_len次,其中,batch_size为批次大小,max_seq_len表示最大填充值,也即输入数据填充后的长度值,Embedding模块中各个层中张量的shape(形状)都是固定的,也为batch_size*max_seq_len。采用现有的pad方法进行计算时,会引入很多冗余计算。且发现将bs和max_seq_len合并成一个维度对Embedding模块的计算逻辑无影响。基于此,本实施例通过对输入张量进行压缩,得到压缩后的输入张量,并将得到的结果作为模型中后续其他模块的输入进行计算,从而减少了嵌入模块中各层的计算量,进而提升了嵌入模块的性能。
需要说明的是,在获取输入数据之前,会对原始输入数据进行预处理操作,原始输入数据也即用户输入的多个句子,这多个句子长度不同,上述执行主体会对原始输入数据中长度不同的多个句子进行填充,从而得到长度相同的句子,并将其对应的张量作为输入数据。张量是一个定义在一些向量空间和一些对偶空间的笛卡尔积上的多重线性映射。例如,原始输入数据中包括句子1“AAA”、句子2“BB”以及句子3“CCCC”,且原始输入数据的批量大小batch-size为6,也即将句子填充为长度为6,从而得到填充后的样本数据为,句子1为“AAAXXX”,句子2为“BBXXXX”,句子3为“CCCCXX”,其中,X表示填充元素。
步骤202,基于输入张量生成索引张量,其中,索引张量中存储了输入张量中非填充元素的索引。
在本实施例中,上述执行主体会基于输入张量来生成索引张量,其中,索引张量中存储了输入张量中非填充元素的索引,例如利用输入张量对应的编号张量来生成索引张量。上述执行主体会分别获取输入数据中的每个元素在字典中的编号,从而得到输入数据对应的编号张量。由于在对输入数据进行编号时,非填充元素的编号与填充元素的编号不同,例如可以将填充元素编号为0,所以上述执行主体在从编号张量中获取输入数据中非填充元素的索引时,可以判断编号是否为0,若不为0,说明其是非填充元素,获取该元素的索引,从而得到索引张量。
步骤203,基于索引张量和聚集算子对输入张量进行压缩,得到压缩后的输入张量。
在本实施例中,上述执行主体会基于索引张量中存储的有效元素的索引(也即下标)和聚集算子(gather算子),对输入数据中的输入张量进行压缩,从而得到压缩后的输入张量。例如对输入数据的编号张量input_ids、类别张量token_type_ids和位置张量position_ids进行压缩,从而得到压缩后的目标编号张量、目标类别张量和目标位置张量。其中,索引张量、类别张量和位置张量可采用现有方式得到,在此不再赘述。
作为示例,可以利用gather算子从input_ids中获取输入数据中非填充元素(也即有效元素)的下标所对应的元素,得到对应的目标编号张量;利用gather算子从token_type_ids中获取输入数据中非填充元素的下标所对应的元素,得到对应的目标类别张量;利用gather算子从position_ids中获取输入数据中非填充元素的下标所对应的元素,得到对应的目标位置张量。从而通过移除填充元素,将不同样本中的非填充元素进行连续平铺存储。
步骤204,将压缩后的输入张量作为嵌入模块的输入,计算得到目标张量。
在本实施例中,上述执行主体会将压缩后的输入张量作为嵌入模块的输入,经过嵌入模块的各个算子的计算,从而得到目标张量。例如经过嵌入模块的Embedding算子、Add算子、Layer_norm算子、Dropout算子等多个算子的运算,输出得到目标张量。从而通过将压缩后的输入张量作为嵌入模块的输入,减少了冗余计算,提升了嵌入模块的性能。
本公开实施例提供的语言模型中嵌入模块计算优化的方法,首先获取输入数据,其中,输入数据包含至少一个带填充的输入张量;然后基于输入张量生成索引张量,其中,索引张量中存储了输入张量中非填充元素的索引;之后基于索引张量和聚集算子对输入数据中的输入张量进行压缩,得到压缩后的目标张量,并将目标张量作为嵌入模块的输入;最后将压缩后的输入张量作为嵌入模块的输入,计算得到目标张量。本实施例中的语言模型中嵌入模块计算优化的方法,该方法通过移除样本数据中的填充元素,将不同样本数据中的非填充元素连续平铺存储,并将得到的结果作为模型中后续其他模块的输入进行计算,从而减少了嵌入模块中各层的计算量,进而提升了嵌入模块的性能。
需要说明的是,本公开实施例提供的语言模型中嵌入模块计算优化的方法,不仅可以应用于对语言模型中的嵌入模块进行优化,若将其他模块的bs和max_seq_len合并成一个维度后,对该模块的计算逻辑也无影响,则该模块也可以使用本公开实施例中的优化方法对该模块进行优化,本实施例对此不做具体限定。
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。
继续参考图3,图3示出了根据本公开的语言模型中嵌入模块计算优化的方法的另一个实施例的流程300。该语言模型中嵌入模块计算优化的方法包括以下步骤:
步骤301获取输入数据,其中,输入数据包含至少一个带填充的输入张量。
步骤301与前述实施例的步骤201基本一致,具体实现方式可以参考前述对步骤201的描述,此处不再赘述。
步骤302,获取输入张量对应的编号张量。
在本实施例中,语言模型中嵌入模块计算优化的方法的执行主体(例如图1所示的服务器105)可以获取输入张量对应的编号张量,其中,编号张量中存储了输入数据在字典中的编号信息。上述执行主体会分别获取输入数据中的每个元素在字典中的编号,从而得到输入数据对应的编号张量。还是以上述句子1、句子2和句子3为例,上述执行主体会分别获取“AAAXXX”、“BBXXXX”、“CCCCXX”中每一个元素的编号,需要注意的是,在对输入数据进行编号时,非填充元素的编号与填充元素的编号不同,例如可以将填充元素编号为0。
步骤303,从编号张量中获取输入张量中非填充元素的索引,得到索引张量。
在本实施例中,上述执行主体会从编号张量中获取输入张量中非填充元素的索引,从而得到索引张量。例如上述执行主体在从编号张量中获取输入张量中非填充元素的索引时,可以判断编号是否为0,若不为0,说明其是非填充元素,获取该元素的索引,从而得到索引张量。从而可以基于索引张量对输入数据对应的输入张量进行压缩。
需要说明的是,不同输入数据的下标是连在一起的。也即,获取数据1“AAAXXX”中“AAA”、数据2“BBXXXX”中“BB”的下标,且数据1、数据2的下标是连在一起的,例如获取的“AAABB”的下标分别为0、1、2、6、7。
步骤304,利用聚集算子从输入张量对应的编号张量中获取输入张量中非填充元素的索引所对应的元素,得到对应的目标编号张量。
在本实施例中,上述执行主体会生成输入数据对应的编号张量input_ids,然后利用聚集算子从input_ids中获取输入数据中非填充元素的索引所对应的元素,从而得到对应的目标编号张量。其中,聚集算子即gather算子用于返回给定索引或下标的张量元素。由于索引张量中存储了输入数据中有效元素的下标,所以上述执行主体可以利用gather算子获取input_ids中这些有效元素下标对应的元素,从而得到目标编号张量。
步骤305,利用聚集算子从输入张量对应的类别张量中获取输入张量中非填充元素的索引所对应的元素,得到对应的目标类别张量。
在本实施例中,上述执行主体会生成输入数据对应的类别张量token_type_ids,然后利用聚集算子从token_type_ids中获取输入数据中非填充元素的索引所对应的元素,从而得到对应的目标类别张量。由于索引张量中存储了输入数据中有效元素的下标,所以上述执行主体可以利用gather算子获取类别张量中这些有效元素下标对应的元素,从而得到目标类别张量。
步骤306,利用聚集算子从输入张量对应的位置张量中获取输入张量中非填充元素的索引所对应的元素,得到对应的目标位置张量。
在本实施例中,上述执行主体会生成输入数据对应的位置集合position_ids,然后利用聚集算子从position_ids中获取输入数据中非填充元素的索引所对应的元素,从而得到对应的目标位置张量。由于索引张量中存储了输入数据中有效元素的下标,所以上述执行主体可以利用gather算子获取位置张量中这些有效元素下标对应的元素,从而得到目标位置张量。
需要说明的是,本实施例中不限制步骤304、步骤305与步骤306的执行顺序,也即步骤304、步骤305与步骤306可以顺序执行,还可以同时执行。
通过上述步骤分别对输入数据对应的编号张量、类别张量、位置张量进行压缩,从而减少了模块的计算量。
步骤307,将目标编号张量、目标类别张量和目标位置张量作为输入,经过嵌入模块的各个算子的计算,输出得到目标张量。
在本实施例中,上述执行主体会将得到的目标编号张量、目标类别张量和目标位置张量作为输入,经过嵌入模块的各个算子的计算,例如Embedding算子、Add算子、Layer_norm算子、Dropout算子,从而输出得到目标张量,其中,目标张量的形状与目标编号张量、目标类别张量和目标位置张量的形状相同。从而通过对编号张量、类别张量、位置张量进行压缩,减少了模块的计算量。
在本实施例的一些可选实现方式中,语言模型中嵌入模块计算优化的方法还包括:利用分散算子对目标张量进行填充,得到与目标格式对应的张量。
在本实现方式中,如果Embedding模块后面的其他模块仍然想使用未经压缩的张量,则可以使用分散算子(scatter算子)对目标张量进行填充,从而得到与目标格式(未经压缩)对应的张量结果。从而满足不同场景的需要。
从图3中可以看出,与图2对应的实施例相比,本实施例中的语言模型中嵌入模块计算优化的方法,该方法突出了生成目标编号张量、目标类别张量、目标位置张量的过程以及得到目标张量的过程,并将得到的目标张量作为嵌入模块的输入进行计算,从而避免了很多冗余计算,减少了模块中各层的计算量,提升了模块性能,进而提升了模型性能。
继续参考图4,其示出了根据本公开的语言模型中嵌入模块计算优化的方法的一个应用场景的示意图。
在该应用场景中,执行主体402会获取包括多个待填充的输入张量的输入数据401。
然后,上述执行主体402会基于输入数据401来生成存储了输入数据中非填充元素的索引的索引张量nonzeros_indices,该索引张量的形状为[ntoken],需要说明的是,张量的形状即为张量的每个轴的长度,也即每个轴的元素数量,ntoken即表示了每个轴的元素数量。作为示例,上述执行主体402可以先获取输入张量对应的编号张量,编号张量中存储了输入张量在字典中的编号信息,然后从编号张量中获取输入张量中非填充元素的索引,从而得到索引张量。
之后,上述执行主体402会基于索引张量和聚集算子分别对输入数据401的输入张量(包括input_ids、token_type_ids以及position_ids)进行压缩,得到压缩后的输入张量。压缩后的输入张量的形状为[ntoken]。
最后,上述执行主体402会将压缩后的输入张量作为嵌入模块的输入,依次经过Embedding模块中的各个层进行计算,例如依次通过Embedding算子、Add算子、Layer_norm算子、Dropout算子的运算,最终输出得到目标张量。
可选地,还可以使用分散(scatter)算子对目标张量进行填充,得到与目标格式对应的张量,从而将其恢复成未经压缩的形状。
进一步参考图5,作为对上述各图所示方法的实现,本公开提供了一种语言模型中嵌入模块计算优化的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,本实施例的语言模型中嵌入模块计算优化的装置500包括:获取单元501、生成单元502、压缩单元503和计算单元504。其中,获取单元501,被配置成获取输入数据,其中,输入数据包含至少一个带填充的输入张量;生成单元502,被配置成基于输入张量生成索引张量,其中,索引张量中存储了输入张量中非填充元素的索引;压缩单元503,被配置成基于索引张量和聚集算子对输入张量进行压缩,得到压缩后的输入张量;计算单元504,被配置成将压缩后的输入张量作为嵌入模块的输入,计算得到目标张量。
在本实施例中,语言模型中嵌入模块计算优化的装置500中:获取单元501、生成单元502、压缩单元503和计算单元504的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-204的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,生成单元包括:第一获取子单元,被配置成获取输入张量对应的编号张量,其中,编号张量中存储了输入张量在字典中的编号信息;第二获取子单元,被配置成从编号张量中获取输入张量中非填充元素的索引,得到索引张量。
在本实施例的一些可选的实现方式中,压缩单元包括:第三获取子单元,被配置成利用聚集算子从输入张量对应的编号张量中获取输入张量中非填充元素的索引所对应的元素,得到对应的目标编号张量;第四获取子单元,被配置成利用聚集算子从输入张量对应的类别张量中获取输入张量中非填充元素的索引所对应的元素,得到对应的目标类别张量;第五获取子单元,被配置成利用聚集算子从输入张量对应的位置张量中获取输入张量中非填充元素的索引所对应的元素,得到对应的目标位置张量。
在本实施例的一些可选的实现方式中,计算单元包括:计算子单元,被配置成将目标编号张量、目标类别张量和目标位置张量作为输入,经过嵌入模块的各个算子的计算,输出得到目标张量,其中,目标张量的形状与目标编号张量、目标类别张量和目标位置张量的形状相同。
在本实施例的一些可选的实现方式中,上述语言模型中嵌入模块计算优化的装置500还包括:填充单元,被配置成利用分散算子对目标张量进行填充,得到与目标格式对应的张量。
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,例如语言模型中嵌入模块计算优化的方法。例如,在一些实施例中,语言模型中嵌入模块计算优化的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语言模型中嵌入模块计算优化的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)而被配置为执行语言模型中嵌入模块计算优化的方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
云计算(cloud computer),指的是通过网络接入弹性可扩展的共享物理或虚拟资源池,资源可以包括服务器、操作系统、网络、软件、应用或存储设备等,并可以以按需、自服务的方式对资源进行部署和管理的技术体系。通过云计算技术,可以为人工智能、区块链等技术应用、模型训练提供高效强大的数据处理能力。
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 (8)
1.一种语言模型中嵌入模块计算优化的方法,包括:
获取输入数据,其中,所述输入数据包含至少一个带填充的输入张量;
基于所述输入张量生成索引张量,其中,所述索引张量中存储了所述输入张量中非填充元素的索引;
基于所述索引张量和聚集算子对所述输入张量进行压缩,得到压缩后的输入张量,包括:利用聚集算子从所述输入张量对应的编号张量中获取所述输入张量中非填充元素的索引所对应的元素,得到对应的目标编号张量;利用聚集算子从所述输入张量对应的类别张量中获取所述输入张量中非填充元素的索引所对应的元素,得到对应的目标类别张量;利用聚集算子从所述输入张量对应的位置张量中获取所述输入张量中非填充元素的索引所对应的元素,得到对应的目标位置张量;
将所述目标编号张量、目标类别张量和目标位置张量作为嵌入模块的输入,至少经过所述嵌入模块的Embedding算子、Add算子、Layer_norm算子、Dropout算子的运算,计算得到目标张量;
其中,所述基于所述输入张量生成索引张量,包括:
获取所述输入张量对应的编号张量,其中,所述编号张量中存储了所述输入张量在字典中的编号信息;
从所述编号张量中获取所述输入张量中非填充元素的索引,得到索引张量,其中,不同输入数据的索引下标相连。
2.根据权利要求1所述的方法,其中,所述目标张量的形状与所述目标编号张量、所述目标类别张量和所述目标位置张量的形状相同。
3.根据权利要求1或2所述的方法,还包括:
利用分散算子对所述目标张量进行填充,得到与目标格式对应的张量。
4.一种语言模型中嵌入模块计算优化的装置,包括:
获取单元,被配置成获取输入数据,其中,所述输入数据包含至少一个带填充的输入张量;
生成单元,被配置成基于所述输入张量生成索引张量,其中,所述索引张量中存储了所述输入张量中非填充元素的索引;
压缩单元,被配置成基于所述索引张量和聚集算子对所述输入张量进行压缩,得到压缩后的输入张量;
计算单元,被配置成将目标编号张量、目标类别张量和目标位置张量作为嵌入模块的输入,至少经过所述嵌入模块的Embedding算子、Add算子、Layer_norm算子、Dropout算子的运算,计算得到目标张量;
其中,所述生成单元包括:
第一获取子单元,被配置成获取所述输入张量对应的编号张量,其中,所述编号张量中存储了所述输入张量在字典中的编号信息;
第二获取子单元,被配置成从所述编号张量中获取所述输入张量中非填充元素的索引,得到索引张量,其中,不同输入数据的索引下标相连;
所述压缩单元包括:
第三获取子单元,被配置成利用聚集算子从所述输入张量对应的编号张量中获取所述输入张量中非填充元素的索引所对应的元素,得到对应的目标编号张量;
第四获取子单元,被配置成利用聚集算子从所述输入张量对应的类别张量中获取所述输入张量中非填充元素的索引所对应的元素,得到对应的目标类别张量;
第五获取子单元,被配置成利用聚集算子从所述输入张量对应的位置张量中获取所述输入张量中非填充元素的索引所对应的元素,得到对应的目标位置张量。
5.根据权利要求4所述的装置,其中,所述目标张量的形状与所述目标编号张量、所述目标类别张量和所述目标位置张量的形状相同。
6.根据权利要求4或5所述的装置,还包括:
填充单元,被配置成利用分散算子对所述目标张量进行填充,得到与目标格式对应的张量。
7. 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1-3中任一项所述的方法。
8.一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行权利要求1-3中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210531140.6A CN115034198B (zh) | 2022-05-16 | 2022-05-16 | 语言模型中嵌入模块计算优化的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210531140.6A CN115034198B (zh) | 2022-05-16 | 2022-05-16 | 语言模型中嵌入模块计算优化的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115034198A CN115034198A (zh) | 2022-09-09 |
CN115034198B true CN115034198B (zh) | 2023-05-12 |
Family
ID=83120947
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210531140.6A Active CN115034198B (zh) | 2022-05-16 | 2022-05-16 | 语言模型中嵌入模块计算优化的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115034198B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109857744A (zh) * | 2019-02-13 | 2019-06-07 | 上海燧原智能科技有限公司 | 稀疏张量计算方法、装置、设备及存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109117950B (zh) * | 2018-08-01 | 2021-03-09 | 上海天数智芯半导体有限公司 | 基于人工智能设备的分层稀疏张量压缩方法 |
WO2020190809A1 (en) * | 2019-03-15 | 2020-09-24 | Intel Corporation | Architecture for block sparse operations on a systolic array |
US11940907B2 (en) * | 2021-06-25 | 2024-03-26 | Intel Corporation | Methods and apparatus for sparse tensor storage for neural network accelerators |
CN113836086A (zh) * | 2021-10-21 | 2021-12-24 | 西湖大学 | 一种数据非依赖采集质谱数据格式的转化方法及应用 |
-
2022
- 2022-05-16 CN CN202210531140.6A patent/CN115034198B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109857744A (zh) * | 2019-02-13 | 2019-06-07 | 上海燧原智能科技有限公司 | 稀疏张量计算方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115034198A (zh) | 2022-09-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112561079A (zh) | 分布式的模型训练装置、方法及计算机程序产品 | |
CN114120414B (zh) | 图像处理方法、装置、电子设备和介质 | |
CN113407850B (zh) | 一种虚拟形象的确定和获取方法、装置以及电子设备 | |
CN114792355B (zh) | 虚拟形象生成方法、装置、电子设备和存储介质 | |
KR20220163930A (ko) | 구동 가능한 3d 캐릭터 생성 방법, 장치, 전자 기기 및 기록 매체 | |
CN114693934B (zh) | 语义分割模型的训练方法、视频语义分割方法及装置 | |
CN113052962B (zh) | 模型训练、信息输出方法,装置,设备以及存储介质 | |
CN114020950A (zh) | 图像检索模型的训练方法、装置、设备以及存储介质 | |
CN113378855A (zh) | 用于处理多任务的方法、相关装置及计算机程序产品 | |
US20230115984A1 (en) | Method and apparatus for training model, method and apparatus for generating molecules | |
CN114238611B (zh) | 用于输出信息的方法、装置、设备以及存储介质 | |
CN115034198B (zh) | 语言模型中嵌入模块计算优化的方法 | |
CN113360672B (zh) | 用于生成知识图谱的方法、装置、设备、介质和产品 | |
CN114742035B (zh) | 基于注意力机制优化的文本处理方法、网络模型训练方法 | |
CN113408304B (zh) | 文本翻译方法、装置、电子设备及存储介质 | |
CN115688917A (zh) | 神经网络模型的训练方法、装置、电子设备及存储介质 | |
US20220113943A1 (en) | Method for multiply-add operations for neural network | |
CN115081607A (zh) | 基于嵌入算子的反向计算方法、装置、设备以及存储介质 | |
CN114897147A (zh) | 骨干网络的生成方法、装置、设备以及存储介质 | |
CN113556575A (zh) | 用于压缩数据的方法、装置、设备、介质和产品 | |
CN114490969A (zh) | 基于表格的问答方法、装置以及电子设备 | |
CN114065784A (zh) | 训练方法、译文方法、装置、电子设备以及存储介质 | |
CN113361621A (zh) | 用于训练模型的方法和装置 | |
CN115860121B (zh) | 文本推理方法、装置、设备以及存储介质 | |
CN113362428B (zh) | 用于配置颜色的方法、装置、设备、介质和产品 |
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 |