CN115796228B - 算子融合方法、装置、设备以及存储介质 - Google Patents
算子融合方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN115796228B CN115796228B CN202211428372.5A CN202211428372A CN115796228B CN 115796228 B CN115796228 B CN 115796228B CN 202211428372 A CN202211428372 A CN 202211428372A CN 115796228 B CN115796228 B CN 115796228B
- Authority
- CN
- China
- Prior art keywords
- sub
- graph
- operator
- result
- fusion
- 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
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 31
- 230000004927 fusion Effects 0.000 claims abstract description 184
- 238000000034 method Methods 0.000 claims abstract description 41
- 238000012163 sequencing technique Methods 0.000 claims abstract description 24
- 238000003062 neural network model Methods 0.000 claims abstract description 22
- 230000001419 dependent effect Effects 0.000 claims description 144
- 230000008569 process Effects 0.000 claims description 19
- 230000004044 response Effects 0.000 claims description 7
- 238000012804 iterative process Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 14
- 238000013135 deep learning Methods 0.000 abstract description 8
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000012545 processing Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 5
- 238000007499 fusion processing Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Abstract
本公开提供了一种算子融合方法、装置、设备以及存储介质,涉及人工智能技术领域,具体涉及深度学习等技术领域。该方法包括:获取神经网络模型的算子集合;对算子集合中的各个算子进行拓扑排序,得到第一排序结果;基于第一排序结果以及预设的算子融合规则对各个算子进行融合,得到第一融合结果,其中,第一融合结果中包括至少一个融合后的子图;对第一融合结果中的各个子图进行拓扑排序,得到第二排序结果;基于第二排序结果以及预设的子图融合规则分别对各个子图进行融合,得到第二融合结果。本公开提供的算子融合方法提升了算子的融合效率,减少了融合后的子图数量,从而提升了神经网络模型的计算性能。
Description
技术领域
本公开涉及人工智能技术领域,具体涉及深度学习等技术领域。
背景技术
随着深度学习在各个行业领域中的应用越来越广泛,对于深度学习框架在进行推理时的速度要求也越来越高。现有技术在优化深度学习框架的性能时,通常采用的方法就是算子融合。算子融合目前已经是深度学习模型编译器中最重要的功能之一,其通过将多个基础算子融合为一个融合算子,并借助编译器的代码生成基础来完成计算过程的融合。
发明内容
本公开提供了一种算子融合方法、装置、设备以及存储介质。
根据本公开的第一方面,提供了一种算子融合方法,包括:获取神经网络模型的算子集合;对算子集合中的各个算子进行拓扑排序,得到第一排序结果;基于第一排序结果以及预设的算子融合规则对各个算子进行融合,得到第一融合结果,其中,第一融合结果中包括至少一个融合后的子图;对第一融合结果中的各个子图进行拓扑排序,得到第二排序结果;基于第二排序结果以及预设的子图融合规则分别对各个子图进行融合,得到第二融合结果。
根据本公开的第二方面,提供了一种算子融合装置,包括:获取模块,被配置成获取神经网络模型的算子集合;第一排序模块,被配置成对算子集合中的各个算子进行拓扑排序,得到第一排序结果;第一融合模块,被配置成基于第一排序结果以及预设的算子融合规则对各个算子进行融合,得到第一融合结果,其中,第一融合结果中包括至少一个融合后的子图;第二排序模块,被配置成对第一融合结果中的各个子图进行拓扑排序,得到第二排序结果;第二融合模块,被配置成基于第二排序结果以及预设的子图融合规则分别对各个子图进行融合,得到第二融合结果。
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。
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是根据本公开的算子融合方法的一个实施例的流程图;
图3是根据本公开的算子融合方法的另一个实施例的流程图;
图4是子图间垂直依赖关系的结构示意图;
图5是子图间水平依赖关系的结构示意图;
图6是图3所示的算子融合方法的得到第一融合结果步骤的分解流程图;
图7是图3所示的算子融合方法的得到第二融合结果步骤的分解流程图;
图8是根据本公开的算子融合装置的一个实施例的结构示意图;
图9是用来实现本公开实施例的算子融合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算子融合方法或算子融合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获取的算子集合进行分析和处理,并生成处理结果(例如第二融合结果)。
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算子融合方法一般由服务器105执行,相应地,算子融合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算子融合方法的一个实施例的流程200。该算子融合方法包括以下步骤:
步骤201,获取神经网络模型的算子集合。
在本实施例中,算子融合方法的执行主体(例如图1所示的服务器105)会获取神经网络模型的算子集合。由于神经网络模型是由不同算子组成的计算网络,每个算子完成相应的计算,因此在神经网络模型中使用的卷积算子、池化算子、激活函数算子、采样算子、全连接算子等,是运行神经网络模型的深度学习框架的基本计算单元,将输入数据输入深度学习框架之后,由多个算子依次进行计算,从而输出相应的推理结果。在本实施例中,在确定了神经网络模型后,上述执行主体会获取该神经网络模型的算子集合。另外,本实施例中上述执行主体所获取的算子集合中,除了算子本身之外,还进一步包含不同算子之间的关系,例如依赖关系等。
步骤202,对算子集合中的各个算子进行拓扑排序,得到第一排序结果。
在本实施例中,上述执行主体会对算子集合中的算子进行拓扑排序,从而得到第一排序结果。由某个集合上的一个偏序得到该集合上的一个全序,这个操作称之为拓扑排序。在本实施例中,由于获取神经网络模型的算子集合时,还获取了各个算子之间的依赖关系和逻辑关系等,所以,在这里,上述执行主体会基于各个算子之间的依赖关系和逻辑关系等对各个算子进行拓扑排序,也即基于各个算子之间的依赖关系和逻辑关系等将有向无环图中各个算子对应的顶点进行连接,从而得到满足拓扑次序的序列,也即拓扑序列,即第一排序结果。
步骤203,基于第一排序结果以及预设的算子融合规则对各个算子进行融合,得到第一融合结果。
在本实施例中,上述执行主体会基于第一排序结果以及预设的算子融合规则对各个算子进行融合,得到第一融合结果,其中,第一融合结果中包括至少一个融合后的子图。具体地,上述执行主体会基于第一排序结果来从算子集合中获取算子,然后再获取该算子对应的融合子图以及该算子的输入依赖算子集合,之后再基于预设的算子融合规则来判断所获取的算子与输入依赖算子集合中的各个算子是否可以融合,若可以,则进行融合,从而得到第一融合结果。
在本实施例中,上述执行主体会预先定义基础算子类型,其具体包括:kElementWise、kBroadcast、kInjective、kReduction、kOutFusible、kNonFusible,其中,kElementWise是指做elementwise(张量操作)类型计算的基础算子,输入和输出形状一致;kBroadcast是指对输入的特定维度做广播的基础算子,目前主要包括BroadcastTo算子;kInjective是指对输入的数据特定维度做变化,输出数据的形状是输入数据形状通过特定变换得到;kReduction是指做reduce(通信)操作的基础算子,包括ReduceSum、ReduceMax等;kOutFusible是指输入可以做elementwise类型计算的基础算子,包括MatMul等;kNonFusible是指不能和其他类型融合的基础算子。
然后,上述执行主体会定义算子融合规则,也即除了kNonFusible类型外,其他五种类型算子之间共25种融合组合,每种组合根际实际类型定义为可融合和不可融合两种。之后,上述执行主体在获取到算子之后,即可根据算子融合规则来判断算子之间是否可以融合。
步骤204,对第一融合结果中的子图进行拓扑排序,得到第二排序结果。
在本实施例中,上述执行主体会对第一融合结果中的子图进行拓扑排序,得到第二排序结果。由某个集合上的一个偏序得到该集合上的一个全序,这个操作称之为拓扑排序。在本实施例中,由于第一融合结果中包括了多个融合后的子图,而不同的子图之间还会存在依赖关系,所以,在这里,上述执行主体会基于各个子图之间的依赖关系对各个子图进行拓扑排序,从而得到满足拓扑次序的序列,也即拓扑序列,即第二排序结果。
步骤205,基于第二排序结果以及预设的子图融合规则分别对各个子图进行融合,得到第二融合结果。
在本实施例中,上述执行主体会基于第二排序结果以及预设的子图融合规则分别对各个子图进行融合,得到第二融合结果。具体地,上述执行主体会基于第二排序结果从第一融合结果中依次获取子图,然后再获取该子图的输出依赖子图集合,之后再基于预设的子图融合规则来判断所获取的子图与输出依赖子图集合中的各个子图是否可以融合,若可以,则进行融合,从而得到第二融合结果。
在这里,上述执行主体会预先定义子图融合规则,也即除了kNonFusible类型之外,五种类型组成25种融合组合,每种组合定义融合规则。具体地,为每种组合定义计算规则,并基于计算结果来判断子图之间是否可以融合。
本公开实施例提供的算子融合方法,首先获取神经网络模型的算子集合;然后对算子集合中的各个算子进行拓扑排序,得到第一排序结果;并基于第一排序结果以及预设的算子融合规则对各个算子进行融合,得到第一融合结果;之后对第一融合结果中的各个子图进行拓扑排序,得到第二排序结果;最后基于第二排序结果以及预设的子图融合规则分别对各个子图进行融合,得到第二融合结果。本实施例中的算子融合方法,该方法先基于预设的算子融合规则对各个算子进行融合,然后基于预设的子图融合规则对融合后的各个子图进行融合,从而减少了融合后的子图数量,提升了融合效率,进而提升了神经网络模型的计算性能。
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算子融合方法的另一个实施例的流程300。该算子融合方法包括以下步骤:
步骤301,获取神经网络模型的算子集合。
在本实施例中,算子融合方法的执行主体(例如图1所示的服务器105)会获取神经网络模型的算子集合。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,基于算子集合中各个算子之间的逻辑关系以及依赖关系对各个算子进行拓扑排序。
在本实施例中,上述执行主体会基于算子集合中各个算子之间的逻辑关系以及依赖关系对各个算子进行拓扑排序。由于获取神经网络模型的算子集合时,还获取了各个算子之间的依赖关系和逻辑关系等,所以,在这里,上述执行主体会基于各个算子之间的依赖关系和逻辑关系等对各个算子进行拓扑排序,也即基于各个算子之间的依赖关系和逻辑关系等将有向无环图中各个算子对应的顶点进行连接,从而得到满足拓扑次序的序列,也即拓扑序列。
步骤303,对拓扑排序得到的结果进行逆序,得到第一排序结果。
在本实施例中,上述执行主体会对拓扑排序得到的结果进行逆序,从而得到第一排序结果,从而全面、准确地将各个算子之间的关系进行表示。此外,逆序可以使得后续在获取算子的过程中,更高效的获取算子的输入依赖算子。
步骤304,基于第一排序结果以及预设的算子融合规则对各个算子进行融合,得到第一融合结果。
在本实施例中,上述执行主体会基于第一排序结果以及预设的算子融合规则对各个算子进行融合,从而得到第一融合结果,其中,第一融合结果中包括至少一个融合后的子图。步骤304与前述实施例的步骤203基本一致,具体实现方式可以参考前述对步骤203的描述,此处不再赘述。
步骤305,基于第一融合结果中的各个子图之间的依赖关系对各个子图进行拓扑排序,得到第二排序结果。
在本实施例中,上述执行主体会基于第一融合结果中的各个子图之间的依赖关系对各个子图进行拓扑排序,得到第二排序结果,其中,依赖关系包括水平依赖关系和/或垂直依赖关系。由于第一融合结果中包括了多个融合后的子图,而不同的子图之间还会存在依赖关系,所以,在这里,上述执行主体会基于各个子图之间的依赖关系对各个子图进行拓扑排序,从而得到满足拓扑次序的序列,也即拓扑序列,即第二排序结果。
进一步地,可参考图4,图4示出了子图间垂直依赖关系的结构图。垂直依赖关系即融合子图存在输入和输出依赖关系。在图4中,算子X与算子Y融合后得到融合子图ADD,而ADD与子图EXP融合后得到子图Z,这里的ADD和EXP即为垂直依赖关系,因为ADD和EXP存在输入和输出依赖关系。
进一步地,还可参考图5,图5示出了子图间水平依赖关系的结构图。水平依赖关系即两个输入连接到同一个融合子图上。在图5中,算子X与算子Y融合后得到融合子图ADD,而ADD与子图R融合后得到子图Z0,ADD与子图BC融合后得到子图Z1,这里的R和BC即为水平依赖关系,因为R和BC同时依赖于同一个输入(ADD)。
步骤306,基于第二排序结果以及预设的子图融合规则分别对各个子图进行融合,得到第二融合结果。
步骤306与前述实施例的步骤205基本一致,具体实现方式可以参考前述对步骤205的描述,此处不再赘述。
在本实施例的一些可选的实现方式中,上述算子融合方法还包括:根据第二融合结果的输入与输出进行编译,得到代码编译结果;将代码编译结果加载至目标处理器,以使目标处理器根据代码编译结果进行推理。
在本实现方式中,在得到第二融合结果之后,上述执行主体会根据第二融合结果的输入以及输出来进行编译,从而得到编译后的代码。进而按序依次将融合算子的代码与其他算子的代码进行组合,所得到的组合结果即为深度学习框架在运行至少一个神经网络模型时的代码编译结果。然后,上述执行主体会将该代码编译结果加载至目标处理器,以使目标处理器根据加载的代码编译结果进行推理,从而得到对应的推理结果。也即目标处理器可以运行该代码编译结果,并对输入数据进行处理,从而得到对应输入数据的特定推理结果,例如语音识别结果、图像分类结果或者图像识别结果等,其中,目标处理器可以为GPU(graphics processing unit,图像处理器)等计算机硬件。
由于本实施例中对神经网络模型的算子进行了融合,所以减少了生成的算子的数量,减少了中间变量的存储空间,也减少了存储的访问次数。也正因为减少了生成的算子的数量,所以还减少了编译生成的代码的数量,进而提升了目标处理器在运行代码时的计算速度,也提升了模型的计算性能。
从图3中可以看出,与图2对应的实施例相比,本实施例中的算子融合方法,该方法突出了对算子集合中的各个算子进行拓扑排序以及对各个融合后的子图进行拓扑排序的过程,从而基于算子或子图之间的依赖关系更全面、准确地对各个算子以及各个子图进行形象化表示。
继续参考图6,其示出了图3所示的算子融合方法的得到第一融合结果步骤的分解流程600。该得到第一融合结果步骤包括:
步骤601,基于第一排序结果从算子集合中依次获取算子,将获取的算子记为当前算子。
在本实施例中,得到第一融合结果的执行主体(例如图1所示的服务器105)会基于第一排序结果来依次从算子集合中获取算子,并将所获取的算子记为当前算子。
步骤602,获取当前算子所在的融合子图以及当前算子的输入依赖算子集合。
在本实施例中,上述执行主体会获取当前算子所在的融合子图以及当前算子的输入依赖算子集合,其中,输入依赖算子集合中包括当前算子的所有输入依赖算子。在这里,上述执行主体会预先为每个算子生成一个包含该算子的融合子图,也即该融合子图中只包含当前算子。然后,上述执行主体在获取该算子后,会获取该算子所在的融合子图,以及获取该算子的所有输入依赖算子,即输入依赖算子集合。
步骤603,依次从输入依赖算子集合中获取输入依赖算子。
在本实施例中,上述执行主体会依次从输入依赖算子集合中获取输入依赖算子。
步骤604,基于预设的算子融合规则判断所获取的输入依赖算子与当前算子是否可以融合。
在本实施例中,上述执行主体会基于预设的算子融合规则判断所获取的输入依赖算子与当前算子是否可以融合。若不可以融合,则执行步骤603,也即再次从输入依赖算子集合中获取输入依赖算子,直至输入依赖算子集合中为空,则进行下一轮迭代过程。若可以融合,则执行步骤605。
由于上述执行主体会预先定义算子融合规则,也即除了kNonFusible类型的算子外,其他五种类型的算子之间共25种融合组合,每种组合根际实际类型定义为可融合和不可融合两种。所以,上述执行主体基于该算子融合规则来判断所获取的输入依赖算子与当前算子是否可以融合。
步骤605,判断依赖于所获取的输入依赖算子的所有算子是否均在融合子图中。
在本实施例中,若所获取的输入依赖算子与当前算子可以融合,上述执行主体会继续判断依赖于所获取的输入依赖算子的所有算子是否都在融合子图中,若都在,则执行步骤606;否则执行步骤603。
步骤606,将所获取的输入依赖算子与当前算子所在的融合子图进行融合。
在本实施例中,上述执行主体会将所获取的输入依赖算子与当前算子所在的融合子图进行融合,并进行下一轮迭代过程,也即再次执行步骤601。
步骤607,若算子集合为空,结束算子融合过程。
在本实施例中,若确定算子集合为空,也即算子集合中的所有算子均已被取出,则证明当前已遍历算子集合中的所有算子,此时结束算子融合过程。
从图6中可以看出,本实施例中的得到第一融合结果方法,该方法通过遍历算子集合中的所有算子,来依次将所获取的算子与该算子的输入依赖算子集合中的各个算子进行融合,从而提升了算子的融合效率。
继续参考图7,其示出了图3所示的算子融合方法的得到第二融合结果步骤的分解流程700。该得到第二融合结果步骤包括:
步骤701,基于第二排序结果从第一融合结果中依次获取子图,将获取的子图记为当前子图。
在本实施例中,得到第二融合结果的执行主体(例如图1所示的服务器105)会基于第二排序结果从第一融合结果中来依次获取子图,并将获取的子图记为当前子图。
步骤702,获取当前子图的输出依赖子图集合。
在本实施例中,上述执行主体会获取当前子图的输出依赖子图集合,其中,输出依赖子图集合中包括当前子图的所有输出依赖子图。
步骤703,依次从输出依赖子图集合中获取输出依赖子图。
在本实施例中,上述执行主体会依次从输出依赖子图集合中获取输出依赖子图。
步骤704,基于所获取的输出依赖子图与输出依赖子图集合中除所获取的输出依赖子图外的其他输出依赖子图之间的依赖关系,确定第一子图集合。
在本实施例中,上述执行主体会基于所获取的输出依赖子图与输出依赖子图集合中除去获取的输出依赖子图之外的其他输出依赖子图之间是否具有依赖关系,来确定第一子图集合。
在本实施例的一些可选的实现方式中,步骤704包括:响应于确定所获取的输出依赖子图不依赖于输出依赖子图集合中除所获取的输出依赖子图外的任意其他输出依赖子图,则将所获取的输出依赖子图放入第一子图集合中。
在本实现方式中,上述执行主体会判断所获取的输出依赖子图是否还依赖于输出依赖子图集合中除所获取的输出依赖子图外的任意其他输出依赖子图,若确定所获取的输出依赖子图不依赖于输出依赖子图集合中除所获取的输出依赖子图外的任意其他输出依赖子图,则将所获取的输出依赖子图放入第一子图集合中。
若确定所获取的输出依赖子图还依赖于输出依赖子图集合中除所获取的输出依赖子图外的任意其他输出依赖子图,则重新从输出依赖子图集合中获取输出依赖子图,以确定第一子图集合。
步骤705,对第一子图集合中的各个子图进行分类和融合,得到第二子图集合。
在本实施例中,上述执行主体会分别对第一子图集合中的各个子图进行分类和融合,从而得到第二子图集合。也即上述执行主体会先对第一子图集合中的各个子图进行分类,之后对分类后的子图进行融合,从而得到第二子图集合。
在本实施例的一些可选的实现方式中,步骤705包括:基于子图融合规则对第一子图集合中的各个子图进行分类;将分类后的第一子图集合中的子图进行融合,得到第二子图集合。
在本实现方式中,上述执行主体会先基于子图融合规则来将第一子图集合中各个子图进行分类,也即将可以融合的子图分为一组。例如,上述执行主体会先初始化子图集合列表A,依次取第一子图集合s’中的子图k。如果集合A为空,则使用k初始化集合C,并将C放入列表A中;否则依次去集合A中取集合C’,如果k可以和集合C’中的任一子图满足子图融合规则,则将k放入C’中,如果k不能放入所有集合,则使用k初始化集合,放入集合A的末尾。从而实现对第一子图集合中的各个子图进行分类。
之后,上述执行主体会将分类后的各个组的子图进行融合,从而得到第二子图集合。也即上述执行主体会对列表A中的所有集合s’中的子图进行融合,并使用融合后的子图更新子图之间的依赖关系。
步骤706,响应于确定第二子图集合中仅包含一个子图,基于预设的子图融合规则判断第二子图集合中包含的子图与当前子图是否可以融合。
在本实施例中,若确定第二子图集合中仅包含一个子图,则上述执行主体会基于预设的子图融合规则判断第二子图集合中包含的子图与当前子图是否可以融合。若可以融合,则执行步骤707;否则执行步骤701。
由于上述执行主体会预先定义子图融合规则,也即除了kNonFusible类型之外,五种类型组成25种融合组合,每种组合定义融合规则。具体地,会为每种组合定义计算规则,并基于计算结果来判断子图之间是否可以融合。
这里,上述执行主体会基于该子图融合规则来则判断第二子图集合中包含的子图与当前子图是否可以融合。若第二子图集合中包含的子图与当前子图不可以融合,则再次重复执行步骤701。
此外,若确定第二子图集合中包含不止一个子图,则结束本轮迭代过程,进行下一轮迭代过程,也即再次执行步骤701。
步骤707,将第二子图集合中包含的子图与当前子图进行融合。
在本实施例中,若第二子图集合中包含的子图与当前子图可以融合,上述执行主体会执行融合操作,也即将第二子图集合中包含的子图与当前子图融合成新的节点,并使用新的节点更新子图依赖关系,然后进行下一轮迭代过程,也即再次执行步骤701。
步骤708,若第一融合结果为空,结束子图融合过程。
在本实施例中,若确定第一融合结果为空,也即第一融合结果中的所有子图均已被取出,则证明当前已遍历所有子图,此时结束子图融合过程。
从图7中可以看出,本实施例中的得到第二融合结果方法,该方法通过遍历第一融合结果中所有融合后得到的子图,来依次将所获取的子图与该子图的输出依赖子图集合中的子图进行融合,从而提升了子图的融合效率。
进一步参考图8,作为对上述各图所示方法的实现,本公开提供了一种算子融合装置的一个实施例,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8所示,本实施例的算子融合装置800包括:获取模块801、第一排序模块802、第一融合模块803、第二排序模块804和第二融合模块805。其中,获取模块801,被配置成获取神经网络模型的算子集合;第一排序模块802,被配置成对算子集合中的各个算子进行拓扑排序,得到第一排序结果;第一融合模块803,被配置成基于第一排序结果以及预设的算子融合规则对各个算子进行融合,得到第一融合结果,其中,第一融合结果中包括至少一个融合后的子图;第二排序模块804,被配置成对第一融合结果中的各个子图进行拓扑排序,得到第二排序结果;第二融合模块805,被配置成基于第二排序结果以及预设的子图融合规则分别对各个子图进行融合,得到第二融合结果。
在本实施例中,算子融合装置800中:获取模块801、第一排序模块802、第一融合模块803、第二排序模块804和第二融合模块805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201-205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,第一排序模块被进一步配置成:基于算子集合中各个算子之间的逻辑关系以及依赖关系对各个算子进行拓扑排序;对拓扑排序得到的结果进行逆序,得到第一排序结果。
在本实施例的一些可选的实现方式中,第一融合模块包括:第一获取子模块,被配置成基于第一排序结果从算子集合中依次获取算子,将获取的算子记为当前算子;第一迭代子模块,被配置成执行以下迭代步骤:获取当前算子所在的融合子图以及当前算子的输入依赖算子集合,其中,输入依赖算子集合中包括当前算子的所有输入依赖算子;第二获取子模块,被配置成依次从输入依赖算子集合中获取输入依赖算子;第一融合子模块,被配置成基于预设的算子融合规则判断所获取的输入依赖算子与当前算子是否可以融合,若可以融合,并确定依赖于所获取的输入依赖算子的所有算子均在融合子图中,将所获取的输入依赖算子与当前算子所在的融合子图进行融合,并进行下一轮迭代过程,直至所述算子集合为空。
在本实施例的一些可选的实现方式中,第一融合模块还包括:第二融合子模块,被配置成若所获取的输入依赖算子与当前算子不可以融合,则再次从输入依赖算子集合中获取输入依赖算子,直至输入依赖算子集合中为空,进行下一轮迭代过程。
在本实施例的一些可选的实现方式中,第二排序模块被进一步配置成:基于第一融合结果中的各个子图之间的依赖关系对各个子图进行拓扑排序,得到第二排序结果,其中,依赖关系包括水平依赖关系和/或垂直依赖关系。
在本实施例的一些可选的实现方式中,第二融合模块包括:第三获取子模块,被配置成基于第二排序结果从第一融合结果中依次获取子图,将获取的子图记为当前子图;第二迭代子模块,被配置成执行以下迭代步骤:获取当前子图的输出依赖子图集合,其中,输出依赖子图集合中包括当前子图的所有输出依赖子图;第四获取子模块,被配置成依次从输出依赖子图集合中获取输出依赖子图;确定子模块,被配置成基于所获取的输出依赖子图与输出依赖子图集合中除所获取的输出依赖子图外的其他输出依赖子图之间的依赖关系,确定第一子图集合;分类子模块,被配置成对第一子图集合中的各个子图进行分类和融合,得到第二子图集合;第三融合子模块,被配置成响应于确定第二子图集合中仅包含一个子图,基于预设的子图融合规则判断第二子图集合中包含的子图与当前子图是否可以融合,若可以融合,则将第二子图集合中包含的子图与当前子图进行融合,并进行下一轮迭代过程,直至第一融合结果为空。
在本实施例的一些可选的实现方式中,确定子模块被进一步配置成:响应于确定所获取的输出依赖子图不依赖于输出依赖子图集合中除所获取的输出依赖子图外的任意其他输出依赖子图,则将所获取的输出依赖子图放入第一子图集合中。
在本实施例的一些可选的实现方式中,分类子模块被进一步配置成:基于子图融合规则对第一子图集合中的各个子图进行分类;将分类后的第一子图集合中的子图进行融合,得到所述第二子图集合。
在本实施例的一些可选的实现方式中,上述算子融合装置800还包括:编译模块,被配置成根据第二融合结果的输入与输出进行编译,得到代码编译结果;推理模块,被配置成将代码编译结果加载至目标处理器,以使目标处理器根据代码编译结果进行推理。
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9示出了可以用来实施本公开的实施例的示例电子设备900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9所示,设备900包括计算单元901,其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序,来执行各种适当的动作和处理。在RAM 903中,还可存储设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
设备900中的多个部件连接至I/O接口905,包括:输入单元906,例如键盘、鼠标等;输出单元907,例如各种类型的显示器、扬声器等;存储单元908,例如磁盘、光盘等;以及通信单元909,例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900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901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901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901执行上文所描述的各个方法和处理,例如算子融合方法。例如,在一些实施例中,算子融合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908。在一些实施例中,计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM 903并由计算单元901执行时,可以执行上文描述的算子融合方法的一个或多个步骤。备选地,在其他实施例中,计算单元901可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行算子融合方法。
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 (12)
1.一种算子融合方法,包括:
获取神经网络模型的算子集合;
对所述算子集合中的各个算子进行拓扑排序,得到第一排序结果;
基于所述第一排序结果从所述算子集合中依次获取算子,将获取的算子记为当前算子;
执行以下迭代步骤:获取所述当前算子所在的融合子图以及所述当前算子的输入依赖算子集合,所述输入依赖算子集合中包括所述当前算子的所有输入依赖算子;依次从所述输入依赖算子集合中获取输入依赖算子;基于预设的算子融合规则判断所获取的输入依赖算子与所述当前算子是否可以融合,若可以融合,并确定依赖于所述所获取的输入依赖算子的所有算子均在所述融合子图中,将所述输入依赖算子与所述当前算子所在的融合子图进行融合,得到第一融合结果,所述第一融合结果中包括至少一个融合后的子图,并进行下一轮迭代过程,直至所述算子集合为空;若所获取的输入依赖算子与所述当前算子不可以融合,则再次从所述输入依赖算子集合中获取输入依赖算子,直至所述输入依赖算子集合中为空,进行下一轮迭代过程;
对所述第一融合结果中的各个子图进行拓扑排序,得到第二排序结果;
基于所述第二排序结果从所述第一融合结果中依次获取子图,将获取的子图记为当前子图;
执行以下迭代步骤:获取所述当前子图的输出依赖子图集合,所述输出依赖子图集合中包括所述当前子图的所有输出依赖子图;依次从所述输出依赖子图集合中获取输出依赖子图;基于所获取的输出依赖子图与所述输出依赖子图集合中除所获取的输出依赖子图外的其他输出依赖子图之间的依赖关系,确定第一子图集合;对所述第一子图集合中的各个子图进行分类和融合,得到第二子图集合;响应于确定所述第二子图集合中仅包含一个子图,基于预设的子图融合规则判断所述第二子图集合中包含的子图与所述当前子图是否可以融合,若可以融合,则将所述第二子图集合中包含的子图与所述当前子图进行融合,得到第二融合结果,并进行下一轮迭代过程,直至所述第一融合结果为空;
根据所述第二融合结果的输入与输出进行编译,得到代码编译结果;将所述代码编译结果加载至目标处理器,以使所述目标处理器根据所述代码编译结果进行推理,得到对应的推理结果,所述推理结果包括语音识别结果、图像分类结果或图像识别结果。
2.根据权利要求1所述的方法,其中,所述对所述算子集合中的各个算子进行拓扑排序,得到第一排序结果,包括:
基于所述算子集合中各个算子之间的逻辑关系以及依赖关系对所述各个算子进行拓扑排序;
对拓扑排序得到的结果进行逆序,得到所述第一排序结果。
3.根据权利要求1所述的方法,其中,所述对所述第一融合结果中的各个子图进行拓扑排序,得到第二排序结果,包括:
基于所述第一融合结果中的各个子图之间的依赖关系对所述各个子图进行拓扑排序,得到所述第二排序结果,其中,所述依赖关系包括水平依赖关系和/或垂直依赖关系。
4.根据权利要求1所述的方法,其中,所述基于所获取的输出依赖子图与所述输出依赖子图集合中除所获取的输出依赖子图外的其他输出依赖子图之间的依赖关系,确定第一子图集合,包括:
响应于确定所获取的输出依赖子图不依赖于所述输出依赖子图集合中除所获取的输出依赖子图外的任意其他输出依赖子图,则将所述所获取的输出依赖子图放入所述第一子图集合中。
5.根据权利要求1所述的方法,其中,所述对所述第一子图集合中的各个子图进行分类和融合,得到第二子图集合,包括:
基于所述子图融合规则对所述第一子图集合中的各个子图进行分类;
将分类后的第一子图集合中的子图进行融合,得到所述第二子图集合。
6.一种算子融合装置,包括:
获取模块,被配置成获取神经网络模型的算子集合;
第一排序模块,被配置成对所述算子集合中的各个算子进行拓扑排序,得到第一排序结果;
第一获取模块,被配置成基于所述第一排序结果从所述算子集合中依次获取算子,将获取的算子记为当前算子;
第一迭代模块,被配置成执行以下迭代步骤:获取所述当前算子所在的融合子图以及所述当前算子的输入依赖算子集合,所述输入依赖算子集合中包括所述当前算子的所有输入依赖算子;依次从所述输入依赖算子集合中获取输入依赖算子;基于预设的算子融合规则判断所获取的输入依赖算子与所述当前算子是否可以融合,若可以融合,并确定依赖于所述所获取的输入依赖算子的所有算子均在所述融合子图中,将所述输入依赖算子与所述当前算子所在的融合子图进行融合,得到第一融合结果,所述第一融合结果中包括至少一个融合后的子图,并进行下一轮迭代过程,直至所述算子集合为空;若所获取的输入依赖算子与所述当前算子不可以融合,则再次从所述输入依赖算子集合中获取输入依赖算子,直至所述输入依赖算子集合中为空,进行下一轮迭代过程;
第二排序模块,被配置成对所述第一融合结果中的各个子图进行拓扑排序,得到第二排序结果;
第二获取模块,被配置成基于所述第二排序结果从所述第一融合结果中依次获取子图,将获取的子图记为当前子图;
第二迭代模块,被配置成执行以下迭代步骤:获取所述当前子图的输出依赖子图集合,所述输出依赖子图集合中包括所述当前子图的所有输出依赖子图;依次从所述输出依赖子图集合中获取输出依赖子图;基于所获取的输出依赖子图与所述输出依赖子图集合中除所获取的输出依赖子图外的其他输出依赖子图之间的依赖关系,确定第一子图集合;对所述第一子图集合中的各个子图进行分类和融合,得到第二子图集合;响应于确定所述第二子图集合中仅包含一个子图,基于预设的子图融合规则判断所述第二子图集合中包含的子图与所述当前子图是否可以融合,若可以融合,则将所述第二子图集合中包含的子图与所述当前子图进行融合,得到第二融合结果,并进行下一轮迭代过程,直至所述第一融合结果为空;
编译推理模块,被配置成根据所述第二融合结果的输入与输出进行编译,得到代码编译结果;将所述代码编译结果加载至目标处理器,以使所述目标处理器根据所述代码编译结果进行推理,得到对应的推理结果,所述推理结果包括语音识别结果、图像分类结果或图像识别结果。
7.根据权利要求6所述的装置,其中,所述第一排序模块被进一步配置成:
基于所述算子集合中各个算子之间的逻辑关系以及依赖关系对所述各个算子进行拓扑排序;
对拓扑排序得到的结果进行逆序,得到所述第一排序结果。
8.根据权利要求6所述的装置,其中,所述第二排序模块被进一步配置成:
基于所述第一融合结果中的各个子图之间的依赖关系对所述各个子图进行拓扑排序,得到所述第二排序结果,其中,所述依赖关系包括水平依赖关系和/或垂直依赖关系。
9.根据权利要求6所述的装置,其中,所述第二迭代模块被进一步配置成:
响应于确定所获取的输出依赖子图不依赖于所述输出依赖子图集合中除所获取的输出依赖子图外的任意其他输出依赖子图,则将所述所获取的输出依赖子图放入所述第一子图集合中。
10.根据权利要求6所述的装置,其中,所述第二迭代模块被进一步配置成:
基于所述子图融合规则对所述第一子图集合中的各个子图进行分类;
将分类后的第一子图集合中的子图进行融合,得到所述第二子图集合。
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,所述计算机指令用于使所述计算机执行权利要求1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211428372.5A CN115796228B (zh) | 2022-11-15 | 2022-11-15 | 算子融合方法、装置、设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211428372.5A CN115796228B (zh) | 2022-11-15 | 2022-11-15 | 算子融合方法、装置、设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115796228A CN115796228A (zh) | 2023-03-14 |
CN115796228B true CN115796228B (zh) | 2024-04-05 |
Family
ID=85437830
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211428372.5A Active CN115796228B (zh) | 2022-11-15 | 2022-11-15 | 算子融合方法、装置、设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115796228B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109684087A (zh) * | 2018-12-17 | 2019-04-26 | 北京中科寒武纪科技有限公司 | 运算方法、装置及相关产品 |
CN109754073A (zh) * | 2018-12-29 | 2019-05-14 | 北京中科寒武纪科技有限公司 | 数据处理方法、装置、电子设备和可读存储介质 |
CN111260019A (zh) * | 2020-02-18 | 2020-06-09 | 深圳鲲云信息科技有限公司 | 神经网络模型的数据处理方法、装置、设备及存储介质 |
CN112884123A (zh) * | 2021-02-23 | 2021-06-01 | 杭州海康威视数字技术股份有限公司 | 神经网络优化方法、装置、电子设备及可读存储介质 |
CN112965710A (zh) * | 2019-12-13 | 2021-06-15 | 阿里巴巴集团控股有限公司 | 计算图的处理方法、装置和系统 |
CN113342345A (zh) * | 2021-05-17 | 2021-09-03 | 北京百度网讯科技有限公司 | 深度学习框架的算子融合方法、装置 |
WO2022022670A1 (zh) * | 2020-07-31 | 2022-02-03 | 北京灵汐科技有限公司 | 神经网络计算图的处理方法、装置及处理设备 |
CN114418114A (zh) * | 2021-12-30 | 2022-04-29 | 深圳云天励飞技术股份有限公司 | 一种算子融合方法、装置、终端设备及存储介质 |
CN115203126A (zh) * | 2022-09-15 | 2022-10-18 | 太初(无锡)电子科技有限公司 | 一种算子融合处理方法、装置、设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110321999B (zh) * | 2018-03-30 | 2021-10-01 | 赛灵思电子科技(北京)有限公司 | 神经网络计算图优化方法 |
-
2022
- 2022-11-15 CN CN202211428372.5A patent/CN115796228B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109684087A (zh) * | 2018-12-17 | 2019-04-26 | 北京中科寒武纪科技有限公司 | 运算方法、装置及相关产品 |
CN109754073A (zh) * | 2018-12-29 | 2019-05-14 | 北京中科寒武纪科技有限公司 | 数据处理方法、装置、电子设备和可读存储介质 |
CN112965710A (zh) * | 2019-12-13 | 2021-06-15 | 阿里巴巴集团控股有限公司 | 计算图的处理方法、装置和系统 |
CN111260019A (zh) * | 2020-02-18 | 2020-06-09 | 深圳鲲云信息科技有限公司 | 神经网络模型的数据处理方法、装置、设备及存储介质 |
WO2021164506A1 (zh) * | 2020-02-18 | 2021-08-26 | 深圳鲲云信息科技有限公司 | 神经网络模型的数据处理方法、装置、设备及存储介质 |
WO2022022670A1 (zh) * | 2020-07-31 | 2022-02-03 | 北京灵汐科技有限公司 | 神经网络计算图的处理方法、装置及处理设备 |
CN112884123A (zh) * | 2021-02-23 | 2021-06-01 | 杭州海康威视数字技术股份有限公司 | 神经网络优化方法、装置、电子设备及可读存储介质 |
CN113342345A (zh) * | 2021-05-17 | 2021-09-03 | 北京百度网讯科技有限公司 | 深度学习框架的算子融合方法、装置 |
CN114418114A (zh) * | 2021-12-30 | 2022-04-29 | 深圳云天励飞技术股份有限公司 | 一种算子融合方法、装置、终端设备及存储介质 |
CN115203126A (zh) * | 2022-09-15 | 2022-10-18 | 太初(无锡)电子科技有限公司 | 一种算子融合处理方法、装置、设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
子网拓扑融合技术研究;全云鹏 等;《计算机应用》;第29卷(第S2期);41-43 * |
面向内存计算平台的神经网络代码转换方法研究;赵晨;《中国优秀硕士学位论文全文数据库 (信息科技辑)》;I138-280 * |
Also Published As
Publication number | Publication date |
---|---|
CN115796228A (zh) | 2023-03-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110334689B (zh) | 视频分类方法和装置 | |
CN113342345A (zh) | 深度学习框架的算子融合方法、装置 | |
CN115204183B (zh) | 基于知识增强的双通道情感分析方法、装置以及设备 | |
CN109685204B (zh) | 图像处理方法及装置、存储介质及电子设备 | |
JP7286013B2 (ja) | ビデオコンテンツ認識方法、装置、プログラム及びコンピュータデバイス | |
CN112561081B (zh) | 深度学习模型的转换方法、装置、电子设备和存储介质 | |
CN117032938B (zh) | 一种算子的并行调度方法、装置、电子设备及存储介质 | |
CN114157507A (zh) | 采用大数据分析的云服务漏洞分析方法及人工智能系统 | |
CN116151384B (zh) | 量子电路处理方法、装置及电子设备 | |
CN115796228B (zh) | 算子融合方法、装置、设备以及存储介质 | |
CN116909573A (zh) | 计算图的节点融合方法、装置、电子设备及存储介质 | |
CN116382658A (zh) | Ai模型的编译方法、装置、计算机设备及存储介质 | |
US20220179862A1 (en) | Optimizing breakeven points for enhancing system performance | |
CN114091686B (zh) | 数据处理方法、装置、电子设备和存储介质 | |
CN113691403B (zh) | 拓扑节点配置方法、相关装置及计算机程序产品 | |
CN116016686A (zh) | 待优化节点的确定方法、装置、电子设备和介质 | |
CN113792876B (zh) | 骨干网络的生成方法、装置、设备以及存储介质 | |
CN115345291A (zh) | 一种图处理方法及相关装置 | |
CN115272705A (zh) | 显著性物体检测模型的训练方法、装置以及设备 | |
CN114429801A (zh) | 数据处理方法、训练方法、识别方法、装置、设备及介质 | |
CN110532304B (zh) | 数据处理方法及装置、计算机可读存储介质以及电子设备 | |
CN114237182A (zh) | 机器人调度方法及系统 | |
CN113190730A (zh) | 一种区块链地址的分类方法及装置 | |
CN111723247A (zh) | 基于图的假设计算 | |
CN114615144B (zh) | 网络优化方法及系统 |
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 |