CN115762515A - 用于语音识别的神经网络的处理和应用方法、装置及设备 - Google Patents

Abstract

本公开提供了一种用于语音识别的神经网络的处理和应用方法、装置及设备，涉及人工智能领域，尤其涉及深度学习和神经网络领域。实现方案为：确定神经网络中待执行的至少一个算子的算子序列，至少一个算子被执行以实现语音识别；基于算子序列，模拟至少一个算子的执行以进行所述语音识别；确定至少一个算子被执行时所调用的多个函数；以及生成多个函数的函数序列，其中，函数序列包括多个函数中每个函数的函数名称和执行顺序，并且函数序列被配置用于经由神经网络进行语音识别的推理计算。

Description

用于语音识别的神经网络的处理和应用方法、装置及设备

技术领域

本公开涉及人工智能技术领域，尤其涉及深度学习和神经网络领域，具体涉及一种神经网络处理和应用的方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

背景技术

人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。

当前基于深度学习的语音识别、自然语言处理、广告推荐等技术在日常生活中应用越来越广，为了不断提升模型精度，模型的复杂度和参数量都在持续增加，当前最大的中文模型参数量达到了几千亿的规模。移动端芯片的计算性能虽然不断提升，却依然无法满足人工智能的发展需求，硬件发展与推理计算需求的差距仍在不断增大。为了更好地普及人工智能技术，降低人工智能的落地成本，如何在尽可能保证模型精度的同时，加速推理计算，降低软件体积是人工智能技术落地长期面临的问题。

在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。

发明内容

本公开提供了一种用于语音识别的神经网络的处理和应用方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

根据本公开的一方面，提供了一种用于语音识别的神经网络的处理方法，包括：确定用于语音识别的神经网络中待执行的至少一个算子的算子序列，至少一个算子被执行以实现语音识别；基于算子序列，模拟至少一个算子的执行以进行语音识别；确定至少一个算子被执行时所调用的多个函数；以及生成多个函数的函数序列，其中，函数序列包括多个函数中每个函数的函数名称和执行顺序，并且函数序列被配置用于经由神经网络进行语音识别的推理计算。

根据本公开的另一方面，提供了一种用于语音识别的神经网络的应用方法，包括：获取本公开如上所提供的方法生成的用于语音识别的神经网络的函数序列；以及依次执行函数序列中的每个函数，以用于经由神经网络进行语音识别的推理计算。

根据本公开的另一方面，提供了一种用于语音识别的神经网络的处理装置，包括：算子序列确定模块，被配置为确定用于语音识别的神经网络中待执行的至少一个算子的算子序列，至少一个算子被执行以实现语音识别；算子模拟执行模块，被配置为基于算子序列，模拟至少一个算子的执行以进行语音识别；调用函数确定模块，被配置为确定至少一个算子被执行时所调用的多个函数；以及函数序列生成模块，被配置为生成多个函数的函数序列，其中，函数序列包括多个函数中每个函数的函数名称和执行顺序，并且函数序列被配置用于经由神经网络进行语音识别的推理计算。

根据本公开的另一方面，提供了一种用于语音识别的神经网络的应用装置，包括：函数序列获取模块，被配置为获取本公开如上所提供的装置生成的用于语音识别的神经网络的函数序列；以及函数执行模块，被配置为依次执行函数序列中的每个函数，以用于经由神经网络进行语音识别的推理计算。

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；以及与至少一个处理器通信连接的存储器；其中存储器存储有能够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本公开如上所提供的方法。

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，计算机指令用于使计算机执行本公开如上所提供的方法。

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，其中，计算机程序在被处理器执行时实现本公开如上所提供的方法。

根据本公开的一个或多个实施例，可以在尽可能保证模型精度的同时，加速推理计算，降低软件体积。

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

附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。

图1示出了根据本公开实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图；

图2示出了根据本公开实施例的神经网络处理方法的流程图；

图3示出了根据本公开实施例的根据模拟执行算子的过程生成函数序列的示意图；

图4示出了根据本公开实施例的函数序列中的多个函数的示意图；

图5示出了根据本公开实施例的神经网络处理方法的示意图；

图6示出了根据本公开实施例的神经网络应用方法的流程图；

图7示出了根据本公开实施例的神经网络处理装置的结构框图；

图8示出了根据本公开另一实施例的神经网络处理装置的结构框图；

图9示出了根据本公开实施例的神经网络应用装置的结构框图；

图10示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。

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。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。

在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个要素与另一要素区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。

在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。

在相关技术中，用于语音识别的神经网络处理一般通过低比特量化方法来精简软件体积。通常来说，深度神经网络对计算精度有较好的鲁棒性，因此，可以将单精度浮点模型压缩为8比特定点格式甚至更低的定点格式，例如是1比特、2比特，这样的方法即上述低比特量化方法。在特定场景下，在模型推理的计算中采用低比特定点矩阵乘法代替浮点计算，可以获得几乎无损的模型精度。

然而，这种方法的实施中，由于当前处理器对低比特计算的支持较弱，所以低于8比特的量化模型虽然拥有较高的模型精度，但实际上难以获得实际的速度提升。

针对上述技术问题，根据本公开的一个方面，提供了一种用于语音识别的神经网络的处理方法。

下面将结合附图详细描述本公开的实施例。

图1示出了根据本公开实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1，该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。

在本公开的实施例中，服务器120可以运行使得能够执行用于语音识别的神经网络的处理方法的一个或多个服务或软件应用。

在某些实施例中，服务器120还可以提供其他服务或软件应用，这些服务或软件应用可以包括非虚拟环境和虚拟环境。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。

在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的系统配置是可能的，其可以与系统100不同。因此，图1是用于实施本文所描述的各种方法的系统的一个示例，并且不旨在进行限制。

用户可以使用客户端设备101、102、103、104、105和/或106来进行神经网络的应用。例如，客户端设备101、102、103、104、105和/或106上可以部署有神经网络推理引擎，诸如安装有神经网络推理引擎的软件包。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备，但是本领域技术人员将能够理解，本公开可以支持任何数量的客户端设备。

客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备，例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统，例如MICROSOFT Windows、APPLE iOS、类UNIX操作系统、Linux或类Linux操作系统(例如GOOGLE Chrome OS)；或包括各种移动操作系统，例如MICROSOFT WindowsMobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器(诸如智能眼镜)和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序，例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序，并且可以使用各种通信协议。

网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例，一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、区块链网络、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。

服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机，或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。

服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。

在一些实施方式中，服务器120可以包括一个或多个应用程序，例如，基于图像、视频、语音、文本、数字信号等数据的目标检测与识别、信号转换等服务的应用程序，以处理从客户端设备101、102、103、104、105和/或106接收的语音交互、文本分类、图像识别或关键点检测等任务请求。

在一些实施方式中，服务器120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。服务器120也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(VPS，Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。

系统100还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据库130可以驻留在各种位置。例如，由服务器120使用的数据库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库130可以是不同的类型。在某些实施例中，由服务器120使用的数据库例如可以是关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。

在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。

图1的系统100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。以下详细描述根据本公开实施例的用于语音识别的神经网络的处理方法。

图2示出了根据本公开实施例的神经网络处理方法200的流程图。如图2所示，方法200包括步骤S201、S202、S203和S204。

在步骤S201，确定用于语音识别的神经网络中待执行的至少一个算子的算子序列，该至少一个算子被执行以实现语音识别。

在示例中，可以将用于语音识别的神经网络用算子图表示，然后基于深度优先的方式从该算子图确定算子序列。算子序列可以表示算子的执行顺序，还可以表示各算子之间的输入输出关系。

在示例中，用于语音识别的神经网络或者神经网络中待执行的算子可以有多个输入参数和多个输出参数，这些输入参数和输出参数可以表示用于描述语音信息的特征向量。

在步骤S202，基于算子序列，模拟至少一个算子的执行以进行语音识别。

在示例中，模拟至少一个算子的执行的过程可以是按照算子序列中表示的算子的执行顺序来依次执行各算子以进行语音识别。在依次执行各算子的过程中，由于算子可以由一个或多个函数组成，因此可以调用算子中的至少一个函数。所调用的函数可以例如是存储函数或计算函数。存储函数可以为算子的执行申请输出张量和临时张量，也即申请相应的存储空间。计算函数可以引用输入张量并在计算之后生成输出张量。

在示例中，可以输入虚拟输入参数以模拟至少一个算子的执行，该虚拟输入参数可以表示虚拟的用于描述语音信息的特征向量。虚拟输入参数可以随机生成，也可以通过预先设定，例如可以出于简便而预先设定所有参数值等于0。该参数值也可以设置为其他特定的值以用于描述特定的语音信息。

在步骤S203，确定至少一个算子被执行时所调用的多个函数。

在示例中，一个算子被执行时可以至少调用一次存储函数以申请输出张量，调用至少一次计算函数以将输入张量通过推理计算而转换为输出张量，还可以再次调用存储函数以释放输出张量。

在步骤S204，生成多个函数的函数序列，函数序列包括多个函数中每个函数的函数名称和执行顺序，并且函数序列被配置用于经由神经网络进行语音识别的推理计算。

在示例中，可以将每个函数打包生成独立的函数文件，用于编译并链接成用于神经网络的推理计算的静态库文件。

根据本公开实施例的用于语音识别的神经网络的处理方法，通过基于确定的算子序列模拟算子的执行，将执行过程中实际调用的函数组合为用于神经网络的推理计算的函数序列，能够提取出算子执行过程中必要的函数，对算子进行精简，由此可以便利于减小包括神经网络的推理引擎的软件包的体积，继而便利于降低推理引擎在运行时的开销。

在此基础上，当用户需要通过客户端或移动端上部署的包括用于语音识别的神经网络的推理引擎进行推理计算时，客户端或移动端可以直接读取函数序列，并根据用户的实际输入依次执行函数序列中的各函数，来实现用于语音识别的神经网络的推理计算过程。这样的处理方式能够省去每次在进行推理计算时构建神经网络的算子图的过程，节省了对客户端或移动端内存的占用，从而有效降低了推理引擎运行时的开销和引擎的冷启动时间，提高了推理计算效率。

图3示出了根据本公开实施例的根据模拟执行算子的过程生成函数序列330的示意图。该过程可以例如对应于图2所述的步骤S203和S204。

如图3所示，用于语音识别的神经网络300中可以包括算子310和算子320。神经网络300可以通过执行算子310和算子320，将与语音信息相关的输入张量301转换为与语音信息相关的输出张量303，以进行语音识别。算子310中可以包括函数311、函数312、函数313和函数314，算子320中可以包括函数321、函数322、函数323和函数324。在算子310中，函数311可以例如是算子310的存储函数，用于申请算子310的输出张量302；函数314可以例如是计算函数，用于基于输入张量301生成算子310的输出张量302。算子310的输出张量302同时也是算子320的输入张量。在算子320中，函数321可以例如是用于申请算子320的输出张量303的存储函数；函数323可以例如是计算函数，用于基于算子310的输出张量302生成算子320的输出张量303。

神经网络300的算子序列可以确定为：先执行算子310，再执行算子320。因此，可以通过执行算子310将神经网络300的输入张量301转换为一个中间的输出张量302，接着通过执行算子320将该中间的输出张量302转换为神经网络300的输出张量303。

在示例中，可以基于确定的这个算子序列，模拟算子310和算子320的执行以进行语音识别的模拟。模拟执行算子310和算子320时，可以将输入张量301中的各参数设置为虚拟的输入参数，例如可以全部设置为0。该参数值也可以设置为其他特定的值以用于描述特定的语音信息。

在示例中，在执行算子310时，实际调用了函数311和函数314，而函数312和函数313并未被调用。在执行算子320时，实际调用了函数321、和函数323，而函数322和函数324并未被调用。

在示例中，可以基于确定的算子310和算子320被执行时所调用的多个函数，即函数311、函数314、函数321和函数323，生成函数序列330。函数序列330可以表示上述五个函数的函数名称和执行顺序，在经由神经网络300进行语音识别的后续推理计算中，通过执行函数序列330中的各函数，能够将输入张量331转换为输出张量332。

可以理解，图3示出的是一种用于语音识别的神经网络300的处理方法，也可以对不同于图3所示的具有其他算子结构的用于语音识别的神经网络模型执行本公开实施例的用于语音识别的神经网络的处理方法。

以下进一步描述根据本公开实施例的用于语音识别的神经网络的处理方法的各个方面。

根据一些实施例，多个函数可以包括存储函数和计算函数，存储函数可以包括用于在计算函数的调用前申请张量的第一存储函数，以及用于在计算函数的调用后释放张量的第二存储函数。

在示例中，第一存储函数可以用于申请算子的输出张量，也可以用于申请算子的临时张量，因此也可以称为存储申请函数。第二存储函数可以用于释放算子的输出张量也可以用于释放算子的临时张量，因此也可以称为存储释放函数。

在示例中，计算函数可以有至少一个输入张量和一个输出张量，输入张量和输出张量中的参数的值可以表示用于描述语音信息的特征向量。计算函数的输入张量可以是算子的输入张量，也可以是算子中由另一计算函数所产生的作为临时张量的输出张量。计算函数的输出张量可以是算子的输出张量，也可以是算子中被另一计算函数引用的作为临时张量的输入张量。临时张量可以通过存储函数来申请和/或释放。

根据本公开实施例，通过在函数序列中设置用于申请张量的第一存储函数和释放张量的第二存储函数，能够使得函数序列在执行的过程中，在调用计算函数前及时获取调用计算函数所需要的张量，并且在计算函数执行完成后及时释放在调用计算函数前申请的张量，从而能够减少张量在函数序列的执行过程对内存的不必要的占用，从而有效提升了推理计算的效率，降低了运行时的开销。

图4示出了根据本公开实施例的函数序列400中的多个函数的示意图。

根据一些实施例，函数序列400中的多个函数可以包括第一存储函数421、计算函数422和第二存储函数431的至少一个循环。

在示例中，算子410可以有输出张量401，输出张量401同时也是算子420的输入张量，输出张量401中的参数的值可以表示用于描述语音信息的特征向量。

在示例中，算子420的执行过程可以是：调用第一存储函数421以申请算子420的输出张量402，输出张量402中的参数的值可以表示用于描述语音信息的特征向量；调用计算函数422以通过计算将算子420的输入张量，也即算子410的输出张量401，转换为算子420的输出张量402。由于在执行算子420时，实际调用了第一存储函数421和计算函数422，可以将第一存储函数421和计算函数422按其在算子420中的执行顺序放入函数序列400中。

在示例中，在函数序列400中的计算函数422之后，可以分配一个第二存储函数431，用于释放算子410的输出张量401。在计算函数422之后分配第二存储函数431可以是响应于算子410的输出张量401被输入至算子420是其最后一次被引用。

根据本公开实施例的函数循环过程，通过在函数序列中设置包括第一存储函数、计算函数和第二存储函数的循环，能够使得函数序列在执行的过程中，在调用计算函数前获取调用计算函数所需要的张量，并且在计算函数执行完成后释放在调用计算函数前申请的张量，于是能够使得调用计算函数所需要的张量在函数序列的执行过程中获得及时的申请和释放，从而降低了对内存的占用，提高了推理计算的效率。

根据一些实施例，张量可以包括每个算子的输出张量，确定至少一个算子被执行时所调用的多个函数可以包括：确定每个算子的输出张量是否会被算子之后的下一个算子引用；以及响应于确定每个算子的输出张量不会被算子之后的下一个算子引用，在算子被执行时所调用的计算函数之后，分配用于释放输出张量的第二存储函数。

图5示出了根据本公开实施例的神经网络处理方法的示意图。图5中示出的神经网络500中可以包括算子510、算子520和算子530。

在示例中，算子510可以包括函数511和函数512。函数511可以是第一存储函数，用于申请算子510的输出张量501，输出张量501中的参数的值可以表示用于描述语音信息的特征向量；函数512可以是计算函数，用于通过计算将输入张量转换为算子510的输出张量501。算子520可以包括函数521和函数522。函数521可以是第一存储函数，用于申请算子520的输出张量502，输出张量502中的参数的值可以表示用于描述语音信息的特征向量；函数522可以是计算函数，用于通过计算将算子510的输出张量501转换为算子520的输出张量502。算子530可以包括函数531、函数532、函数533、函数534和函数535。函数531和函数533可以是第一存储函数，分别用于申请算子530的临时张量503和输出张量504，输出张量504中的参数的值可以表示用于描述语音信息的特征向量；函数532和函数534可以是计算函数，分别用于通过计算将算子520的输出张量502转换为算子530的临时张量503和通过计算将临时张量503转换为算子530的输出张量504；函数535可以是第二存储函数，用于释放算子530的临时张量503。

在示例中，通过执行算子510，可以输出一个输出张量501，而输出张量501同时也是算子520的输入张量，即，算子510的输出张量501被算子520引用。通过执行算子520，可以输出一个输出张量502，而输出张量502同时也是算子530的输入张量，即，算子520的输出张量502被算子530引用，但算子510的输出张量501不会被算子530引用。于是在函数序列540中，可以在算子520被执行时所调用的函数522之后，分配一个用于释放输出张量501的第二存储函数541。

在示例中，基于同样的原因，可以在函数535之后分配一个第二存储函数542以释放输出张量502。具体来说，通过执行算子530，可以输出一个输出张量504，而输出张量504同时也是神经网络500的输出张量，即，算子520的输出张量502不会再被任何算子引用。于是在函数序列540中，可以在算子530被执行时所调用的函数535之后，也分配一个用于释放输出张量502的第二存储函数542。

根据本公开实施例的分配用于释放输出张量的第二存储函数的过程，通过在确定算子的输出张量不会被之后的算子引用，且执行完算子的计算函数之后，释放输出张量，一方面能够及时地释放不会再被引用的输出张量，节省了内存空间，另一方面确保了输出张量不会在后续使用前被释放和清除，避免了在推理计算过程中执行出错。

根据一些实施例，张量还可以包括每个算子的临时张量，确定至少一个算子被执行时所调用的多个函数还可以包括：在每个算子被执行时所调用的计算函数之后，分配用于释放临时张量的第二存储函数。

继续参见图5，在示例中，通过调用计算函数532，可以输出一个算子530的临时张量503，以被计算函数534引用。通过调用计算函数534，可以输出算子530的输出张量504。在执行完计算函数534并输出算子530的输出张量504后，临时张量503不会再被引用，于是可以在算子530被执行时所调用的函数534之后，分配一个用于释放临时张量503的第二存储函数535。

可以理解，用于释放临时张量503的第二存储函数535可以如图5所示包括在算子530中，所以在函数序列540中则可以直接将函数535按其在算子530中的执行顺序配置在函数534之后。神经网络中的算子也可以不包括用于释放该算子的临时张量的第二存储函数，那么可以在生成函数序列的过程中，在该算子被执行时所调用的计算函数之后，分配一个用于该算子的释放临时张量的第二存储函数。

根据本公开实施例的分配用于释放临时张量的第二存储函数的过程，通过在执行完算子的计算函数之后，释放临时张量，能够及时地释放仅用于该次计算函数调用的、后续不会再使用到的临时张量，节省了内存空间，有利于提高推理计算和效率。

根据一些实施例，确定神经网络中待执行的至少一个算子的算子序列可以包括：将神经网络以算子图来表示；以及基于算子图，按照深度优先方式确定算子序列。

在示例中，算子图可以包含关于用于语音识别的神经网络中待执行的算子之间的输入输出关系的信息。根据算子图可以确定每个算子的输出张量会被哪个或哪些算子引用，从而可以判断在特定的算子执行顺序下，该算子的输出张量是否会被算子之后的其他算子引用。

在示例中，深度优先的方式可以是指，根据算子图，将输出张量会被其他算子引用的算子置于需要引用该算子的输出张量的算子之前，以及将需要引用其他算子的输出张量的算子置于输出该输出张量的算子之后，由此形成具有特定的算子执行顺序的算子序列。

例如可以参见图5，在神经网络500中，算子510的输出张量501会被算子520引用，于是在算子序列中算子510可以置于算子520之前；算子530需要引用算子520的输出张量502，于是在算子序列中算子530可以置于算子520之后。由此可以得到一个神经网络500中待执行的算子的算子序列为：先执行算子510，再执行算子520，最后执行算子530。

根据本公开实施例的确定算子序列的过程，通过基于算子图，按照深度优先方式确定算子序列，能够根据算子之间输入输出的关系，自动地合理规划算子的执行顺序，得到算子的最优执行轨迹，从而能够基于这样的算子序列得到函数的最优执行顺序，提高推理计算的效率。

根据一些实施例，基于算子序列，模拟至少一个算子的执行可以包括：将虚拟输入参数输入至算子序列中的第一个算子；以及自第一个算子起，按照算子序列依次执行至少一个算子。

在示例中，虚拟输入参数可以随机生成，也可以通过预先设定，例如可以预先设定所有参数值等于0。该参数值也可以设置为其他特定的值以用于描述特定的语音信息。

根据本公开实施例的算子模拟执行的过程，通过给算子赋予虚拟输入参数来进行算子的模拟执行，能够以最小的计算量执行算子模拟执行的过程，避免神经网络处理过程中不必要的开销，降低了神经网络处理的成本。

根据一些实施例，用于语音识别的神经网络的处理方法还可以包括：将函数序列的多个函数中的每个函数生成为独立的文件。

在示例中，用于语音识别的神经网络中的算子可以包含多个函数，其中的每一个函数可以生成其独立的函数文件。通过本公开实施例的用于语音识别的神经网络的处理方法针对特定的用于语音识别的神经网络生成神经网络的函数序列后，可以基于生成的神经网络的函数序列，将该函数序列中的每一个函数所在的函数文件按该函数序列所表示的顺序进行编译，并链接成静态库文件，用于经由神经网络应用过程进行语音识别的推理计算。

根据本公开实施例的用于语音识别的神经网络的处理方法，通过将函数序列的多个函数中的每个函数生成为独立的文件，后续针对特定的推理计算模型便可以通过仅将该推理计算模型必需的函数文件进行编译并链接为静态库文件，就能够用于神经网络的推理计算，从而降低了神经网络处理所生成的软件包体积大小。

根据本公开的另一方面，还提供一种用于语音识别的神经网络的应用方法。

图6示出了根据本公开实施例的神经网络应用方法600的流程图。如图6所示，方法600包括步骤S601和S602。用于语音识别的神经网络的应用方法600可以由用户在客户端或移动端上执行，客户端或移动端上可以部署有包括用于语音识别的神经网络的推理引擎。

在步骤S601，获取根据上述实施例中的用于语音识别的神经网络的处理方法生成的用于语音识别的神经网络的函数序列。

在一些实施例中，用于语音识别的神经网络中的算子中的每一个函数也可以生成其独立函数文件。可以基于生成的神经网络的函数序列，将该函数序列中的每一个函数所在的函数文件按该函数序列所表示的顺序进行编译，并链接成静态库文件，用于经由神经网络应用过程进行语音识别的推理计算。

在示例中，函数序列中的多个函数可以包括存储函数和计算函数，存储函数可以包括用于在计算函数的调用前申请张量的第一存储函数，以及用于在计算函数的调用后释放张量的第二存储函数。可以在确定每个算子的输出张量不会被算子之后的下一个算子引用时，在函数系列中分配一个用于释放输出张量的第二存储函数在算子被执行时所调用的计算函数之后。

在一些实施例中，函数序列中的多个函数可以包括第一存储函数、计算函数和第二存储函数的至少一个循环，以在函数序列执行过程中释放输入张量和输出张量以外的不会再被引用的张量。

在步骤S602，依次执行函数序列中的每个函数，以用于神经网络的推理计算。

在示例中，由于已经获取了神经网络的函数序列，因此在神经网络的推理计算中可以不必构建算子图。函数序列信息可以包括在一个静态库文件中，该静态库文件可以是基于神经网络的函数序列，将该函数序列中的每一个函数所在的函数文件按该函数序列所表示的顺序进行编译并链接生成的。

在示例中，可以基于用户实际输入的输入张量，根据函数序列依次调用函数序列中的每个函数，以输出神经网络的推理计算结果。用户实际输入的输入张量可以是表示语音信息的特征向量，输出的神经网络的推理计算结果也可以是表示语音信息的特征向量。

根据本公开实施例的用于语音识别的神经网络的应用方法，通过根据上述实施例中的用于语音识别的神经网络的处理方法生成神经网络的函数序列，提取出算子执行过程中必要的函数，对算子进行了精简。于是，在本公开实施例的用于语音识别的神经网络的应用方法中，当用户需要通过客户端或移动端上部署的包括用于语音识别的神经网络的推理引擎进行推理计算时，客户端或移动端可以直接读取函数序列，并根据用户的实际输入依次执行函数序列中的各函数，来实现用于语音识别的神经网络的推理计算过程。这样的处理方式能够省去每次在进行推理计算时构建神经网络的算子图的过程，节省了对客户端或移动端内存的占用，从而有效降低了推理引擎运行时的开销和引擎的冷启动时间，提高了推理计算效率。

根据一些实施例，依次执行函数序列中的每个函数可以包括：响应于函数为第一存储函数，申请用于计算函数的张量并记录张量的指针；响应于函数为第二存储函数，释放张量并撤销张量的指针；以及响应于函数为计算函数，获取用于计算函数的张量并将张量输入至计算函数。

在示例中，神经网络应用需要在移动端或客户端中申请用于计算函数的张量，该张量在不同的移动端或客户端中可以存储在不同的位置，即，有不同的指针；该张量在同一移动端或客户端中的多次执行推理计算过程中也可以有不同的指针。于是本公开实施例的用于语音识别的神经网络的应用方法可以根据执行的载体的内存的具体情况，灵活地分配用于计算函数的张量的指针，并且在执行完成后释放张量并撤销张量的指针，以将执行过程中占用的内存清空。

在一些实施例中，在移动端或客户端中实施本公开实施例的用于语音识别的神经网络的应用方法时，所利用的函数序列中可以包括函数序列中至少两个函数之间的参数输入输出关系，该输入输出关系例如可以用一段代码来表示：

A＝func1；

B＝func2(A,const int,…)；//func2->func1

在这段代码中，函数func2的输入张量是函数func1的输出张量，同时，函数func2的输入参数还可以包括记录在函数信息中的若干标量参数。在运行时函数func1返回在移动端或客户端中实际的张量A的指针传入到函数func2中，以使函数func2获取用于计算函数的张量A。

在示例中，用于计算函数的张量可以是在执行本公开实施例的用于语音识别的神经网络的应用方法前输入的，也可以是调取移动端或客户端中存储的张量，还可以是在执行本公开实施例的用于语音识别的神经网络的应用方法过程中产生的临时张量。该张量可以在被最后一次引用之后通过第二存储函数进行释放。该张量中的参数的值可以表示用于描述语音信息的特征向量。

根据本公开实施例的函数执行过程，通过申请、记录和释放张量的指针，以及获取张量和将张量输入至计算函数的操作，能够使本公开实施例的用于语音识别的神经网络的应用方法适应不同的客户端或移动端以及不同的用于语音识别的神经网络模型。

根据一些实施例，本公开的实施例的用于语音识别的神经网络的处理方法可以是在服务器端上离线执行的，本公开的实施例的用于语音识别的神经网络的应用方法可以是在移动端或客户端上执行的。

根据本公开的另一方面，还提供一种用于语音识别的神经网络处理装置。

图7示出了根据本公开的实施例的神经网络处理装置700的结构框图。

如图7所示，用于语音识别的神经网络处理装置700，包括：算子序列确定模块710，被配置为确定用于语音识别的神经网络中待执行的至少一个算子的算子序列，至少一个算子被执行以实现语音识别；算子模拟执行模块720，被配置为基于算子序列，模拟至少一个算子的执行以进行语音识别；调用函数确定模块730，被配置为确定至少一个算子被执行时所调用的多个函数；以及函数序列生成模块740，被配置为生成多个函数的函数序列，其中，函数序列包括多个函数中每个函数的函数名称和执行顺序，并且函数序列被配置用于经由神经网络进行语音识别的推理计算。

由于神经网络处理装置700中的算子序列确定模块710、算子模拟执行模块720、调用函数确定模块730和函数序列生成模块740可以分别对应于如图2所述的步骤S201至S204，因此这里不再赘述其各个方面的细节。

另外，用于语音识别的神经网络处理装置700及其所包括的模块还可以包括进一步的子模块，这将在以下结合图8进行详细说明。

根据本公开的实施例，通过基于确定的算子序列模拟算子的执行，将执行过程中实际调用的函数组合为用于神经网络的推理计算的函数序列，能够提取出算子执行过程中必要的函数，对算子进行精简，由此可以便利于减小包括神经网络的推理引擎的软件包的体积，继而便利于降低推理引擎在运行时的开销。

在此基础上，当用户需要通过客户端或移动端上部署的包括用于语音识别的神经网络的推理引擎进行推理计算时，客户端或移动端可以直接读取函数序列，并根据用户的实际输入依次执行函数序列中的各函数，来实现用于语音识别的神经网络的推理计算过程。这样的处理方式能够省去每次在进行推理计算时构建神经网络的算子图的过程，节省了对客户端或移动端内存的占用，从而有效降低了推理引擎运行时的开销和引擎的冷启动时间，提高了推理计算效率。

图8示出了根据本公开另一实施例的神经网络处理装置800的结构框图。

如图8所示，用于语音识别的神经网络处理装置800可以包括算子序列确定模块810、算子模拟执行模块820、调用函数确定模块830和函数序列生成模块840。算子序列确定模块810、算子模拟执行模块820、调用函数确定模块830和函数序列生成模块840可以与如图7所示的算子序列确定模块710、算子模拟执行模块720、调用函数确定模块730和函数序列生成模块740相对应，因而在此不再赘述其细节。

在示例中，多个函数可以包括存储函数和计算函数，存储函数可以包括用于在计算函数的调用前申请张量的第一存储函数，以及用于在计算函数的调用后释放张量的第二存储函数。

由此，通过在函数序列中设置用于申请张量的第一存储函数和释放张量的第二存储函数，能够使得函数序列在执行的过程中，在调用计算函数前及时获取调用计算函数所需要的张量，并且在计算函数执行完成后及时释放在调用计算函数前申请的张量，从而能够减少张量在函数序列的执行过程对内存的不必要的占用，从而有效提升了推理计算的效率，降低了运行时的开销。

在示例中，多个函数可以包括第一存储函数、计算函数和第二存储函数的至少一个循环。

由此，通过在函数序列中设置包括第一存储函数、计算函数和第二存储函数的循环，能够使得函数序列在执行的过程中，在调用计算函数前获取调用计算函数所需要的张量，并且在计算函数执行完成后释放在调用计算函数前申请的张量，于是能够使得调用计算函数所需要的张量在函数序列的执行过程中获得及时的申请和释放，从而降低了对内存的占用，提高了推理计算的效率。

在示例中，张量可以包括每个算子的输出张量，调用函数确定模块830可以包括：引用张量确定模块831，被配置为确定每个算子的输出张量是否会被算子之后的下一个算子引用；以及输出张量释放模块832，被配置为响应于确定每个算子的输出张量不会被算子之后的下一个算子引用，在算子被执行时所调用的计算函数之后，分配用于释放输出张量的第二存储函数。

由此，通过在确定算子的输出张量不会被之后的算子引用，且执行完算子的计算函数之后，释放输出张量，一方面能够及时地释放不会再被引用的输出张量，节省了内存空间，另一方面确保了输出张量不会在后续使用前被释放和清除，避免了在推理计算过程中执行出错。

在示例中，张量还可以包括每个算子的临时张量，调用函数确定模块830还可以包括：临时张量释放模块833，被配置为在每个算子被执行时所调用的计算函数之后，分配用于释放临时张量的第二存储函数。

由此，通过在执行完算子的计算函数之后，释放临时张量，能够及时地释放仅用于该次计算函数调用的、后续不会再使用到的临时张量，节省了内存空间，有利于提高推理计算和效率。

在示例中，算子序列确定模块810可以包括：算子图生成模块811，被配置为将神经网络以算子图来表示；以及序列确定模块812，被配置为基于算子图，按照深度优先方式确定算子序列。

由此，通过基于算子图，按照深度优先方式确定算子序列，能够根据算子之间输入输出的关系，自动地合理规划算子的执行顺序，得到算子的最优执行轨迹，从而能够基于这样的算子序列得到函数的最优执行顺序，提高推理计算的效率。

在示例中，算子模拟执行模块820可以包括：参数输入模块821，被配置为将虚拟输入参数输入至算子序列中的第一个算子；以及算子执行模块822，被配置为自第一个算子起，按照算子序列依次执行至少一个算子。

由此，通过给算子赋予虚拟输入参数来进行算子的模拟执行，能够以最小的计算量执行算子模拟执行的过程，避免神经网络处理过程中不必要的开销，降低了神经网络处理的成本。

在示例中，神经网络处理装置800还可以包括：函数文件生成模块850，被配置为将函数序列的多个函数中的每个函数生成为独立的文件。

由此，通过将函数序列的多个函数中的每个函数生成为独立的文件，后续针对特定的推理计算模型便可以通过仅将该推理计算模型必需的函数文件进行编译并链接为静态库文件，就能够用于神经网络的推理计算，从而降低了神经网络处理所生成的软件包体积大小。

根据本公开的另一方面，还提供一种用于语音识别的神经网络应用装置。

图9示出了根据本公开的实施例的神经网络应用装置900的结构框图。

如图9所示，用于语音识别的神经网络应用装置900，包括：函数序列获取模块910，被配置为获取根据上述实施例中的用于语音识别的神经网络处理装置生成的用于语音识别的神经网络的函数序列；以及函数执行模块920，被配置为依次执行函数序列中的每个函数，以用于经由神经网络进行语音识别的推理计算。

由于用于语音识别的神经网络应用装置900中的函数序列获取模块910和函数执行模块920可以分别对应于如图6所述的步骤S601至S602，因此这里不再赘述其各个方面的细节。

根据本公开的实施例，通过根据上述实施例中的用于语音识别的神经网络的处理方法生成神经网络的函数序列，提取出算子执行过程中必要的函数，对算子进行了精简。于是，在本公开实施例的用于语音识别的神经网络的应用方法中，当用户需要通过客户端或移动端上部署的包括用于语音识别的神经网络的推理引擎进行推理计算时，客户端或移动端可以直接读取函数序列，并根据用户的实际输入依次执行函数序列中的各函数，来实现用于语音识别的神经网络的推理计算过程。这样的处理方式能够省去每次在进行推理计算时构建神经网络的算子图的过程，节省了对客户端或移动端内存的占用，从而有效降低了推理引擎运行时的开销和引擎的冷启动时间，提高了推理计算效率。

在示例中，如图9所示，函数执行模块920可以包括：张量申请模块921，被配置为响应于函数为第一存储函数，申请用于计算函数的张量并记录张量的指针；张量释放模块922，被配置为响应于函数为第二存储函数，释放张量并撤销张量的指针；以及张量获取模块923，被配置为响应于函数为计算函数，获取用于计算函数的张量并将张量输入至计算函数。

由此，通过申请、记录和释放张量的指针，以及获取张量和将张量输入至计算函数的操作，能够使本公开实施例的用于语音识别的神经网络的应用方法适应不同的客户端或移动端以及不同的用于语音识别的神经网络模型。

本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。

根据本公开的另一方面，还提供一种电子设备，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上述实施例中的方法。

根据本公开的另一方面，还提供一种存储有计算机指令的非瞬时计算机可读存储介质，其中计算机指令用于使计算机执行上述实施例中的方法。

根据本公开的另一方面，还提供一种计算机程序产品，包括计算机程序，其中计算机程序在被处理器执行时实现上述实施例中的方法。

参考图10，现将描述可以作为本公开的服务器或客户端的电子设备1000的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，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RAM1003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、输出单元1007、存储单元1008以及通信单元1009。输入单元1006可以是能向设备1000输入信息的任何类型的设备，输入单元1006可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元1007可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元1008可以包括但不限于磁盘、光盘。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，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙TM设备、802.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。

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，例如用于语音识别的神经网络的处理或应用方法。例如，在一些实施例中，神经网络处理或应用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ROM 1002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用于语音识别的神经网络的处理或应用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)而被配置为执行用于语音识别的神经网络的处理或应用方法。

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，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、也可以顺序地或以不同的次序执行，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。

虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。

Claims (23)

1.一种用于语音识别的神经网络的处理方法，包括：

确定用于语音识别的神经网络中待执行的至少一个算子的算子序列，其中，所述至少一个算子被执行以实现所述语音识别；

基于所述算子序列，模拟所述至少一个算子的执行以进行所述语音识别；

确定所述至少一个算子被执行时所调用的多个函数；以及

生成所述多个函数的函数序列，其中，所述函数序列包括所述多个函数中每个函数的函数名称和执行顺序，并且所述函数序列被配置用于经由所述神经网络进行语音识别的推理计算。

2.根据权利要求1所述的方法，其中，所述多个函数包括存储函数和计算函数，所述存储函数包括用于在所述计算函数的调用前申请张量的第一存储函数，以及用于在所述计算函数的调用后释放所述张量的第二存储函数。

3.根据权利要求2所述的方法，其中，所述多个函数包括所述第一存储函数、所述计算函数和所述第二存储函数的至少一个循环。

4.根据权利要求2或3所述的方法，其中，所述张量包括每个算子的输出张量，并且其中，所述确定所述至少一个算子被执行时所调用的多个函数包括：

确定每个算子的所述输出张量是否会被所述算子之后的下一个算子引用；以及

响应于确定每个算子的所述输出张量不会被所述算子之后的下一个算子引用，在所述算子被执行时所调用的所述计算函数之后，分配用于释放所述输出张量的所述第二存储函数。

5.根据权利要求4所述的方法，其中，所述张量还包括每个算子的临时张量，并且其中，所述确定所述至少一个算子被执行时所调用的多个函数还包括：

在每个算子被执行时所调用的所述计算函数之后，分配用于释放所述临时张量的所述第二存储函数。

6.根据权利要求1至5中任一项所述的方法，其中，所述确定神经网络中待执行的至少一个算子的算子序列包括：

将所述神经网络以算子图来表示；以及

基于所述算子图，按照深度优先方式确定所述算子序列。

7.根据权利要求1至6中任一项所述的方法，其中，所述基于所述算子序列，模拟所述至少一个算子的执行，包括：

将虚拟输入参数输入至所述算子序列中的第一个算子；以及

自所述第一个算子起，按照所述算子序列依次执行所述至少一个算子。

8.根据权利要求1至7中任一项所述的方法，还包括：

将所述函数序列的所述多个函数中的每个函数生成为独立的文件。

9.一种用于语音识别的神经网络的应用方法，包括：

获取根据权利要求1至8中任一项所述的方法生成的用于语音识别的神经网络的函数序列；以及

依次执行所述函数序列中的每个函数，以用于经由所述神经网络进行语音识别的推理计算。

10.根据权利要求9所述的方法，其中，所述依次执行所述函数序列中的每个函数，包括：

响应于所述函数为第一存储函数，申请用于计算函数的张量并记录所述张量的指针；

响应于所述函数为第二存储函数，释放所述张量并撤销所述张量的指针；以及

响应于所述函数为计算函数，获取用于所述计算函数的所述张量并将所述张量输入至所述计算函数。

11.一种用于语音识别的神经网络的处理装置，包括：

算子序列确定模块，被配置为确定用于语音识别的神经网络中待执行的至少一个算子的算子序列，其中，所述至少一个算子被执行以实现所述语音识别；

算子模拟执行模块，被配置为基于所述算子序列，模拟所述至少一个算子的执行以进行所述语音识别；

调用函数确定模块，被配置为确定所述至少一个算子被执行时所调用的多个函数；以及

函数序列生成模块，被配置为生成所述多个函数的函数序列，其中，所述函数序列包括所述多个函数中每个函数的函数名称和执行顺序，并且所述函数序列被配置用于经由所述神经网络进行语音识别的推理计算。

12.根据权利要求11所述的处理装置，其中，所述多个函数包括存储函数和计算函数，所述存储函数包括用于在所述计算函数的调用前申请张量的第一存储函数，以及用于在所述计算函数的调用后释放所述张量的第二存储函数。

13.根据权利要求12所述的处理装置，其中，所述多个函数包括所述第一存储函数、所述计算函数和所述第二存储函数的至少一个循环。

14.根据权利要求12或13所述的处理装置，其中，所述张量包括每个算子的输出张量，并且其中，所述调用函数确定模块包括：

引用张量确定模块，被配置为确定每个算子的所述输出张量是否会被所述算子之后的下一个算子引用；以及

输出张量释放模块，被配置为响应于确定每个算子的所述输出张量不会被所述算子之后的下一个算子引用，在所述算子被执行时所调用的所述计算函数之后，分配用于释放所述输出张量的所述第二存储函数。

15.根据权利要求14所述的处理装置，其中，所述张量还包括每个算子的临时张量，并且其中，所述调用函数确定模块还包括：

临时张量释放模块，被配置为在每个算子被执行时所调用的所述计算函数之后，分配用于释放所述临时张量的所述第二存储函数。

16.根据权利要求11至15中任一项所述的处理装置，其中，所述算子序列确定模块包括：

算子图生成模块，被配置为将所述神经网络以算子图来表示；以及

序列确定模块，被配置为基于所述算子图，按照深度优先方式确定所述算子序列。

17.根据权利要求11至16中任一项所述的处理装置，其中，所述算子模拟执行模块包括：

参数输入模块，被配置为将虚拟输入参数输入至所述算子序列中的第一个算子；以及

算子执行模块，被配置为自所述第一个算子起，按照所述算子序列依次执行所述至少一个算子。

18.根据权利要求11至17中任一项所述的处理装置，还包括：

函数文件生成模块，被配置为将所述函数序列的所述多个函数中的每个函数生成为独立的文件。

19.一种用于语音识别的神经网络的应用装置，包括：

函数序列获取模块，被配置为获取根据权利要求11至18中任一项所述的装置生成的用于语音识别的神经网络的函数序列；以及

函数执行模块，被配置为依次执行所述函数序列中的每个函数，以用于经由所述神经网络进行语音识别的推理计算。

20.根据权利要求19所述的应用装置，其中，所述函数执行模块包括：

张量申请模块，被配置为响应于所述函数为第一存储函数，申请用于计算函数的张量并记录所述张量的指针；

张量释放模块，被配置为响应于所述函数为第二存储函数，释放所述张量并撤销所述张量的指针；以及

张量获取模块，被配置为响应于所述函数为计算函数，获取用于所述计算函数的所述张量并将所述张量输入至所述计算函数。

21.一种电子设备，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

所述存储器存储有能够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1-10中任一项所述的方法。

22.一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1-10中任一项所述的方法。

23.一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现根据权利要求1-10中任一项所述的方法。

Images