CN115237992A - 数据格式转换的方法、装置及矩阵处理的方法、装置 - Google Patents

数据格式转换的方法、装置及矩阵处理的方法、装置 Download PDF

Info

Publication number
CN115237992A
CN115237992A CN202210946170.3A CN202210946170A CN115237992A CN 115237992 A CN115237992 A CN 115237992A CN 202210946170 A CN202210946170 A CN 202210946170A CN 115237992 A CN115237992 A CN 115237992A
Authority
CN
China
Prior art keywords
data format
target data
target
matrix
value
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.)
Pending
Application number
CN202210946170.3A
Other languages
English (en)
Inventor
王勇
陈庆澍
王京
欧阳剑
邰秀瑢
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Kunlun Core Beijing Technology Co ltd
Original Assignee
Kunlun Core Beijing Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Kunlun Core Beijing Technology Co ltd filed Critical Kunlun Core Beijing Technology Co ltd
Priority to CN202210946170.3A priority Critical patent/CN115237992A/zh
Publication of CN115237992A publication Critical patent/CN115237992A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/25—Integrating or interfacing systems involving database management systems
    • G06F16/258—Data format conversion from or to a database
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F7/00—Methods or arrangements for processing data by operating upon the order or content of the data handled
    • G06F7/38—Methods or arrangements for performing computations using exclusively denominational number representation, e.g. using binary, ternary, decimal representation
    • G06F7/48—Methods or arrangements for performing computations using exclusively denominational number representation, e.g. using binary, ternary, decimal representation using non-contact-making devices, e.g. tube, solid state device; using unspecified devices
    • G06F7/52—Multiplying; Dividing
    • G06F7/523—Multiplying only

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Databases & Information Systems (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Software Systems (AREA)
  • Complex Calculations (AREA)

Abstract

本公开提供了数据格式转换的方法、装置及矩阵处理的方法、装置，涉及计算机技术领域，尤其涉及人工智能、深度学习、芯片等技术领域。数据格式转换的方法的具体实现方案为：根据目标矩阵中的各元素，确定目标矩阵的最大值；根据目标数据格式的指数位的数位宽度和目标矩阵的最大值，确定连续的多个数值区间；根据各元素与多个数值区间的对应关系，以及多个数值区间与目标数据格式的对应关系，将目标矩阵的原数据格式转换为目标数据格式。根据本公开的方案，可以降低数据格式转换的运算量，提升目标矩阵中的各元素量化精度的同时兼顾各元素可表示的数值范围。

Description

数据格式转换的方法、装置及矩阵处理的方法、装置
技术领域
本公开涉及计算机技术领域，尤其涉及人工智能、深度学习、芯片等技术领域。
背景技术
人工智能模型存在大量的计算密集型算子，主要包括矩阵计算，卷积，池化和激活运算的算子。人工智能模型的计算对于精度的要求会比传统的高性能计算应用精度低，传统的高性能计算应用主要采用双精度数据类型，而人工智能应用多采用单精度和半精度的浮点型数据类型，或是定点数据类型。
发明内容
本公开提供了一种数据格式转换的方法、装置及矩阵处理的方法、装置。
根据本公开的一方面，提供了一种数据格式转换的方法，包括：
根据目标矩阵中的各元素，确定目标矩阵的最大值；
根据目标数据格式的指数位的数位宽度和目标矩阵的最大值，确定连续的多个数值区间；以及
根据各元素与多个数值区间的对应关系，以及多个数值区间与目标数据格式的对应关系，将目标矩阵的原数据格式转换为目标数据格式。
根据本公开的另一方面，提供了一种矩阵处理的方法，包括：
对第一目标矩阵和第二目标矩阵进行乘法运算，得到第三矩阵；其中，第一目标矩阵和第二目标矩阵的数据格式均为目标数据格式，目标数据格式根据本公开任一实施例的数据格式转换的方法得到；以及
根据预设的标准数据格式，将第三矩阵的数据格式转换为预设的标准数据格式。
根据本公开的另一方面，提供了一种数据格式转换的装置，包括：
第一确定模块，用于根据目标矩阵中的各元素，确定目标矩阵的最大值；
第二确定模块，用于根据目标数据格式的指数位的数位宽度和目标矩阵的最大值，确定连续的多个数值区间；以及
第一转换模块，用于根据各元素与多个数值区间的对应关系，以及多个数值区间与目标数据格式的对应关系，将目标矩阵的原数据格式转换为目标数据格式。
根据本公开的另一方面，提供了一种矩阵处理的装置，包括：
运算模块，用于对第一目标矩阵和第二目标矩阵进行乘法运算，得到第三矩阵；其中，第一目标矩阵和第二目标矩阵的数据格式均为目标数据格式，目标数据格式根据本公开任一实施例的数据格式转换的方法得到；以及
第二转换模块，用于根据预设的标准数据格式，将第三矩阵的数据格式转换为预设的标准数据格式。
根据本公开的另一方面，提供了一种电子设备，包括：
至少一个处理器；以及
与该至少一个处理器通信连接的存储器；其中，
该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行本公开中任一实施例的方法。
根据本公开的另一方面，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，该计算机指令用于使该计算机执行根据本公开中任一实施例的方法。
根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现根据本公开中任一实施例的方法。
根据本公开的另一方面，提供了一种人工智能芯片，包括：执行本公开中任一实施例的方法的执行器件。
根据本公开的方案，可以降低数据格式转换的运算量，提升目标矩阵中的各元素量化精度的同时兼顾各元素可表示的数值范围。
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是根据本公开实施例的数据格式转换的方法的流程示意图；
图2是根据本公开实施例的目标数据格式的示意图；
图3是根据本公开实施例的数值线段的示意图；
图4是根据本公开实施例的矩阵处理的方法的流程示意图；
图5是根据本公开实施例的矩阵处理的方法的应用示意图；
图6是根据本公开实施例的数据格式转换的装置的结构示意图；
图7是根据本公开实施例的矩阵处理的装置的结构示意图；
图8是根据本公开实施例的数据格式转换的方法和/或矩阵处理的方法应用场景示意图；
图9是根据本公开实施例的人工智能芯片的结构示意图；
图10是用来实现本公开实施例的数据格式转换的方法和/或矩阵处理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。
根据本公开实施例，如图1所示，提供了一种数据格式转换的方法，包括：
步骤S100：根据目标矩阵中的各元素，确定目标矩阵的最大值。
步骤S101：根据目标数据格式的指数位的数位宽度和目标矩阵的最大值，确定连续的多个数值区间。以及
步骤S102：根据各元素与多个数值区间的对应关系，以及多个数值区间与目标数据格式的对应关系，将目标矩阵的原数据格式转换为目标数据格式。
根据本公开上述实施例，需要说明的是：
目标矩阵可以是任意维度的矩阵。
元素可以理解为目标矩阵中位于不同行和列的数据或向量。例如，目标矩阵为2x2的矩阵，则目标矩阵包含有4个元素。
目标数据的最大值，可以理解为各元素的绝对值数值中最大的数值。
各元素与多个数值区间的对应关系，可以理解为各元素的绝对值数值在多个数值区间上的映射关系，即各元素的绝对值数值位于哪一个数值区间内。
多个数值区间与目标数据格式的对应关系，可以理解为每个数值区间所对应的目标数据格式的指数位和尾数位的计算方式。不同数值区间其对应的目标数据格式的指数位和尾数位的计算方式可以不同。
将目标矩阵的原数据格式转换为目标数据格式，可以理解为对目标矩阵中的各元素的原数据格式分别转换为目标数据格式，从而实现目标矩阵的原数据格式转换为目标数据格式。
根据本公开实施例，可以降低数据格式转换的运算量，提升目标矩阵中的各元素量化精度的同时兼顾各元素可表示的数值范围。
本公开实施例的数据格式转换的方法可以应用于人工智能模型的计算密集型算子，计算密集型算子通过本方法可以实现对输入的目标矩阵的数据格式进行转换，从而降低算子的运算资源消耗。本公开实施例所述的计算密集型算子可以是模型训练过程中所使用的算子，也可以是训练完成的模型在推理过程中所使用的算子。即，本公开实施例的数据格式转换的方法可以应用于模型训练过程，也可以应用于模型实际推理过程。
本公开实施例的数据格式转换的方法可以应用于人工智能芯片，能够提升人工智能芯片的峰值性能。当人工智能芯片应用于人工智能模型训练和人工智能模型推理计算时，可以大幅缩短人工智能模型训练的时间和推理计算的时间。
在一个示例中，目标矩阵为深度学习框架中的算子所利用的矩阵。深度学习框架中的算子可以是模型训练过程中所使用的高精度算子，也可以是训练好的模型在计算时所使用的算子。
根据本公开实施例，利用数据格式转换后的目标矩阵进行计算，可以提高深度学习框架中的算子的计算效率，同时可以节省计算资源。
在一个示例中，目标矩阵中的各元素为对图像信息、语音信息或文本信息进行特征提取所得到的数据。
根据本公开实施例，可以实现对图像信息、语音信息或文本信息中提取的特征数据进行数据格式转换，利用数据格式转换后的特征数据进行后处理，可以有效提升图像信息、语音信息或文本信息的处理速度。
在一种实施方式中，如图2所示，目标数据格式的数位宽度为16bit(比特，Binarydigit)，包括数位宽度为1bit的符号位、数位宽度为2bit的指数位和数位宽度为13bit的尾数位。
需要说明的是，为了便于本公开实施例的描述，将本公开实施例的16bit半精度的目标数据格式简称为xfp16。
本公开各实施例的计算公式中所使用的数位宽度，可以理解为数位宽度的具体数值。例如，将数值线段划分为连续的2N个数值区间，N为目标数据格式的指数位的数位宽度(2bit)，既N为2。
根据本公开实施例，本公开实施例的xfp16，更加适配矩阵运算处理的过程，能够显著提升运算性能和精度。现有的float(浮点型数据类型)数据格式的运算性能为19.5T(太字节，Terabyte，TB)，现有的tf32(TensorFlow)数据格式的运算性能为156T，而采用本公开实施例的xfp16在进行矩阵计算时运算性能能达到312T，相对于float和tf32分别加速了16倍和2倍，运算性能显著提升。
传统fp16(浮点，floating point)和bfloat16(脑浮点，brain floating point)，其指数位较多，尾数位较少，所以能表示的数值范围很广。但由于指数位计算较复杂，所以消耗的硬件资源比较多。而传统的int16(定点，integer)由于不带指数，所以计算过程简单，消耗的硬件资源比较少，但由于能够表示的数值范围比较小，在应用于有些人工智能模型的矩阵计算时，计算上会存在精度下降的问题。而本公开实施例的xfp16采用了跟传统fp16，bfloat16和int16不一样的数据类型，有更多的尾数位，较少的指数位。这样针对AI场景，其能表示的范围比int16更广，同时较少的指数位使得硬件消耗的资源会更少(至少减少30％的硬件资源消耗)，同样的面积(16bit)，会比标准fp16和bfloat16性能更好，能够更好地表示人工智能模型和矩阵数据。
在一种实施方式中，本公开实施例的数据格式转换的方法，包括步骤S100至S102，其中，步骤S100：根据目标矩阵中的各元素，确定目标矩阵的最大值，具体可以包括：
根据目标矩阵中的各元素的浮点数，确定各元素的绝对值数值。
将各元素的绝对值数值中最大的数值，确定为目标矩阵的最大值。
需要说明的是，可以通过对各元素的浮点数进行进制转换，以确定各元素的绝对值数值。
根据本公开实施例，利用目标矩阵中的各元素的浮点数，可以准确的确定出目标矩阵的最大值。
在一种实施方式中，本公开实施例的数据格式转换的方法，包括步骤S100至S102，其中，步骤S101：根据目标数据格式的指数位的数位宽度和目标矩阵的最大值，确定连续的多个数值区间，具体可以包括：
以目标矩阵的最大值作为最大端点值和以0作为最小端点值，确定数值线段。
根据目标数据格式的指数位的数位宽度，将数值线段划分为连续的2N个数值区间。
根据目标数据格式的尾数位的数位宽度，利用公式
Figure BDA0003787559950000061
分别确定2N个数值区间中的每个数值区间的最小端点值。
其中，N为目标数据格式的指数位的数位宽度，maxa为每个数值区间的最大端点值，maxb为每个数值区间的最小端点值，M为目标数据格式的尾数位的数位宽度。
根据本公开实施例，利用目标数据格式的指数位的数位宽度和目标数据格式的尾数位的数位宽度，可以划分出与目标矩阵相适配的数值线段。以及可以确定出数值线段中更贴合目标矩阵中各元素的数值的每个数值区间的最大端点值和最小端点值。
在一个具体示例中，目标数据格式的数位宽度为16bit(比特，Binary digit)，包括数位宽度为1bit的符号位、数位宽度为2bit的指数位和数位宽度为13bit的尾数位。目标矩阵的最大值作为最大端点值为max0，根据目标数据格式的指数位的数位宽度2bit，将数值线段划分为连续的4个数值区间，如图3所示，具体包括：
[0，max3]、[max3，max2]、[max2，max1]和[max1，max0]四个数值区间。其中，
Figure BDA0003787559950000071
在一种实施方式中，本公开实施例的数据格式转换的方法，包括步骤S100至S102，其中，步骤S102：根据各元素与多个数值区间的对应关系，以及多个数值区间与目标数据格式的对应关系，将目标矩阵的原数据格式转换为目标数据格式，具体可以包括：
步骤S1021：根据各元素的浮点数与多个数值区间的对应关系，以及多个数值区间与目标数据格式的对应关系，确定各元素对应的目标数据格式的指数位。
步骤S1022：根据各元素的浮点数与多个数值区间的对应关系，以及多个数值区间与目标数据格式的对应关系，确定各元素对应的目标数据格式的尾数位。
步骤S1023：根据各元素的浮点数，确定各元素对应的目标数据格式的符号位。
步骤S1024：根据各元素对应的目标数据格式的符号位、指数位、尾数位，将目标矩阵的原数据格式转换为目标数据格式。
根据本公开实施例，利用各元素的浮点数与多个数值区间的对应关系，以及多个数值区间与目标数据格式的对应关系，可以准确的计算出各元素对应的目标数据格式的尾数位和指数位，从而实现将目标矩阵的原数据格式转换为精度高、表示数值范围广的目标数据格式。
在一种实施方式中，本公开实施例的数据格式转换的方法，包括步骤S100至S102，其中，步骤S1021：根据各元素的浮点数与多个数值区间的对应关系，以及多个数值区间与目标数据格式的对应关系，确定各元素对应的目标数据格式的指数位，具体可以包括：
根据各元素的浮点数，确定各元素的绝对值数值。
根据各元素的绝对值数值，确定各元素在多个数值区间中对应的数值区间。
根据对应的数值区间与目标数据格式的指数位的对应关系，确定各元素对应的目标数据格式的指数位。
在一个示例中，目标数据格式的数位宽度为16bit(比特，Binary digit)，包括数位宽度为1bit的符号位、数位宽度为2bit的指数位和数位宽度为13bit的尾数位。目标矩阵的最大值作为最大端点值为max0，根据目标数据格式的指数位的数位宽度2bit，将数值线段划分为连续的4个数值区间，如图3所示，具体包括：
[0，max3]、[max3，max2]、[max2，max1]和[max1，max0]四个数值区间。其中，
Figure BDA0003787559950000081
当元素的绝对值数值对应的数值区间为[0，max3]时，即，绝对值数值＜max3，确定元素对应的目标数据格式的指数位为00。
当元素的绝对值数值对应的数值区间为[max3，max2]时，即，max3＜绝对值数值≤max2，确定元素对应的目标数据格式的指数位为01。
当元素的绝对值数值对应的数值区间为[max2，max1]时，即，max2＜绝对值数值≤max1，确定元素对应的目标数据格式的指数位为10。
当元素的绝对值数值对应的数值区间为[max1，max0]时，即，max1＜绝对值数值≤max0，确定元素对应的目标数据格式的指数位为11。
在一种实施方式中，本公开实施例的数据格式转换的方法，包括步骤S100至S102，其中，步骤S1022：根据各元素的浮点数与多个数值区间的对应关系，以及多个数值区间与目标数据格式的对应关系，确定各元素对应的目标数据格式的尾数位，具体可以包括：
根据各元素的浮点数，确定各元素的绝对值数值。
根据各元素的绝对值数值，确定各元素在多个数值区间中对应的数值区间。
根据对应的数值区间的最大端点值、目标数据格式的尾数位的数位宽度、以及各元素的绝对值数值，利用公式
Figure BDA0003787559950000082
确定各元素对应的目标数据格式的尾数位。
其中，F为各元素对应的目标数据格式的尾数位的值，V为各元素的绝对值数值，k为目标数据格式的尾数位的数位宽度，maxc为对应的数值区间的最大端点值。
需要说明的是，目标矩阵的各元素的原数据格式的浮点数在转换为目标数据格式时，确定各元素对应的目标数据格式的尾数位的计算逻辑是本实施例的尾数位的计算方式，但实际操作时是基于该计算逻辑通过对浮点数进行移位得到的各元素对应的目标数据格式的尾数位，有效提升了目标数据格式转换的计算时间。
根据本公开实施例，利用各元素对应的数值区间的最大端点值、目标数据格式的尾数位的数位宽度、以及各元素的绝对值数值，可以准确的计算出各元素对应的目标数据格式的尾数位。
在一种实施方式中，目标数据格式的数位宽度为16bit(比特，Binary digit)，包括数位宽度为1bit的符号位、数位宽度为2bit的指数位和数位宽度为13bit的尾数位。目标矩阵的最大值作为最大端点值为max0，根据目标数据格式的指数位的数位宽度2bit，将数值线段划分为连续的4个数值区间，如图3所示，具体包括：
[0，max3]、[max3，max2]、[max2，max1]和[max1，max0]四个数值区间。其中，
Figure BDA0003787559950000091
当元素的绝对值数值对应的数值区间为[0，max3]时，即，绝对值数值＜max3，元素对应的目标数据格式的尾数位
Figure BDA0003787559950000092
当元素的绝对值数值对应的数值区间为[max3，max2]时，即，max3＜绝对值数值≤max2，元素对应的目标数据格式的尾数位
Figure BDA0003787559950000093
当元素的绝对值数值对应的数值区间为[max2，max1]时，即，max2＜绝对值数值≤max1，元素对应的目标数据格式的尾数位
Figure BDA0003787559950000094
当元素的绝对值数值对应的数值区间为[max1，max0]时，即，max1＜绝对值数值≤max0，元素对应的目标数据格式的尾数位
Figure BDA0003787559950000095
在一种实施方式中，步骤S1023：根据各元素的浮点数，确定各元素对应的目标数据格式的符号位，包括：
根据元素的浮点数，确定元素的数值≥0时，元素对应的目标数据格式的符号位记作0。确定元素的数值<0时，元素对应的目标数据格式的符号位记作1。
本公开实施例仅用于举例说明，反之亦可。即元素的数值≥0时，元素对应的目标数据格式的符号位记作1，确定元素的数值<0时，元素对应的目标数据格式的符号位记作0。
需要说明的是，符号位的1和0分别用于代表正数或负数，其中符号位为1时具体代表正数还是负数，根据需要进行选择调整。
根据本公开实施例，如图4所示，提供了一种矩阵处理的方法，包括：
步骤S400：对第一目标矩阵和第二目标矩阵进行乘法运算，得到第三矩阵。其中，第一目标矩阵和第二目标矩阵的数据格式均为目标数据格式，目标数据格式根据本公开任一实施例的数据格式转换的方法得到。以及
步骤S401：根据预设的标准数据格式，将第三矩阵的数据格式转换为预设的标准数据格式。
根据本公开的上述实施例，需要说明的是：
第一目标矩阵和第二目标矩阵为深度学习框架中的算子所利用的矩阵。各第一元素和各第二元素为对图像信息、语音信息或文本信息进行特征提取所得到的数据。
根据本公开实施例，矩阵处理的方法可由乘法器执行，第一目标矩阵和第二目标矩阵的数据格式转换过程在乘法器内部进行，用户感受不到数据格式的转换，只会关注到乘法器的输入和输出数据。该方式可以实现不同数据的兼容，无需用户根据乘法器改动输入的目标矩阵的数据格式，该格式转换过程在乘法器内部自动进行。
本公开实施例的矩阵处理的方法可以应用于人工智能模型的计算密集型算子，计算密集型算子通过本方法可以实现对输入的目标矩阵的数据格式进行转换，从而降低算子的运算资源消耗。本公开实施例所述的计算密集型算子可以是模型训练过程中所使用的算子，也可以是训练完成的模型在推理过程中所使用的算子。即，本公开实施例的数据格式转换的方法可以应用于模型训练过程，也可以应用于模型实际推理过程。
本公开实施例的矩阵处理的方法可以应用于人工智能芯片，能够提升人工智能芯片的峰值性能。当人工智能芯片应用于人工智能模型训练和人工智能模型推理计算时，可以大幅缩短人工智能模型训练的时间和推理计算的时间。
在一个示例中，第一目标矩阵和第二目标矩阵为深度学习框架中的算子所利用的矩阵。深度学习框架中的算子可以是模型训练过程中所使用的高精度算子，也可以是训练好的模型在计算时所使用的算子。
根据本公开实施例，利用数据格式转换后的目标矩阵进行计算，可以提高深度学习框架中的算子的计算效率，同时可以节省计算资源。
在一个示例中，第一元素和第二元素可以为对图像信息、语音信息或文本信息进行特征提取所得到的数据。
根据本公开实施例，可以实现对图像信息、语音信息或文本信息中提取的特征数据进行数据格式转换，利用数据格式转换后的特征数据进行后处理，可以有效提升图像信息、语音信息或文本信息的处理速度。
在一个示例中，如图5所示，利用本公开任一实施例的数据格式转换的方法，通过对fp16数据格式、bfloat16数据格式或float数据格式的矩阵A进行数据格式转换，得到xfp16数据格式的第一目标矩阵。以及，利用本公开任一实施例的数据格式转换的方法，通过对fp16数据格式、bfloat16数据格式或float数据格式的矩阵B进行数据格式转换，得到xfp16数据格式的第二目标矩阵。然后利用矩阵处理的方法的步骤S400和S401对第一目标矩阵和第二目标矩阵进行乘法计算，将计算得到的矩阵，根据预设的标准数据格式进行数据格式转换，得到fp16数据格式、bfloat16数据格式或float数据格式的矩阵C(即第三矩阵)。
在一种实施方式中，本公开实施例的矩阵处理的方法，包括步骤S400和S401，其中，步骤S400：对第一目标矩阵和第二目标矩阵进行乘法运算，得到第三矩阵，具体可以包括：
根据第一目标矩阵中的各第一元素对应的目标数据格式，确定各第一元素对应的目标数据格式的符号位和尾数位。
根据第二目标矩阵中的各第二元素对应的目标数据格式，确定各第二元素对应的目标数据格式的符号位和尾数位。
根据各第一元素对应的目标数据格式的符号位和尾数位，以及各第二元素对应的目标数据格式的符号位和尾数位，对第一目标矩阵和第二目标矩阵进行乘法运算，得到第三矩阵。
根据本公开实施例，由于计算过程不涉及指数位，因此节省了第一目标矩阵和第二目标矩阵进行乘法运算所消耗的资源，同时由于利用了尾数位，因此能够保证得到的第三矩阵的元素的数据精度。
在一种实施方式中，本公开实施例的矩阵处理的方法，包括步骤S400和S401，其中，步骤S400中，在第一目标矩阵和第二目标矩阵进行乘法运算的过程中，第一元素和对应的第二元素的乘法运算利用公式c＝F1*F2*S1*S2进行。
其中，F1为第一元素对应的目标数据格式的尾数位的值，F2为对应的第二元素对应的目标数据格式的尾数位的值，S1为第一元素的定浮点转换缩放系数，S2为对应的第二元素的定浮点转换缩放系数。
根据本公开实施例，利用缩放系数可以将第一元素和第二元素由定点数转换为浮点数，更便于第三矩阵的数据格式转换。
在一个示例中，元素的定浮点转换缩放系数根据目标矩阵中的元素的绝对值数值对应的数值区间确定。具体的，可以利用公式
Figure BDA0003787559950000121
确定。
其中，S为各元素(S1、S2)对应的定浮点转换缩放系数，k为目标数据格式的尾数位的数位宽度，maxc为对应的数值区间的最大端点值。
在一个示例中，目标数据格式的数位宽度为16bit(比特，Binary digit)，包括数位宽度为1bit的符号位、数位宽度为2bit的指数位和数位宽度为13bit的尾数位。目标矩阵的最大值作为最大端点值为max0，根据目标数据格式的指数位的数位宽度2bit，将数值线段划分为连续的4个数值区间，如图3所示，具体包括：
[0，max3]、[max3，max2]、[max2，max1]和[max1，max0]四个数值区间。其中，
Figure BDA0003787559950000122
当元素的绝对值数值对应的数值区间为[0，max3]时，即，绝对值数值＜max3，元素对应的目标数据格式的尾数位
Figure BDA0003787559950000123
元素的定浮点转换缩放系数
Figure BDA0003787559950000124
当元素的绝对值数值对应的数值区间为[max3，max2]时，即，max3＜绝对值数值≤max2，元素对应的目标数据格式的尾数位
Figure BDA0003787559950000125
元素的定浮点转换缩放系数
Figure BDA0003787559950000126
当元素的绝对值数值对应的数值区间为[max2，max1]时，即，max2＜绝对值数值≤max1，元素对应的目标数据格式的尾数位
Figure BDA0003787559950000127
元素的定浮点转换缩放系数
Figure BDA0003787559950000128
当元素的绝对值数值对应的数值区间为[max1，max0]时，即，max1＜绝对值数值≤max0，元素对应的目标数据格式的尾数位
Figure BDA0003787559950000129
元素的定浮点转换缩放系数
Figure BDA00037875599500001210
在一种实施方式中，本公开实施例的矩阵处理的方法，包括步骤S400和S401，其中，步骤S400中，根据对第一元素对应的目标数据格式的符号位和对应的第二元素对应的目标数据格式的符号位按位异或，确定第一元素和对应的第二元素的乘法运算的运算结果符号。
在一个示例中，本公开实施例的数据格式转换的方法和矩阵处理的方法，在执行过程中，均包含浮点数转换为定点数的量化过程和定点数转换为浮点数的反量化过程。其中，目标矩阵的原数据格式转换为的目标数据格式即为浮点型数据。第三矩阵的数据格式转换为预设的标准数据格式即为浮点型数据。
根据本公开实施例，如图6所示，提供了一种数据格式转换的装置，包括：
第一确定模块610，用于根据目标矩阵中的各元素，确定目标矩阵的最大值。
第二确定模块620，用于根据目标数据格式的指数位的数位宽度和目标矩阵的最大值，确定连续的多个数值区间。以及
第一转换模块630，用于根据各元素与多个数值区间的对应关系，以及多个数值区间与目标数据格式的对应关系，将目标矩阵的原数据格式转换为目标数据格式。
在一种实施方式中，目标数据格式的数位宽度为16bit，包括数位宽度为1bit的符号位、数位宽度为2bit的指数位和数位宽度为13bit的尾数位。
在一种实施方式中，第一确定模块610用于：
根据目标矩阵中的各元素的浮点数，确定各元素的绝对值数值。
将各元素的绝对值数值中最大的数值，确定为目标矩阵的最大值。
在一种实施方式中，第二确定模块620用于：
以目标矩阵的最大值作为最大端点值和以0作为最小端点值，确定数值线段。
根据目标数据格式的指数位的数位宽度，将数值线段划分为连续的2N个数值区间。
根据目标数据格式的尾数位的数位宽度，利用公式
Figure BDA0003787559950000131
分别确定2N个数值区间中的每个数值区间的最小端点值。
其中，N为目标数据格式的指数位的数位宽度，maxa为每个数值区间的最大端点值，maxb为每个数值区间的最小端点值，M为目标数据格式的尾数位的数位宽度。
在一种实施方式中，第一转换模块630包括：
第一确定子模块，用于根据各元素的浮点数与多个数值区间的对应关系，以及多个数值区间与目标数据格式的对应关系，确定各元素对应的目标数据格式的指数位。
第二确定子模块，用于根据各元素的浮点数与多个数值区间的对应关系，以及多个数值区间与目标数据格式的对应关系，确定各元素对应的目标数据格式的尾数位。
第三确定子模块，用于根据各元素的浮点数，确定各元素对应的目标数据格式的符号位。
转换子模块，用于根据各元素对应的目标数据格式的符号位、指数位、尾数位，将目标矩阵的原数据格式转换为目标数据格式。
在一种实施方式中，第一确定子模块用于：
根据各元素的浮点数，确定各元素的绝对值数值。
根据各元素的绝对值数值，确定各元素在多个数值区间中对应的数值区间。
根据对应的数值区间与目标数据格式的指数位的对应关系，确定各元素对应的目标数据格式的指数位。
在一种实施方式中，第二确定子模块用于：
根据各元素的浮点数，确定各元素的绝对值数值。
根据各元素的绝对值数值，确定各元素在多个数值区间中对应的数值区间。
根据对应的数值区间的最大端点值、目标数据格式的尾数位的数位宽度、以及各元素的绝对值数值，利用公式
Figure BDA0003787559950000141
确定各元素对应的目标数据格式的尾数位。
其中，F为各元素对应的目标数据格式的尾数位的值，V为各元素的绝对值数值，k为目标数据格式的尾数位的数位宽度，maxc为对应的数值区间的最大端点值。
在一种实施方式中，目标矩阵为深度学习框架中的算子所利用的矩阵。目标矩阵中的各元素为对图像信息、语音信息或文本信息进行特征提取所得到的数据。
本公开实施例的装置的各模块、子模块的具体功能和示例的描述，可以参见上述方法实施例中对应步骤的相关描述，在此不再赘述。
根据本公开实施例，如图7所示，提供了一种矩阵处理的装置，包括：
运算模块710，用于对第一目标矩阵和第二目标矩阵进行乘法运算，得到第三矩阵。其中，第一目标矩阵和第二目标矩阵的数据格式均为目标数据格式，目标数据格式根据权利要求1至8任一项的数据格式转换的方法得到。
以及
第二转换模块720，用于根据预设的标准数据格式，将第三矩阵的数据格式转换为预设的标准数据格式。
在一种实施方式中，运算模块710用于：
根据第一目标矩阵中的各第一元素对应的目标数据格式，确定各第一元素对应的目标数据格式的符号位和尾数位。
根据第二目标矩阵中的各第二元素对应的目标数据格式，确定各第二元素对应的目标数据格式的符号位和尾数位。
根据各第一元素对应的目标数据格式的符号位和尾数位，以及各第二元素对应的目标数据格式的符号位和尾数位，对第一目标矩阵和第二目标矩阵进行乘法运算，得到第三矩阵。
在一种实施方式中，在第一目标矩阵和第二目标矩阵进行乘法运算的过程中，第一元素和对应的第二元素的乘法运算利用公式c＝F1*F2*S1*S2进行。
其中，F1为第一元素对应的目标数据格式的尾数位的值，F2为对应的第二元素对应的目标数据格式的尾数位的值，S1为第一元素的定浮点转换缩放系数，S2为对应的第二元素的定浮点转换缩放系数。
在一种实施方式中，根据对第一元素对应的目标数据格式的符号位和对应的第二元素对应的目标数据格式的符号位按位异或，确定第一元素和对应的第二元素的乘法运算的运算结果符号。
在一种实施方式中，其中，第一目标矩阵和第二目标矩阵为深度学习框架中的算子所利用的矩阵。各第一元素和各第二元素为对图像信息、语音信息或文本信息进行特征提取所得到的数据。
本公开实施例的装置的各模块、子模块的具体功能和示例的描述，可以参见上述方法实施例中对应步骤的相关描述，在此不再赘述。
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。
根据本公开的实施例，图8是根据本公开实施例的一分布式集群处理场景的示意图，该分布式集群系统为集群系统的一个示例，示例性的描述了可以利用该分布式集群系统进行模型训练，模型训练的深度学习框架可以通过计算密集型算子执行本公开上述任一实施例的数据格式转换的方法和/或上述任一实施例的矩阵处理的方法。本公开不限于单机或多机上的模型训练，采用分布式的处理可以进一步提高模型训练的精度。如图8所示，在该分布式集群系统800中包括多个节点(如服务器集群801、服务器802、服务器集群803、服务器804、服务器805，服务器805还可以连接电子设备，如手机8051及台式机8052)，多个节点间，以及多个节点与连接的电子设备间可以共同执行一个或多个模型训练任务。可选地，该分布式集群系统中的多个节点可以采用数据并行的模型训练方式，则多个节点可以基于相同的训练方式执行模型训练任务，以更好的训练模型；若该分布式集群系统中的多个节点采用的是模型并行的模型训练方式，则多个节点可以基于不同的训练方式执行模型训练任务，以更好的训练模型。可选地，在每一轮模型训练完成后，多个节点之间都可以进行数据交换(如数据同步)。
根据本公开的实施例，如图9所示，本公开还提供了一种人工智能(AI，ArtificialIntelligence)芯片900，包括：执行本公开上述任一实施例的数据格式转换的方法和/或上述任一实施例的矩阵处理的方法的执行器件。
人工智能芯片900可以为现有技术中的任何AI芯片，在此不做具体限定。包括但不限于GPU(图形处理器，graphics processing unit)、FPGA(现场可编程逻辑门阵列，FieldProgrammable Gate Array)、ASIC(专用集成电路，Application Specific IntegratedCircuit)。
根据本公开实施例，通过本公开上述任一实施例的数据格式转换的方法和/或上述任一实施例的矩阵处理的方法，可以提升人工智能芯片的峰值性能。当人工智能芯片应用于人工智能模型训练和人工智能模型推理计算时，可以大幅缩短人工智能模型训练的时间和推理计算的时间。
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10示出了可以用来实施本公开的实施例的示例电子设备1000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，个人数字助理、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10所示，设备1000包括计算单元1001，其可以根据存储在只读存储器(ROM)1002中的计算机程序或者从存储单元1008加载到随机访问存储器(RAM)1003中的计算机程序，来执行各种适当的动作和处理。在RAM 1003中，还可存储设备1000操作所需的各种程序和数据。计算单元1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
设备1000中的多个部件连接至I/O接口1005，包括：输入单元1006，例如键盘、鼠标等。输出单元1007，例如各种类型的显示器、扬声器等。存储单元1008，例如磁盘、光盘等。以及通信单元1009，例如网卡、调制解调器、无线通信收发机等。通信单元1009允许设备1000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1001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1001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1001执行上文所描述的各个方法和处理，例如，数据格式转换的方法和/或矩阵处理的方法。例如，在一些实施例中，数据格式转换的方法和/或矩阵处理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1008。在一些实施例中，计算机程序的部分或者全部可以经由ROM1002和/或通信单元1009而被载入和/或安装到设备1000上。当计算机程序加载到RAM 1003并由计算单元1001执行时，可以执行上文描述的数据格式转换的方法和/或矩阵处理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1001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格式转换的方法和/或矩阵处理的方法。
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、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)。以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互。例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入、或者触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地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 (30)

1.一种数据格式转换的方法，包括：
根据目标矩阵中的各元素，确定所述目标矩阵的最大值；
根据目标数据格式的指数位的数位宽度和所述目标矩阵的最大值，确定连续的多个数值区间；以及
根据所述各元素与所述多个数值区间的对应关系，以及所述多个数值区间与所述目标数据格式的对应关系，将所述目标矩阵的原数据格式转换为所述目标数据格式。
2.根据权利要求1所述的方法，其中，所述目标数据格式的数位宽度为16bit，包括数位宽度为1bit的符号位、数位宽度为2bit的指数位和数位宽度为13bit的尾数位。
3.根据权利要求1或2所述的方法，其中，所述根据目标矩阵中的各元素，确定所述目标矩阵的最大值，包括：
根据目标矩阵中的各元素的浮点数，确定所述各元素的绝对值数值；
将所述各元素的绝对值数值中最大的数值，确定为所述目标矩阵的最大值。
4.根据权利要求1或2所述的方法，其中，所述根据目标数据格式的指数位的数位宽度和所述目标矩阵的最大值，确定连续的多个数值区间，包括：
以所述目标矩阵的最大值作为最大端点值和以0作为最小端点值，确定数值线段；
根据目标数据格式的指数位的数位宽度，将所述数值线段划分为连续的2N个数值区间；
根据所述目标数据格式的尾数位的数位宽度，利用公式
Figure FDA0003787559940000011
分别确定所述2N个数值区间中的每个数值区间的最小端点值；
其中，N为所述目标数据格式的指数位的数位宽度，maxa为所述每个数值区间的最大端点值，maxb为所述每个数值区间的最小端点值，M为所述目标数据格式的尾数位的数位宽度。
5.根据权利要求1或2所述的方法，其中，所述根据所述各元素与所述多个数值区间的对应关系，以及所述多个数值区间与所述目标数据格式的对应关系，将所述目标矩阵的原数据格式转换为所述目标数据格式，包括：
根据所述各元素的浮点数与所述多个数值区间的对应关系，以及所述多个数值区间与所述目标数据格式的对应关系，确定所述各元素对应的目标数据格式的指数位；
根据所述各元素的浮点数与所述多个数值区间的对应关系，以及所述多个数值区间与所述目标数据格式的对应关系，确定所述各元素对应的目标数据格式的尾数位；
根据所述各元素的浮点数，确定所述各元素对应的目标数据格式的符号位；
根据所述各元素对应的目标数据格式的符号位、指数位、尾数位，将所述目标矩阵的原数据格式转换为所述目标数据格式。
6.根据权利要求5所述的方法，其中，所述根据所述各元素的浮点数与所述多个数值区间的对应关系，以及所述多个数值区间与所述目标数据格式的对应关系，确定所述各元素对应的目标数据格式的指数位，包括：
根据所述各元素的浮点数，确定所述各元素的绝对值数值；
根据所述各元素的绝对值数值，确定所述各元素在所述多个数值区间中对应的数值区间；
根据所述对应的数值区间与所述目标数据格式的指数位的对应关系，确定所述各元素对应的目标数据格式的指数位。
7.根据权利要求5所述的方法，其中，所述根据所述各元素的浮点数与所述多个数值区间的对应关系，以及所述多个数值区间与所述目标数据格式的对应关系，确定所述各元素对应的目标数据格式的尾数位，包括：
根据所述各元素的浮点数，确定所述各元素的绝对值数值；
根据所述各元素的绝对值数值，确定所述各元素在所述多个数值区间中对应的数值区间；
根据所述对应的数值区间的最大端点值、所述目标数据格式的尾数位的数位宽度、以及所述各元素的绝对值数值，利用公式
Figure FDA0003787559940000021
确定所述各元素对应的目标数据格式的尾数位；
其中，F为所述各元素对应的目标数据格式的尾数位的值，V为所述各元素的绝对值数值，k为所述目标数据格式的尾数位的数位宽度，maxc为所述对应的数值区间的最大端点值。
8.根据权利要求1至7任一项所述的方法，其中，所述目标矩阵为深度学习框架中的算子所利用的矩阵；所述目标矩阵中的各元素为对图像信息、语音信息或文本信息进行特征提取所得到的数据。
9.一种矩阵处理的方法，包括：
对第一目标矩阵和第二目标矩阵进行乘法运算，得到第三矩阵；其中，所述第一目标矩阵和所述第二目标矩阵的数据格式均为目标数据格式，所述目标数据格式根据权利要求1至8任一项所述的数据格式转换的方法得到；以及
根据预设的标准数据格式，将所述第三矩阵的数据格式转换为所述预设的标准数据格式。
10.根据权利要求9所述的方法，其中，所述对第一目标矩阵和第二目标矩阵进行乘法运算，得到第三矩阵，包括：
根据第一目标矩阵中的各第一元素对应的目标数据格式，确定所述各第一元素对应的目标数据格式的符号位和尾数位；
根据第二目标矩阵中的各第二元素对应的目标数据格式，确定所述各第二元素对应的目标数据格式的符号位和尾数位；
根据所述各第一元素对应的目标数据格式的符号位和尾数位，以及所述各第二元素对应的目标数据格式的符号位和尾数位，对所述第一目标矩阵和所述第二目标矩阵进行乘法运算，得到第三矩阵。
11.根据权利要求10所述的方法，其中，在所述第一目标矩阵和所述第二目标矩阵进行乘法运算的过程中，所述第一元素和对应的第二元素的乘法运算利用公式c＝F1*F2*S1*S2进行；
其中，F1为所述第一元素对应的目标数据格式的尾数位的值，F2为所述对应的第二元素对应的目标数据格式的尾数位的值，S1为所述第一元素的定浮点转换缩放系数，S2为所述对应的第二元素的定浮点转换缩放系数。
12.根据权利要求11所述的方法，其中，根据对所述第一元素对应的目标数据格式的符号位和所述对应的第二元素对应的目标数据格式的符号位按位异或，确定所述第一元素和所述对应的第二元素的乘法运算的运算结果符号。
13.根据权利要求10至12任一项所述的方法，所述第一目标矩阵和所述第二目标矩阵为深度学习框架中的算子所利用的矩阵；所述各第一元素和所述各第二元素为对图像信息、语音信息或文本信息进行特征提取所得到的数据。
14.一种数据格式转换的装置，包括：
第一确定模块，用于根据目标矩阵中的各元素，确定所述目标矩阵的最大值；
第二确定模块，用于根据目标数据格式的指数位的数位宽度和所述目标矩阵的最大值，确定连续的多个数值区间；以及
第一转换模块，用于根据所述各元素与所述多个数值区间的对应关系，以及所述多个数值区间与所述目标数据格式的对应关系，将所述目标矩阵的原数据格式转换为所述目标数据格式。
15.根据权利要求14所述的装置，其中，所述目标数据格式的数位宽度为16bit，包括数位宽度为1bit的符号位、数位宽度为2bit的指数位和数位宽度为13bit的尾数位。
16.根据权利要求14或15所述的装置，其中，所述第一确定模块用于：
根据目标矩阵中的各元素的浮点数，确定所述各元素的绝对值数值；
将所述各元素的绝对值数值中最大的数值，确定为所述目标矩阵的最大值。
17.根据权利要求14或15所述的装置，其中，所述第二确定模块用于：
以所述目标矩阵的最大值作为最大端点值和以0作为最小端点值，确定数值线段；
根据目标数据格式的指数位的数位宽度，将所述数值线段划分为连续的2N个数值区间；
根据所述目标数据格式的尾数位的数位宽度，利用公式
Figure FDA0003787559940000041
分别确定所述2N个数值区间中的每个数值区间的最小端点值；
其中，N为所述目标数据格式的指数位的数位宽度，maxa为所述每个数值区间的最大端点值，maxb为所述每个数值区间的最小端点值，M为所述目标数据格式的尾数位的数位宽度。
18.根据权利要求14或15所述的装置，其中，所述第一转换模块包括：
第一确定子模块，用于根据所述各元素的浮点数与所述多个数值区间的对应关系，以及所述多个数值区间与所述目标数据格式的对应关系，确定所述各元素对应的目标数据格式的指数位；
第二确定子模块，用于根据所述各元素的浮点数与所述多个数值区间的对应关系，以及所述多个数值区间与所述目标数据格式的对应关系，确定所述各元素对应的目标数据格式的尾数位；
第三确定子模块，用于根据所述各元素的浮点数，确定所述各元素对应的目标数据格式的符号位；
转换子模块，用于根据所述各元素对应的目标数据格式的符号位、指数位、尾数位，将所述目标矩阵的原数据格式转换为所述目标数据格式。
19.根据权利要求18所述的装置，其中，所述第一确定子模块用于：
根据所述各元素的浮点数，确定所述各元素的绝对值数值；
根据所述各元素的绝对值数值，确定所述各元素在所述多个数值区间中对应的数值区间；
根据所述对应的数值区间与所述目标数据格式的指数位的对应关系，确定所述各元素对应的目标数据格式的指数位。
20.根据权利要求18所述的装置，其中，所述第二确定子模块用于：
根据所述各元素的浮点数，确定所述各元素的绝对值数值；
根据所述各元素的绝对值数值，确定所述各元素在所述多个数值区间中对应的数值区间；
根据所述对应的数值区间的最大端点值、所述目标数据格式的尾数位的数位宽度、以及所述各元素的绝对值数值，利用公式
Figure FDA0003787559940000051
确定所述各元素对应的目标数据格式的尾数位；
其中，F为所述各元素对应的目标数据格式的尾数位的值，V为所述各元素的绝对值数值，k为所述目标数据格式的尾数位的数位宽度，maxc为所述对应的数值区间的最大端点值。
21.根据权利要求14至20任一项所述的装置，其中，所述目标矩阵为深度学习框架中的算子所利用的矩阵；所述目标矩阵中的各元素为对图像信息、语音信息或文本信息进行特征提取所得到的数据。
22.一种矩阵处理的装置，包括：
运算模块，用于对第一目标矩阵和第二目标矩阵进行乘法运算，得到第三矩阵；其中，所述第一目标矩阵和所述第二目标矩阵的数据格式均为目标数据格式，所述目标数据格式根据权利要求1至8任一项所述的数据格式转换的方法得到；以及
第二转换模块，用于根据预设的标准数据格式，将所述第三矩阵的数据格式转换为所述预设的标准数据格式。
23.根据权利要求22所述的装置，其中，所述运算模块用于：
根据第一目标矩阵中的各第一元素对应的目标数据格式，确定所述各第一元素对应的目标数据格式的符号位和尾数位；
根据第二目标矩阵中的各第二元素对应的目标数据格式，确定所述各第二元素对应的目标数据格式的符号位和尾数位；
根据所述各第一元素对应的目标数据格式的符号位和尾数位，以及所述各第二元素对应的目标数据格式的符号位和尾数位，对所述第一目标矩阵和所述第二目标矩阵进行乘法运算，得到第三矩阵。
24.根据权利要求23所述的装置，其中，在所述第一目标矩阵和所述第二目标矩阵进行乘法运算的过程中，所述第一元素和对应的第二元素的乘法运算利用公式c＝F1*F2*S1*S2进行；
其中，F1为所述第一元素对应的目标数据格式的尾数位的值，F2为所述对应的第二元素对应的目标数据格式的尾数位的值，S1为所述第一元素的定浮点转换缩放系数，S2为所述对应的第二元素的定浮点转换缩放系数。
25.根据权利要求23所述的装置，其中，根据对所述第一元素对应的目标数据格式的符号位和所述对应的第二元素对应的目标数据格式的符号位按位异或，确定所述第一元素和所述对应的第二元素的乘法运算的运算结果符号。
26.根据权利要求23至25任一项所述的装置，其中，所述第一目标矩阵和所述第二目标矩阵为深度学习框架中的算子所利用的矩阵；所述各第一元素和所述各第二元素为对图像信息、语音信息或文本信息进行特征提取所得到的数据。
27.一种电子设备，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13中任一项所述的方法。
28.一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13中任一项所述的方法。
29.一种计算机程序产品，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13中任一项所述的方法。
30.一种人工智能芯片，包括：执行权利要求1至13中任一项所述的方法的执行器件。
CN202210946170.3A 2022-08-08 2022-08-08 数据格式转换的方法、装置及矩阵处理的方法、装置 Pending CN115237992A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210946170.3A CN115237992A (zh) 2022-08-08 2022-08-08 数据格式转换的方法、装置及矩阵处理的方法、装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210946170.3A CN115237992A (zh) 2022-08-08 2022-08-08 数据格式转换的方法、装置及矩阵处理的方法、装置

Publications (1)

Publication Number Publication Date
CN115237992A true CN115237992A (zh) 2022-10-25

Family

ID=83678989

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210946170.3A Pending CN115237992A (zh) 2022-08-08 2022-08-08 数据格式转换的方法、装置及矩阵处理的方法、装置

Country Status (1)

Country Link
CN (1) CN115237992A (zh)

Similar Documents

Publication Publication Date Title
CN112506935B (zh) 数据处理方法、装置、电子设备、存储介质及程序产品
CN112785493B (zh) 模型的训练方法、风格迁移方法、装置、设备及存储介质
CN102799411B (zh) 浮点数累加电路及其实现方法
WO2023029464A1 (zh) 数据处理装置、方法、芯片、计算机设备及存储介质
CN112818387B (zh) 模型参数调整的方法、设备、存储介质及程序产品
EP4191478A1 (en) Method and apparatus for compressing neural network model
US20210044303A1 (en) Neural network acceleration device and method
WO2022057502A1 (zh) 点积运算实现方法、装置、电子设备及存储介质
CN114092708A (zh) 特征图像的处理方法、装置和存储介质
JP2023103419A (ja) 演算方法、装置、チップ、電子機器及び記憶媒体
CN112558918B (zh) 用于神经网络的乘加运算方法和装置
CN115237992A (zh) 数据格式转换的方法、装置及矩阵处理的方法、装置
CN111310909A (zh) 一种浮点数转换电路
CN115237372A (zh) 一种乘法电路、机器学习运算电路、芯片及数据处理方法
CN115237991A (zh) 数据格式转换的方法、装置及矩阵处理的方法、装置
CN112036561B (zh) 数据处理方法、装置、电子设备及存储介质
CN116129249B (zh) 一种图像处理方法、装置、电子设备和存储介质
CN115951860A (zh) 数据处理装置、数据处理方法和电子设备
CN114663276B (zh) 地图数据的压缩方法、装置、设备及存储介质
CN115965048A (zh) 数据处理装置、数据处理方法和电子设备
CN115860077B (zh) 状态数据的处理方法、装置、设备以及存储介质
CN113762510B (zh) 针对目标模型的数据处理方法、装置、电子设备和介质
CN110288087B (zh) 一种实现tanh函数计算的方法、电路、芯片及系统
CN117474060A (zh) 数据处理装置、方法、电子设备和存储介质
CN117973470A (zh) 数据处理装置、方法、芯片、设备和存储介质

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