CN116384466A - 深度学习模型的多算子并行处理方法、装置、设备和介质 - Google Patents

Abstract

本公开提供了一种深度学习模型的多算子并行处理方法，涉及人工智能技术领域，尤其涉及深度学习技术领域和芯片技术领域。具体实现方案为：根据多个算子中至少两个目标算子中当前目标算子的输入数据的规模信息，利用预设函数确定当前目标算子的输出数据的规模信息；以及并行地执行以下操作：利用预设函数确定当前目标算子的在后目标算子的输出数据的规模信息；和运行当前目标算子。本公开还提供了一种数据处理装置、电子设备和存储介质。

Description

深度学习模型的多算子并行处理方法、装置、设备和介质

技术领域

本公开涉及人工智能技术领域，尤其涉及深度学习技术领域和芯片技术领域。更具体地，本公开提供了一种深度学习模型的多算子并行处理方法、装置、电子设备和存储介质。

背景技术

随着人工智能技术的发展，深度学习模型可以应用于脸部识别、光学字符识别、语音识别、物体检测和场景分割等场景中。

发明内容

本公开提供了一种深度学习模型的多算子并行处理方法、装置、设备以及存储介质。

根据本公开的一方面，提供了一种深度学习模型的多算子并行处理方法，深度学习模型包括多个算子，该方法包括：根据多个算子中至少两个目标算子中当前目标算子的输入数据的规模信息，利用预设函数确定当前目标算子的输出数据的规模信息；以及并行地执行以下操作：利用预设函数确定当前目标算子的在后目标算子的输出数据的规模信息；和运行当前目标算子。

根据本公开的另一方面，提供了一种数据处理装置，该装置包括：存储器，配置为存储可执行指令、待处理数据和深度学习模型的模型数据，深度学习模型包括多个算子；处理器，配置为执行可执行指令，以便：从存储器读取模型数据和待处理数据；根据多个算子中至少两个目标算子中当前目标算子的输入数据的规模信息，利用预设函数确定当前目标算子的输出数据的规模信息，其中，当前目标算子的输入数据是根据待处理数据确定的；以及并行地执行以下操作：利用预设函数确定当前目标算子的在后目标算子的输出数据的规模信息；和运行当前目标算子。

根据本公开的另一方面，提供了一种电子设备，包括本公开提供的数据处理装置。

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根据本公开提供的方法。

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，该计算机指令用于使计算机执行根据本公开提供的方法。

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，计算机程序在被处理器执行时实现根据本公开提供的方法。

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1A是根据本公开的一个实施例的深度学习模型的示意图；

图1B是根据本公开的一个实施例的深度学习模型的输出数据的示意图；

图2是根据本公开的一个实施例的深度学习模型的多算子并行处理方法的流程图；

图3是根据本公开的另一个实施例的深度学习模型的示意图；

图4是根据本公开的一个实施例的数据处理装置的框图；

图5是根据本公开的一个实施例的电子设备的框图；以及

图6是根据本公开的一个实施例的可以应用深度学习模型的多算子并行处理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。

深度学习模型可以包括静态深度学习模型和动态深度学习模型。静态深度学习模型的输入数据的规模(shape)可以是固定的。例如，在不同场景中，深度学习模型处理的输入数据的维度可以是相同的。由此，在模型初始化时，可以高效地确定静态深度学习模型在运行过程中各种中间数据的规模，以便在内存中确定这些中间数据所需的存储空间。然而，静态深度学习模型难以应用于所有的场景。

与静态深度学习模型相比，动态深度学习模型可以适应更多的场景。动态深度学习模型的输入数据的规模是不固定的。由此，在模型初始化时，难以确定动态深度学习模型在运行过程中各种中间数据的规模。可以在确定了输入数据的规模之后，确定整个动态深度学习模型中各中间数据的规模。下面将结合图1A和图1B进行说明。

图1A是根据本公开的一个实施例的深度学习模型的示意图。

如图1A所示，深度学习模型100可以是动态深度学习模型。深度学习模型100的输入数据101的规模信息可以是可变的。规模信息可以指示输入数据的规模。例如，在利用不同批次的数据训练深度学习模型100或利用深度学习模型100进行推理时，第一批次的数据的规模可以为[1，3，224，224]，第二批次的数据的规模可以为[1，3，448，448]。

深度学习模型100可以包括第一卷积算子110和第二卷积算子120。第一卷积算子110的卷积核的尺寸为[64，3，3，3]，填充参数pad可以为1，步长可以为1。第二卷积算子120的卷积核的尺寸为[128，64，5，5]，填充参数pad可以为2，步长可以为2。

输入数据101输入第一卷积算子110，可以得到第一卷积算子110的第一输出数据111。第一输出数据111输入第二卷积算子120，可以得到第二卷积算子120的第二输出数据121。在输入数据101的规模信息可变的情况下，第一输出数据111和第二输出数据121的规模信息是不确定的。

在输入数据101的规模信息确定时，可以利用预设函数来确定第一输出数据111的规模信息和第二输出数据121的规模信息。预设函数可以包括规模推导(infershape)函数。

图1B是根据本公开的一个实施例的深度学习模型的输出数据的示意图。

如图1B所示，若输入数据101的规模是[1，3，224，224]，利用预设函数可以确定第一输出数据111的规模。第一输出数据111的规模可以是[1，64，224，224]。由此，利用预设函数可以确定第二输出数据121的规模。第二输出数据121的规模可以是[1，128，112，112]。

然而，若每次利用模型进行推理前均进行一次完整的规模推导，所需的时间成本较大，也难以充分利用人工智能(Artificial Intelligence，AI)芯片的并行化处理能力。

此外，在模型结构较为复杂时，可以不确定一部分算子的规模。在此情况下，对模型的全部算子进行完整的规模推导就消耗了一些不必要的时间成本。

为了利用人工智能芯片高效地运行动态深度学习模型，本公开提供了一种深度学习模型的多算子并行处理方法，下面将进行详细说明。

图2是根据本公开的一个实施例的深度学习模型的多算子并行处理方法的流程图。

如图2所示，该方法200可以包括操作S210至操作S230。

在本公开实施例中，深度学习模型可以包括多个算子。多个算子可以包括至少两个目标算子。例如，目标算子的输入数据的规模信息是可变的。上述的第一卷积算子110和第二卷积算子120分别可以作为目标算子。

在操作S210，根据多个算子中至少两个目标算子中当前目标算子的输入数据的规模信息，利用预设函数确定当前目标算子的输出数据的规模信息。

例如，可以将第一卷积算子110作为当前目标算子。根据当前目标算子的输入数据的规模信息，利用预设函数可以确定当前目标算子的输出数据的规模信息。接下来，可以并行地执行操作S220和操作S230。

在操作S220，利用预设函数确定当前目标算子的在后目标算子的输出数据的规模信息。

例如，上述的第二卷积算子120可以作为第一卷积算子110的在后目标算子。在后目标算子的输入数据可以是根据当前目标算子的输出数据确定的。在确定了当前目标算子的输出数据的规模信息之后，可以利用预设函数来确定在后目标算子的规模信息。

在操作S230，运行当前目标算子。

例如，在确定了当前目标算子的输出数据的规模信息之后，可以为该输出数据确定存储空间。接下来，可以运行该当前目标算子，以便利用当前目标算子处理输入数据。

通过本公开实施例，实现了当前目标算子的运行和确定在后目标算子的规模信息的并行，可以节约规模推导的时间，有助于提高模型的数据处理效率。

可以理解，上文对本公开的方法进行了说明，下面将结合模型的结构对本公开的方法进行进一步说明。

在一些实施例中，可以确定深度学习模型是否为动态深度学习模型。例如，为了在目标硬件设备上部署深度学习模型，可以对模型进行编译、代码生成等处理。在进行代码生成时，可以遍历深度学习模型的多个算子各自的输入数据和输出数据的规模。若存在规模不确定的输入数据和/或输出数据，可以确定深度学习模型为动态深度学习模型。

接下来，可以生成与算子相关的状态信息。状态信息可以指示算子是否为目标算子。若状态信息指示了目标状态，可以确定算子为目标算子。若状态信息指示了预设状态，可以确定算子的规模是确定的，无需使用预设函数进行规模推导。例如，状态信息可以实现为目标状态值或预设状态值。目标状态值可以为1，可以指示目标状态。预设状态值可以为0，可以指示预设状态。

接下来，可以将输入数据输入深度学习模型，下面将结合图3来进行说明。

图3是根据本公开的另一个实施例的深度学习模型的示意图。

如图3所示，深度学习模型300可以是动态深度学习模型。深度学习模型300的输入数据301的规模信息可以是可变的。规模信息可以指示输入数据的规模。

深度学习模型300可以包括第一卷积算子310和第二卷积算子320。第一卷积算子310的卷积核的尺寸为[64，3，3，3]，填充参数pad可以为1，步长可以为1。第二卷积算子320的卷积核的尺寸为[128，64，5，5]，填充参数pad可以为2，步长可以为2。

在运行算子之前，可以确定算子的状态信息是否指示了目标状态。

在本公开实施例中，在上述的操作S210中，根据多个算子中至少两个待处理子中当前目标算子的输入数据的规模信息，利用预设函数确定当前目标算子的输出数据的规模信息包括：响应于确定待运行算子的状态信息指示了目标状态，将待运行算子作为当前目标算子；以及根据当前目标算子的输入数据的规模信息，利用预设函数确定当前目标算子的输出数据的规模信息。

例如，可以确定第一卷积算子310的状态信息是否指示了目标状态。若第一卷积算子310的状态信息指示了目标状态，可以将第一卷积算子310作为当前目标算子。根据输入数据301的规模信息，可以利用预设函数302确定第一卷积算子310的第一输出数据311的规模信息312。规模信息312可以指示第一输出数据311的规模为[1，64，224，224]。可以在存储单元为第一输出数据311确定相应的第一存储空间。

在确定了第一卷积算子310的规模信息之后，可以确定第二卷积算子的状态信息是否指示了目标状态。若第二卷积算子320的状态信息指示了目标状态，可以将第二卷积算子310作为当前目标算子的在后目标算子。

接下来，可以并行地运行第一卷积算子310和预设函数303。例如，可以将输入数据101输入第一卷积算子310，得到第一输出数据311。第一输出数据311可以被写入第一存储空间。

在本公开实施例中，在上述操作S220中，利用预设函数确定当前目标算子的在后目标算子的输出数据的规模信息可以包括：根据当前目标算子的输出数据的规模信息，可以利用预设函数确定在后目标算子的输出数据的规模信息。例如，第一卷积算子310可以作为当前目标算子，第二卷积算子320可以作为在后目标算子。根据第一卷积算子310的规模信息312，可以利用预设函数303确定第二卷积算子320的规模信息322。规模信息322可以指示第二输出数据321的规模为[1，128，112，112]。可以在存储单元为第二输出数据321确定相应的第二存储空间。

接下来，在深度学习模型300包括两个卷积算子的情况下，可以运行第二卷积算子320。例如，可以将第一输出数据311输入卷积算子320，得到第二输出数据321。第二输出数据321可以被写入第二存储空间。

在另一些实施例中，若深度学习模型300还包括除第一卷积算子310和第二卷积算子320之外的目标算子，可以并行地运行第二卷积算子320和一预设函数。该预设函数可以确定第二卷积算子320的在后目标算子的规模信息。

在一些实施例中，目标算子的算子数据可以包括预设函数的函数数据。例如，算子数据还可以包括用于处理输入数据的至少一个函数数据和至少一个参数数据。预设函数的函数数据可以包括运行该预设函数的全部数据。通过本公开实施例，预设函数与目标算子绑定，可以在算子执行前快速地进行规模推导，提高模型运行的效率。

在另一些实施例中，预设函数的函数数据也可以包括函数标识，该函数标识可以对应与预设函数相关的存储空间。该存储空间中可以存储与预设函数运行相关的数据。

可以理解，上文对本公开的方法进行了说明，下面将结合相关实施例对本公开的数据处理装置进行说明。

图4是根据本公开的一个实施例的数据处理装置的示意框图。

如图4所示，该装置400可以包括存储器410和处理器420。

存储器410，配置为存储可执行指令、待处理数据和深度学习模型的模型数据。在本公开实施例中，深度学习模型可以包括多个算子。多个算子可以包括至少两个目标算子。例如，目标算子的输入数据的规模信息是可变的。上述的第一卷积算子110和第二卷积算子120分别可以作为目标算子。

处理器420，配置为执行可执行指令，以便：从存储器读取模型数据和待处理数据。根据多个算子中至少两个目标算子中当前目标算子的输入数据的规模信息，利用预设函数确定当前目标算子的输出数据的规模信息。并行地执行以下操作：利用预设函数确定当前目标算子的在后目标算子的输出数据的规模信息；和运行当前目标算子。

例如，可以将第一卷积算子110作为当前目标算子。根据当前目标算子的输入数据的规模信息，利用预设函数可以确定当前目标算子的输出数据的规模信息。

在本公开实施例中，当前目标算子的输入数据是根据待处理数据确定的。例如，若当前目标算子是深度学习模型的第一个算子，待处理数据可以作为当前目标算子的输入数据。

例如，上述的卷积算子120可以作为卷积算子110的在后目标算子。在后目标算子的输入数据可以是根据当前目标算子的输出数据确定的。在确定了当前目标算子的输出数据的规模信息之后，可以利用预设函数来确定在后目标算子的规模信息。在确定在后目标算子的输出数据的规模信息时，可以并行地运行该当前目标算子，以便利用当前目标算子处理输入数据。

又例如，在确定了当前目标算子的输出数据的规模信息之后，可以为该输出数据确定存储空间。在当前目标算子被运行结束之后，获得了该输出数据，可以将该输出数据写入该存储空间。

通过本公开实施例，实现了当前目标算子的运行和确定在后目标算子的规模信息的并行，可以节约规模推导的时间，有助于提高模型的数据处理效率。此外，可以充分地利用人工智能芯片的数据并行处理能力，可以有效提高部署了动态深度学习模型的人工智能芯片的性能。

在一些实施例中，处理器还可以配置为：确定深度学习模型是否为动态深度学习模型。例如，为了在包括数据处理装置的目标硬件设备上部署深度学习模型，可以对模型进行编译、代码生成等处理。在进行代码生成时，可以遍历深度学习模型的多个算子各自的输入数据和输出数据的规模。若存在规模不确定的输入数据和/或输出数据，可以确定深度学习模型为动态深度学习模型。

在一些实施例中，处理器还可以配置为：可以生成与算子相关的状态信息。状态信息可以指示算子是否为目标算子。若状态信息指示了目标状态，可以确定算子为目标算子。若状态信息指示了预设状态，可以确定算子的规模是确定的，无需使用预设函数进行规模推导。例如，状态信息可以实现为目标状态值或预设状态值。目标状态值可以为1，可以指示目标状态。预设状态值可以为0，可以指示预设状态。

在一些实施例中，深度学习模型可以第一包括卷积算子和第二卷积算子。第一卷积算子的卷积核的尺寸为[64，3，3，3]，填充参数pad可以为1，步长可以为1。第二卷积算子的卷积核的尺寸为[128，64，5，5]，填充参数pad可以为2，步长可以为2。

在一些实施例中，处理器还可以配置为：在运行算子之前，可以确定算子的状态信息是否指示了目标状态。

在本公开实施例中，处理器还可以配置为：响应于确定待运行算子的状态信息指示了目标状态，将待运行算子作为当前目标算子。根据当前目标算子的输入数据的规模信息，利用预设函数确定当前目标算子的输出数据的规模信息。例如，处理器可以确定第一卷积算子的状态信息是否指示了目标状态。若第一卷积算子的状态信息指示了目标状态，可以将第一卷积算子作为当前目标算子。根据输入数据的规模信息，可以利用预设函数确定第一卷积算子的第一输出数据的规模信息。规模信息可以指示该第一输出数据的规模为[1，64，224，224]。可以在存储单元为该第一输出数据确定相应的第一存储空间。

接下来，处理器可以被配置：并行地运行当前目标算子和在后目标算子的预设函数。例如，可以将输入数据输入第一卷积算子，得到第一输出数据。处理器可以将该第一输出数据写入第一存储空间。

在确定了第一卷积算子的规模信息之后，可以确定第二卷积算子的状态信息是否指示了目标状态。若第二卷积算子的状态信息指示了目标状态，可以将第二卷积算子作为当前目标算子的在后目标算子。

在本公开实施例中，处理器还可以配置为：根据当前目标算子的输出数据的规模信息，利用预设函数确定在后目标算子的输出数据的规模信息。例如，第一卷积算子可以作为当前目标算子，第二卷积算子可以作为在后目标算子。根据第一卷积算子的规模信息，可以利用预设函数确定第二卷积算子的规模信息。该规模信息可以指示第二输出数据的规模为[1，128，112，112]。可以在存储单元为第二输出数据确定相应的第二存储空间。

接下来，在深度学习模型包括两个卷积算子的情况下，可以运行第二卷积算子。例如，可以将第一输出数据输入第二卷积算子，得到输出数据。输出数据可以写入第二存储空间。

在另一些实施例中，若深度学习模型还包括除第一卷积算子和第二卷积算子之外的目标算子，可以并行地运行第二卷积算子和一预设函数。该预设函数可以确定第二卷积算子的在后目标算子的规模信息。

在一些实施例中，目标算子的算子数据可以包括预设函数的函数数据。例如，算子数据还可以包括用于处理输入数据的至少一个函数数据和至少一个参数数据。预设函数的函数数据可以包括运行该预设函数的全部数据。通过本公开实施例，预设函数与目标算子绑定，可以在算子执行前快速地进行规模推导，提高模型运行的效率。

图5是根据本公开的另一个实施例的电子设备的示意框图。

如图5所示，该设备50可以包括数据处理装置500。数据处理装置500可以为上述的数据处理装置400。

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。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图6所示，设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如深度学习模型的多算子并行处理方法。例如，在一些实施例中，深度学习模型的多算子并行处理方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的深度学习模型的多算子并行处理方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行深度学习模型的多算子并行处理方法。

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)、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)显示器或者LCD(液晶显示器))；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。

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 (14)

1.一种深度学习模型的多算子并行处理方法，所述深度学习模型包括多个算子，所述方法包括：

根据所述多个算子中至少两个目标算子中当前目标算子的输入数据的规模信息，利用预设函数确定所述当前目标算子的输出数据的规模信息；以及

并行地执行以下操作：

利用所述预设函数确定所述当前目标算子的在后目标算子的输出数据的规模信息；和

运行所述当前目标算子。

2.根据权利要求1所述的方法，其中，所述深度学习模型为动态深度学习模型，所述目标算子的输入数据的规模信息是可变的。

3.根据权利要求1所述的方法，其中，所述根据所述多个算子中至少两个所述待处理子中当前目标算子的输入数据的规模信息，利用预设函数确定所述当前目标算子的输出数据的规模信息包括：

响应于确定待运行算子的状态信息指示了目标状态，将所述待运行算子作为所述当前目标算子；以及

根据所述当前目标算子的输入数据的规模信息，利用所述预设函数确定所述当前目标算子的输出数据的规模信息。

4.根据权利要求1所述的方法，其中，所述目标算子的算子数据包括所述预设函数的函数数据。

5.根据权利要求1所述的方法，其中，所述利用所述预设函数确定所述当前目标算子的在后目标算子的输出数据的规模信息包括：

根据所述当前目标算子的输出数据的规模信息，利用所述预设函数确定所述在后目标算子的输出数据的规模信息。

6.一种数据处理装置，包括：

存储器，配置为存储可执行指令、待处理数据和深度学习模型的模型数据，所述深度学习模型包括多个算子；

处理器，配置为执行所述可执行指令，以便：

从所述存储器读取所述模型数据和所述待处理数据；

根据多个所述算子中至少两个所述目标算子中当前目标算子的输入数据的规模信息，利用预设函数确定所述当前目标算子的输出数据的规模信息，其中，所述当前目标算子的输入数据是根据所述待处理数据确定的；以及

并行地执行以下操作：

利用所述预设函数确定所述当前目标算子的在后目标算子的输出数据的规模信息；和

运行所述当前目标算子。

7.根据权利要求6所述的装置，其中，所述深度学习模型为动态深度学习模型，所述目标算子的输入数据的规模信息是可变的。

8.根据权利要求6所述的装置，其中，所述处理器还配置为：

响应于确定待运行算子的状态信息指示了目标状态，将所述待运行算子作为所述当前目标算子；

根据所述当前目标算子的输入数据的规模信息，利用所述预设函数确定所述当前目标算子的输出数据的规模信息。

9.根据权利要求6所述的装置，其中，所述目标算子的算子数据包括所述预设函数的函数数据。

10.根据权利要求6所述的装置，其中，所述处理器还配置为：

根据所述当前目标算子的输出数据的规模信息，利用所述预设函数确定所述在后目标算子的输出数据的规模信息。

11.一种电子设备，包括：

根据权利要求6至10中任一项所述的数据处理装置。

12.一种电子设备，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5中任一项所述的方法。

13.一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5中任一项所述的方法。

14.一种计算机程序产品，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5中任一项所述的方法。

Images