CN116596091B - 模型训练方法、装置、设备以及存储介质 - Google Patents
模型训练方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN116596091B CN116596091B CN202310564841.4A CN202310564841A CN116596091B CN 116596091 B CN116596091 B CN 116596091B CN 202310564841 A CN202310564841 A CN 202310564841A CN 116596091 B CN116596091 B CN 116596091B
- Authority
- CN
- China
- Prior art keywords
- computing
- communication
- stream
- flow
- switching
- 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
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000012549 training Methods 0.000 title claims abstract description 52
- 230000006854 communication Effects 0.000 claims abstract description 290
- 238000004891 communication Methods 0.000 claims abstract description 288
- 238000004364 calculation method Methods 0.000 claims description 62
- 230000001360 synchronised effect Effects 0.000 claims description 11
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 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
- 238000005457 optimization 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
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Abstract
本公开提供了一种模型训练方法、装置、设备以及存储介质，涉及计算机技术领域，尤其涉及人工智能、深度学习、分布式训练等技术领域。具体实现方案为：针对至少一个模型训练阶段中的每个模型训练阶段，获取与模型训练阶段对应的至少一个计算操作、至少一个通信操作和同步模式；根据同步模式，将至少一个计算操作和至少一个通信操作分配至计算流和通信流中；以及执行计算流和通信流，以便对模型进行训练。
Description
本申请是申请日为2022年11月8日、申请号为202211394926.4的中国专利申请“模型训练方法、装置、设备以及存储介质”的分案申请。
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、分布式训练等技术领域。
背景技术
近年来，随着数据量的不断增长，用户对深度学习模型训练的性能具有越来越高的要求。利用分布式系统进行分布式训练是一种行之有效的性能提升手段。不过，分布式系统间和分布式系统内部的通信均存在较大的开销。因此，亟需减少通信对计算的阻塞，以充分满足用户对性能的要求。
发明内容
本公开提供了一种模型训练方法、装置、设备、存储介质以及程序产品。
根据本公开的一方面，提供了一种模型训练方法，包括：针对至少一个模型训练阶段中的每个模型训练阶段，获取与所述模型训练阶段对应的至少一个计算操作、至少一个通信操作和同步模式；根据所述同步模式，将所述至少一个计算操作和所述至少一个通信操作分配至计算流和通信流中；以及执行所述计算流和所述通信流，以便对模型进行训练。
根据本公开的另一方面，提供了一种模型训练装置，包括：获取模块，用于针对至少一个模型训练阶段中的每个模型训练阶段，获取与所述模型训练阶段对应的至少一个计算操作、至少一个通信操作和同步模式；分配模块，用于根据所述同步模式，将所述至少一个计算操作和所述至少一个通信操作分配至计算流和通信流中；以及执行模块，用于执行所述计算流和所述通信流，以便对模型进行训练。
本公开的另一个方面提供了一种电子设备，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本公开实施例所示的方法。
根据本公开实施例的另一方面，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，所述计算机指令用于使所述计算机执行本公开实施例所示的方法。
根据本公开实施例的另一方面，提供了一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现本公开实施例所示方法的步骤。
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模型训练方法、装置、电子设备和存储介质的应用场景示意图；
图2示意性示出了根据本公开的实施例的模型训练方法的流程图；
图3示意性示出了根据本公开的实施例的将至少一个计算操作和至少一个通信操作分配至计算流和通信流中的方法的流程图；
图4示意性示出了根据本公开另一实施例的将至少一个计算操作和至少一个通信操作分配至计算流和通信流中的方法的示意图；
图5示意性示出了根据本公开另一实施例的将至少一个计算操作和至少一个通信操作分配至计算流和通信流中的方法的流程图；
图6示意性示出了根据本公开另一实施例的将至少一个计算操作和至少一个通信操作分配至计算流和通信流中的方法的示意图；
图7示意性示出了根据本公开另一实施例的根据同步模式，将至少一个计算操作和至少一个通信操作分配至计算流和通信流中的方法的流程图；
图8示意性示出了根据本公开另一实施例的将至少一个计算操作和至少一个通信操作分配至计算流和通信流中的方法的示意图；
图9示意性示出了根据本公开实施例的模型训练装置的框图；以及
图10示意性示出了可以用来实施本公开的实施例的示例电子设备的框图。
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。
以下将结合图1对本公开提供的模型训练方法和装置的应用场景进行描述。
图1是根据本公开实施例的模型训练方法、装置、电子设备和存储介质的应用场景示意图。需要注意的是，图1所示仅为可以应用本公开实施例的应用场景的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
如图1所示，该应用场景100包括计算节点101、102、103。
根据本公开的实施例，计算节点101、102、103可以包括CPU(中央处理器)、GPU(图形处理器)等等。计算节点101、102、103可以用于执行模型训练中的计算操作。计算节点101、102、103之间可以进行通信，以发送或接收数据。例如，计算节点101、102、103可以接收来自其他节点的计算数据，根据该计算数据执行本地的计算。另外，计算节点101、102、103也可以将本地计算得到的计算结果发送给其他节点。
示例性地，本实施例中，计算节点101可以根据输入数据，计算得到第一计算结果。然后将第一计算结果发送至计算节点102。计算节点102可以接收第一计算结果，并根据第一计算结果，计算得到第二计算结果，然后可以将第二计算结果发送至计算节点103。计算节点103可以接收第二计算结果，并根据第二计算结果，计算得到输出结果。
在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、公开和应用等处理，均符合相关法律法规的规定，采取了必要保密措施，且不违背公序良俗。
在本公开的技术方案中，在获取或采集用户个人信息之前，均获取了用户的授权或同意。
以下将结合图2对本公开提供的模型训练方法进行描述。
图2示意性示出了根据本公开的实施例的模型训练方法的流程图。该方法例如可以应用于上文所示的计算节点，以下简称节点。
如图2所示，该模型训练方法200包括在操作S2 1 0，针对至少一个模型训练阶段中的每个模型训练阶段，获取与模型训练阶段对应的至少一个计算操作、至少一个通信操作和同步参数。
根据本公开的实施例，例如可以将模型训练分为至少一个模型训练阶段，每个模型训练阶段可以对应至少一个计算操作和至少一个通信操作。其中，计算操作例如可以包括加、减、乘、除、异或等操作。通信操作可以用于接收来自其他节点的数据，或者将本节点的数据发送至其他节点。其中，数据可以为计算操作的计算结果，其他节点可以是一个也可以是多个。
然后，在操作S220，根据同步模式，将至少一个计算操作和至少一个通信操作分配至计算流和通信流中。
根据本公开的实施例，可以例如同步参数来指示在该模型训练阶段中采用的同步模式。同步参数可以由用户设备。计算流(calculation stream)和通信流(communicationstream)例如可以分别包括操作队列。
在操作S230，执行计算流和通信流，以便对模型进行训练。
根据本公开的实施例，例如可以并行执行计算流和通信流，其中，在执行计算流的过程中，串行执行计算流中的操作，在执行通信流的过程中，串行执行通信流中的操作。
在利用分布式系统进行深度学习模型训练的过程中，分布式系统间和系统内通信均存在较大开销，进而会导致对计算的阻塞。
示例性地，本实施例中计算流和通信流例如可以为CUDA(Compute UnifiedDevice Architecture，统一计算设备架构)流(stream)，CUDA流是利用CUDA函数的异步特性构建的操作队列。属于不同的流的操作是异步的，因而可以并行。而同属于一个流的操作是串行的。由于CUDA函数本身是异步的，该方法可以有效减少异步操作的阻塞。
根据本公开的实施例，通过将计算操作和通信操作分配给计算流和通信流，计算流和通信流各司其职，有利于实现通信过程和计算过程的重叠，降低通信开销，提高计算效率。
根据本公开的实施例，同步模式例如可以包括异步模式、通信流同步模式和计算流同步模式中的至少一个。
根据本公开的实施例，至少一个计算操作可以包括第一计算操作，至少一个通信操作可以包括第一通信操作。其中，第一计算操作可以为计算结果需要发送至其他节点的计算操作。第一通信操作可以用于将第一计算操作的计算结果发送至第一节点。示例性地，第一计算操作可以为多个，第一通信操作也可以为多个。
根据本公开的另一实施例，至少一个计算操作还可以包括第二计算操作，至少一个通信操作还可以包括第二通信操作。其中，第二计算操作可以为需要其他节点的计算数据来进行计算的计算操作。第二通信操作用于获取来自第二节点的计算数据，第二计算操作用于对计算数据进行计算。
根据本公开的实施例，第一计算操作和第二计算操作可以是同一个操作，也可以是不同操作。第一通信操作和第二通信操作可以是同一个操作，也可以是不同操作。
因为CUDA函数本身的异步特性，如果想要实现多个流上的数据同步，需要在保证正确性上做出额外的设计。为了解决这一问题，可以等待计算完成后利用流进行消息传递以实现同步。然而，该过程忽略了CUDA流本身的串行特性，消息传递次数较多，流切换的开销较大。并且，该消息传递的过程用户无法感知也无法干预，不利于优化，导致很难满足用户对性能的要求。
根据本公开的实施例，属于不同的流的操作是异步的。通过将流进一步细分为计算流和通信流，计算流和通信流各司其职，可以实现异步执行的效果，可以使通信过程和计算过程的重叠。同属于一个流的操作可以是串行执行的。通过在计算流上进行连续的计算操作，或在通信操作之后直接在通信流上进行后续的计算操作，可以在保证同步语义的情况下减少切换流的次数，从而降低开销。
以下将结合图3对本公开提供的在同步模式为异步模式的情况下，将至少一个计算操作和至少一个通信操作分配至计算流和通信流中的方法进行描述。
图3示意性示出了根据本公开的实施例的将至少一个计算操作和至少一个通信操作分配至计算流和通信流中的方法的流程图。
如图3所示，在同步模式为异步模式的情况下，将至少一个计算操作和至少一个通信操作分配至计算流和通信流中的方法330包括在操作S331在计算流中添加至少一个计算操作，在通信流中添加至少一个通信操作。
根据本公开的实施例，对于多个计算操作，可以根据计算操作的执行顺序，将多个计算操作添加至计算流。越先执行的计算操作在计算流中的位置越靠前。
在操作S332，确定至少一个计算操作是否包括第一计算操作。如果至少一个计算操作包括第一计算操作，则执行操作S333。否则执行操作S335。
根据本公开的实施例，第一计算操作可以包括需要将计算结果发送给其他节点的计算操作。每个第一计算操作可以对应一个第一通信操作，可以用于将第一计算节点的计算结果发送给其他节点。
在操作S333，在计算流中第一计算操作的后一位添加第一切换操作。
根据本公开的实施例，第一切换操作可以用于切换至通信流中与第一计算操作对应的第一通信操作，从而在下一步执行第一通信操作。
在操作S334，在通信流中第一通信操作的前一位添加第一等待操作。
根据本公开的实施例，第一等待操作可以用于等待第一切换操作执行完毕。在第一切换操作被执行之前，通信流处于等待状态，在第一切换操作执行完毕后，等待状态结束，开始执行第一通信操作。
在操作S335，确定至少一个计算操作是否包括第二计算操作。如果至少一个计算操作包括第二计算操作，则执行操作S336～S337。否则结束操作。
根据本公开的实施例，第二计算操作可以包括需要根据来自其他节点的计算数据进行计算的计算操作。每个第二计算操作可以对应一个第二通信操作，可以用于从其他节点获取第二计算节点所需的计算数据，以提供给第二计算节点。
在操作S336，在通信流中第二通信操作的后一位添加第三切换操作。
根据本公开的实施例，第三切换操作可以用于切换至计算流中与第二通信操作对应的第二计算操作，从而在下一步执行第二计算操作。
在操作S337，在计算流中第二计算操作的前一位添加第三等待操作。
根据本公开的实施例，第三等待操作可以用于等待第三切换操作执行完毕。在第三切换操作被执行之前，计算流处于等待状态，在第三切换操作执行完毕后，等待状态结束，开始执行第二计算操作。
需要说明的是，每个计算操作和通信操作仅添加一次，不重复添加。
根据本公开的实施例，通过将流进一步细分为计算流和通信流，计算流和通信流各司其职，可以实现异步执行的效果，可以使通信过程和计算过程的重叠，提高计算效率。
下面参考图4，结合具体实施例对上文所示的在同步模式为异步模式的情况下，将至少一个计算操作和至少一个通信操作分配至计算流和通信流中的方法做进一步说明。本领域技术人员可以理解，以下示例实施例仅用于理解本公开，本公开并不局限于此。
图4示意性示出了根据本公开另一实施例的将至少一个计算操作和至少一个通信操作分配至计算流和通信流中的方法的示意图。
如图4所示，计算操作可以包括411、412、413、414。通信操作可以包括441、442。其中，计算操作412、413为第一计算操作，通信操作441为与计算操作412对应的第一通信操作，通信操作442为与计算操作413对应的第一通信操作。计算操作414为第二计算操作，通信操作442为与计算操作414对应的第二通信操作。
基于此，可以将计算操作411、412、413、414依次添加至计算流中，将通信操作441、442依次添加至通信流中。然后在计算流中计算操作412的后一位添加切换操作421，在通信流中通信操作441的前一位添加等待操作431。在计算流中计算操作413的后一位添加切换操作422，在通信流中通信操作442的前一位添加等待操作432。在通信流中通信操作442的后一位添加切换操作451，在计算流中计算操作414的前一位添加等待操作461。
以下将结合图5对本公开提供的在同步模式为通信流同步模式的情况下，根据同步模式，将至少一个计算操作和至少一个通信操作分配至计算流和通信流中的方法进行描述。
图5示意性示出了根据本公开另一实施例的将至少一个计算操作和至少一个通信操作分配至计算流和通信流中的方法的流程图。
如图5所示，同步模式为通信流同步模式的情况下，将至少一个计算操作和至少一个通信操作分配至计算流和通信流中的方法530包括在操作S531，在通信流中添加至少一个通信操作。
在操作S532，确定至少一个计算操作是否包含第二计算操作。如果至少一个计算操作包含第二计算操作，则执行操作S533。否则执行操作S534。
在操作S533，针对通信流中的每个第二通信操作，在第二通信操作的后一位添加与第二通信操作对应的第二计算操作。
在操作S534，确定至少一个计算操作是否包括第一计算操作。如果至少一个计算操作包括第一计算操作，则执行操作S535。否则执行操作S538。
在操作S535，在计算流中添加第一计算操作。
根据本公开的实施例，如果计算操作已被添加至通信流，则不再重复添加至计算流。
在操作S536，在计算流中第一计算操作的后一位添加第一切换操作，并在第一切换操作的后一位添加第二等待操作。
根据本公开的实施例，第一切换操作可以用于切换至通信流中与第一计算操作对应的第一通信操作，第二等待操作可以用于等待第一通信操作执行完毕。
在操作S537，在通信流中第一通信操作的前一位添加第一等待操作，并在第一等待操作的后一位添加第二切换操作。
根据本公开的实施例，第一等待操作可以用于等待第一切换操作执行完毕，第二切换操作可以用于切换至计算流中与第一通信操作对应的第一计算操作。
在操作S538，将至少一个计算操作中未添加至计算流和通信流中的计算操作添加至计算流中。
根据本公开的实施例，对于至少一个计算操作中未添加至计算流和通信流中的计算操作，可以根据执行顺序，将这些计算操作添加至计算流中的指定位置。
根据本公开的实施例，通过在通信操作之后直接在通信流上进行后续的计算操作，可以减少切换流的次数，从而降低开销。
下面参考图6，结合具体实施例对上文所示的在同步模式为通信流同步模式的情况下，根据同步模式，将至少一个计算操作和至少一个通信操作分配至计算流和通信流中的方法做进一步说明。本领域技术人员可以理解，以下示例实施例仅用于理解本公开，本公开并不局限于此。
图6示意性示出了根据本公开另一实施例的将至少一个计算操作和至少一个通信操作分配至计算流和通信流中的方法的示意图。
如图6所示，计算操作可以包括611、612、613。通信操作可以包括621、622。其中，计算操作612为第一计算操作，通信操作421为与计算操作612对应的第一通信操作。计算操作613为第二计算操作，通信操作621为与计算操作613对应的第二通信操作。
基于此，可以将计算操作611、612、613依次添加至计算流中。然后在通信流中通信操作621的后一位，也即通信操作622的前一位添加计算操作613。需要说明的是，每个计算操作和通信操作仅添加一次，不重复添加。在计算操作612的后一位添加切换操作631，接着添加等待操作651。在通信操作621的前一位添加等待操作641。另外，还可以根据用户的需要，在计算流中添加等待操作651，用于等待通信操作622执行完毕。
根据本公开的实施例，通过在通信操作621之后直接在通信流上进行后续的计算操作61 3，减少了通信操作621切换到计算操作613所需的等待操作、切换操作等步骤，从而降低了开销。
以下将结合图7对本公开提供的在同步模式为计算流同步模式的情况下，根据同步模式，将至少一个计算操作和至少一个通信操作分配至计算流和通信流中的方法进行描述。
图7示意性示出了根据本公开另一实施例的根据同步模式，将至少一个计算操作和至少一个通信操作分配至计算流和通信流中的方法的流程图。
如图7所示，在同步模式为计算流同步模式的情况下，将至少一个计算操作和至少一个通信操作分配至计算流和通信流中的方法730包括在操作S731，在计算流中添加至少一个计算操作。
在操作S732，确定至少一个计算操作中是否包括第一计算操作。如果至少一个计算操作中包括第一计算操作，则执行操作S733。否则执行操作S734。
在操作S733，针对计算流中的每个第一计算操作，在第一计算操作的后一位添加与第一计算操作对应的第一通信操作。
根据本公开的实施例，通过在第一计算操作的后一位添加与第一计算操作对应的第一通信操作，可以在第一计算操作结束后继续在计算流中执行第一通信操作，不需要进行流切换，减少了切换的损耗，提高了计算效率。
在操作S734，确定至少一个计算操作中是否包括第二计算操作。如果至少一个计算操作中包括第二计算操作，则执行操作S735。否则结束操作。
在操作S735，针对计算流中的每个第二计算操作，在第二计算操作的前一位添加与第二计算操作对应的第二通信操作。
根据本公开的实施例，通过在第二计算操作的前一位添加与第二计算操作对应的第二通信操作，可以在第一通信操作结束后直接在计算流中执行第一计算操作，不需要进行流切换，减少了切换的损耗，提高了计算效率。
下面参考图8，结合具体实施例对上文所示的在同步模式为计算流同步模式的情况下，根据同步模式，将至少一个计算操作和至少一个通信操作分配至计算流和通信流中的方法做进一步说明。本领域技术人员可以理解，以下示例实施例仅用于理解本公开，本公开并不局限于此。
图8示意性示出了根据本公开另一实施例的将至少一个计算操作和至少一个通信操作分配至计算流和通信流中的方法的示意图。
如图8所示，计算操作可以包括811、812、813。通信操作可以包括821、822。其中，计算操作812、813可以为第一计算操作，通信操作821是与计算操作812对应的第一通信操作，通信操作822是与计算操作813对应的第一通信操作。计算操作813同时也可以为第二计算操作，通信操作821是与计算操作813对应的第二通信操作。
基于此，可以将计算操作811、812、813依次添加至计算流中。然后在计算流中计算操作812的后一位，也即计算操作813的前一位添加通信操作821，在计算操作813的后一位添加通信操作822。
根据本公开的实施例，通过将通信操作821、822添加至计算流中，可以在计算流上连续进行计算操作811、812、通信操作821、计算操作813和计算操作813，不需要切换至通信流，不需要等待操作、切换操作等步骤，从而减少了切换流的次数，降低了开销。
根据本公开的实施例，训练模型的过程中，用户可以根据实际需要对各个模型训练阶段设置对应的同步模式。
根据本公开的另一实施例，例如可以设置应用程序接口，其中，应用程序接口可以用于接收同步参数。同步参数可以表示同步模式。通过将应用程序接口提供给用户，用户可以在应用程序接口输入同步参数，从而设置模型训练阶段的同步模式。由此，可以满足特定场景下用户对性能的进一步需求。
以下将结合图9对本公开提供的模型训练装置进行描述。
图9示意性示出了根据本公开实施例的模型训练装置的框图。
如图9所示，模型训练装置900包括获取模块910、分配模块920和执行模块930。
获取模块910，用于针对至少一个模型训练阶段中的每个模型训练阶段，获取与模型训练阶段对应的至少一个计算操作、至少一个通信操作和同步模式。
分配模块920，用于根据同步模式，将至少一个计算操作和至少一个通信操作分配至计算流和通信流中。
执行模块930，用于执行计算流和通信流，以便对模型进行训练。
根据本公开的实施例，所述至少一个计算操作可以包括第一计算操作，所述至少一个通信操作可以包括第一通信操作，所述第一通信操作可以用于将所述第一计算操作的计算结果发送至第一节点。其中，第一节点可以为当前执行节点之外的任意其他节点。第一节点可以是一个也可以是多个。
根据本公开的实施例，分配模块可以包括：第一添加子模块，用于在所述同步模式为异步模式的情况下，在所述计算流中添加所述至少一个计算操作，在所述通信流中添加所述至少一个通信操作；第二添加子模块，用于在所述计算流中所述第一计算操作的后一位添加第一切换操作，其中，所述第一切换操作用于切换至所述通信流中与所述第一计算操作对应的第一通信操作；以及第三添加子模块，用于在所述通信流中所述第一通信操作的前一位添加第一等待操作，其中，所述第一等待操作用于等待所述第一切换操作执行完毕。
根据本公开的实施例，分配模块可以包括：第四添加子模块，用于在所述同步模式为通信流同步模式的情况下，在所述计算流中添加所述至少一个计算操作，在所述通信流中添加所述至少一个通信操作；第五添加子模块，用于在所述计算流中所述第一计算操作的后一位添加第一切换操作，并在所述第一切换操作的后一位添加第二等待操作，其中，所述第一切换操作用于切换至所述通信流中与所述第一计算操作对应的第一通信操作，所述第二等待操作用于等待所述第一通信操作执行完毕；以及第六添加子模块，用于在所述通信流中所述第一通信操作的前一位添加第一等待操作，并在所述第一等待操作的后一位添加第二切换操作，其中，所述第一等待操作用于等待所述第一切换操作执行完毕，所述第二切换操作用于切换至所述计算流中与所述第一通信操作对应的第一计算操作。
根据本公开的实施例，分配模块可以包括：第七添加子模块，用于在所述同步模式为计算流同步模式的情况下，在所述计算流中添加所述至少一个计算操作；以及第八添加子模块，用于针对所述计算流中的每个第一计算操作，在所述第一计算操作的后一位添加与所述第一计算操作对应的第一通信操作。
根据本公开的实施例，所述至少一个计算操作可以包括第二计算操作，所述至少一个通信操作可以包括第二通信操作，所述第二通信操作可以用于获取来自第二节点的计算数据，所述第二计算操作可以用于对所述计算数据进行计算。其中，第二节点可以为当前执行节点之外的任意其他节点。第二节点可以是一个也可以是多个。第二节点与第一节点可以是同一节点，也可以是不同节点。
根据本公开的实施例，分配模块可以包括：第九添加子模块，用于在所述同步模式为异步模式的情况下，在所述计算流中添加所述至少一个计算操作，在所述通信流中添加所述至少一个通信操作；第十添加子模块，用于在所述通信流中所述第二通信操作的后一位添加第三切换操作，其中，所述第三切换操作用于切换至所述计算流中与所述第二通信操作对应的第二计算操作；以及第十一添加子模块，用于在所述计算流中所述第二计算操作的前一位添加第三等待操作，其中，所述第三等待操作用于等待所述第三切换操作执行完毕。
根据本公开的实施例，分配模块可以包括：第十二添加子模块，用于在所述同步模式为通信流同步模式的情况下，在所述通信流中添加所述至少一个通信操作；以及第十三添加子模块，用于针对所述通信流中的每个第二通信操作，在所述第二通信操作的后一位添加与所述第二通信操作对应的第二计算操作。
根据本公开的实施例，分配模块可以包括：第十四添加子模块，用于在所述同步模式为计算流同步模式的情况下，在所述计算流中添加所述至少一个计算操作；以及第十五添加子模块，用于针对所述计算流中的每个第二计算操作，在所述第二计算操作的前一位添加与所述第二计算操作对应的第二通信操作。
根据本公开的实施例，执行模块包括：执行子模块，用于并行执行所述计算流和通信流，其中，在执行所述计算流的过程中，串行执行所述计算流中的操作，在执行所述通信流的过程中，串行执行所述通信流中的操作。
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示意性示出了可以用来实施本公开的实施例的示例电子设备1 000的框图。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1 001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，例如模型训练方法。例如，在一些实施例中，模型训练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模型训练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)而被配置为执行模型训练方法。
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，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务(″Virtual Private Server″，或简称″VPS″)中，存在的管理难度大，业务扩展性弱的缺陷。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、予组合和替代。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 (10)
1.一种模型训练方法，包括：
针对至少一个模型训练阶段中的每个模型训练阶段，
获取与所述模型训练阶段对应的至少一个计算操作、至少一个通信操作和同步模式，所述至少一个计算操作包括第一计算操作，所述至少一个通信操作包括第一通信操作，所述第一通信操作用于将所述第一计算操作的计算结果发送至第一节点；
根据所述同步模式，将所述至少一个计算操作分配至计算流中，并将所述至少一个通信操作分配至通信流中；以及
执行所述计算流和所述通信流，以便对模型进行训练；
其中，所述根据所述同步模式，将所述至少一个计算操作分配至计算流中，并将所述至少一个通信操作分配至通信流中，包括：
在所述同步模式为通信流同步模式的情况下，
在所述计算流中添加所述至少一个计算操作，在所述通信流中添加所述至少一个通信操作；
在所述计算流中所述第一计算操作的后一位添加第一切换操作，并在所述第一切换操作的后一位添加第二等待操作，其中，所述第一切换操作用于切换至所述通信流中与所述第一计算操作对应的第一通信操作，所述第二等待操作用于等待所述第一通信操作执行完毕；以及
在所述通信流中所述第一通信操作的前一位添加第一等待操作，并在所述第一等待操作的后一位添加第二切换操作，其中，所述第一等待操作用于等待所述第一切换操作执行完毕，所述第二切换操作用于切换至所述计算流中与所述第一通信操作对应的第一计算操作。
2.根据权利要求1所述的方法，其中，所述根据所述同步模式，将所述至少一个计算操作分配至计算流中，并将所述至少一个通信操作分配至通信流中，还包括：
在所述同步模式为异步模式的情况下，
在所述计算流中添加所述至少一个计算操作，在所述通信流中添加所述至少一个通信操作；
在所述计算流中所述第一计算操作的后一位添加第一切换操作，其中，所述第一切换操作用于切换至所述通信流中与所述第一计算操作对应的第一通信操作；以及
在所述通信流中所述第一通信操作的前一位添加第一等待操作，其中，所述第一等待操作用于等待所述第一切换操作执行完毕。
3.根据权利要求1所述的方法，其中，所述至少一个计算操作还包括第二计算操作，所述至少一个通信操作包括第二通信操作，所述第二通信操作用于获取来自第二节点的计算数据，所述第二计算操作用于对所述计算数据进行计算。
4.根据权利要求3所述的方法，其中，所述根据所述同步模式，将所述至少一个计算操作分配至计算流中，并将所述至少一个通信操作分配至通信流中，还包括：
在所述同步模式为异步模式的情况下，
在所述计算流中添加所述至少一个计算操作，在所述通信流中添加所述至少一个通信操作；
在所述通信流中所述第二通信操作的后一位添加第三切换操作，其中，所述第三切换操作用于切换至所述计算流中与所述第二通信操作对应的第二计算操作；以及
在所述计算流中所述第二计算操作的前一位添加第三等待操作，其中，所述第三等待操作用于等待所述第三切换操作执行完毕。
5.根据权利要求3所述的方法，其中，所述根据所述同步模式，将所述至少一个计算操作分配至计算流中，并将所述至少一个通信操作分配至通信流中，包括：
在所述同步模式为通信流同步模式的情况下，
在所述通信流中添加所述至少一个通信操作；以及
针对所述通信流中的每个第二通信操作，在所述第二通信操作的后一位添加与所述第二通信操作对应的第二计算操作。
6.根据权利要求3所述的方法，其中，所述根据所述同步模式，将所述至少一个计算操作分配至计算流中，并将所述至少一个通信操作分配至通信流中，包括：
在所述同步模式为计算流同步模式的情况下，
在所述计算流中添加所述至少一个计算操作；以及
针对所述计算流中的每个第二计算操作，在所述第二计算操作的前一位添加与所述第二计算操作对应的第二通信操作。
7.根据权利要求1所述的方法，其中，所述执行所述计算流和所述通信流中的操作，包括：
并行执行所述计算流和通信流，其中，在执行所述计算流的过程中，串行执行所述计算流中的操作，在执行所述通信流的过程中，串行执行所述通信流中的操作。
8.一种模型训练装置，包括：
获取模块，用于针对至少一个模型训练阶段中的每个模型训练阶段，获取与所述模型训练阶段对应的至少一个计算操作、至少一个通信操作和同步模式，所述至少一个计算操作包括第一计算操作，所述至少一个通信操作包括第一通信操作，所述第一通信操作用于将所述第一计算操作的计算结果发送至第一节点；
分配模块，用于根据所述同步模式，将所述至少一个计算操作分配至计算流中，并将所述至少一个通信操作分配至通信流中；以及
执行模块，用于执行所述计算流和所述通信流，以便对模型进行训练；
其中，所述分配模块还用于：在所述同步模式为通信流同步模式的情况下，
在所述计算流中添加所述至少一个计算操作，在所述通信流中添加所述至少一个通信操作；
在所述计算流中所述第一计算操作的后一位添加第一切换操作，并在所述第一切换操作的后一位添加第二等待操作，其中，所述第一切换操作用于切换至所述通信流中与所述第一计算操作对应的第一通信操作，所述第二等待操作用于等待所述第一通信操作执行完毕；以及
在所述通信流中所述第一通信操作的前一位添加第一等待操作，并在所述第一等待操作的后一位添加第二切换操作，其中，所述第一等待操作用于等待所述第一切换操作执行完毕，所述第二切换操作用于切换至所述计算流中与所述第一通信操作对应的第一计算操作。
9.一种电子设备，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1-7中任一项所述的方法。
10.一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1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310564841.4A CN116596091B (zh) | 2022-11-08 | 2022-11-08 | 模型训练方法、装置、设备以及存储介质 |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211394926.4A CN115600687B (zh) | 2022-11-08 | 2022-11-08 | 模型训练方法、装置、设备以及存储介质 |
| CN202310564841.4A CN116596091B (zh) | 2022-11-08 | 2022-11-08 | 模型训练方法、装置、设备以及存储介质 |
Related Parent Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211394926.4A Division CN115600687B (zh) | 2022-11-08 | 2022-11-08 | 模型训练方法、装置、设备以及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116596091A CN116596091A (zh) | 2023-08-15 |
| CN116596091B true CN116596091B (zh) | 2024-02-02 |
Family
ID=84852125
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211394926.4A Active CN115600687B (zh) | 2022-11-08 | 2022-11-08 | 模型训练方法、装置、设备以及存储介质 |
| CN202310564841.4A Active CN116596091B (zh) | 2022-11-08 | 2022-11-08 | 模型训练方法、装置、设备以及存储介质 |
Family Applications Before (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211394926.4A Active CN115600687B (zh) | 2022-11-08 | 2022-11-08 | 模型训练方法、装置、设备以及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (2) | CN115600687B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109388501A (zh) * | 2018-08-31 | 2019-02-26 | 平安科技（深圳）有限公司 | 基于人脸识别请求的通信匹配方法、装置、设备及介质 |
| CN111756981A (zh) * | 2016-07-25 | 2020-10-09 | 佳能株式会社 | 摄像设备和配件设备及其控制方法以及摄像系统 |
| CN112631775A (zh) * | 2020-12-24 | 2021-04-09 | 北京百度网讯科技有限公司 | 模型训练方法、装置、电子设备和计算机可读存储介质 |
| WO2021103479A1 (zh) * | 2019-11-25 | 2021-06-03 | 北京百度网讯科技有限公司 | 用于训练深度学习模型的方法和装置 |
| CN113392974A (zh) * | 2021-07-07 | 2021-09-14 | 北京百度网讯科技有限公司 | 模型训练方法、装置、电子设备以及存储介质 |
| CN113961351A (zh) * | 2021-10-28 | 2022-01-21 | 北京百度网讯科技有限公司 | 深度学习模型的分布式训练方法、装置、设备及存储介质 |
| CN114202027A (zh) * | 2021-12-10 | 2022-03-18 | 北京百度网讯科技有限公司 | 执行配置信息的生成方法、模型训练方法和装置 |
| CN114328098A (zh) * | 2021-12-23 | 2022-04-12 | 北京百度网讯科技有限公司 | 一种慢节点检测方法、装置、电子设备及存储介质 |
| CN114626523A (zh) * | 2022-03-18 | 2022-06-14 | 北京百度网讯科技有限公司 | 训练深度学习模型的方法、装置、设备以及存储介质 |
| CN114841341A (zh) * | 2022-04-25 | 2022-08-02 | 北京百度网讯科技有限公司 | 模型训练及数据处理方法、装置、设备和存储介质 |
| CN114970830A (zh) * | 2022-06-09 | 2022-08-30 | 中国人民解放军国防科技大学 | 一种面向数据并行分布式深度学习训练加速的灵活通信方法 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9571329B2 (en) * | 2013-03-11 | 2017-02-14 | International Business Machines Corporation | Collective operation management in a parallel computer |
| US11501139B2 (en) * | 2017-05-03 | 2022-11-15 | Intel Corporation | Scaling half-precision floating point tensors for training deep neural networks |
| US20200118000A1 (en) * | 2018-10-10 | 2020-04-16 | NEC Laboratories Europe GmbH | Method and system for distributed deep learning |
| US11468325B2 (en) * | 2020-03-30 | 2022-10-11 | Amazon Technologies, Inc. | Multi-model training pipeline in distributed systems |
| CN112333234B (zh) * | 2020-09-23 | 2021-09-24 | 清华大学 | 分布式机器学习训练方法、装置、电子设备及存储介质 |
| CN115080790A (zh) * | 2021-03-10 | 2022-09-20 | 中国电信股份有限公司 | 影片数据处理方法、装置、介质及电子设备 |
| CN113515370B (zh) * | 2021-04-28 | 2024-03-12 | 之江实验室 | 一种面向大规模深度神经网络的分布式训练方法 |
| CN113472597B (zh) * | 2021-08-16 | 2022-07-22 | 东北大学 | 分布式卷积神经网络细粒度的参数传输调度方法及装置 |
| CN114356578B (zh) * | 2022-01-11 | 2024-03-12 | 中国人民解放军国防科技大学 | 自然语言处理模型的并行计算方法、装置、设备及介质 |
| CN114723012A (zh) * | 2022-04-14 | 2022-07-08 | 支付宝(杭州)信息技术有限公司 | 基于分布式训练系统的计算方法和装置 |
-
2022
- 2022-11-08 CN CN202211394926.4A patent/CN115600687B/zh active Active
- 2022-11-08 CN CN202310564841.4A patent/CN116596091B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111756981A (zh) * | 2016-07-25 | 2020-10-09 | 佳能株式会社 | 摄像设备和配件设备及其控制方法以及摄像系统 |
| CN109388501A (zh) * | 2018-08-31 | 2019-02-26 | 平安科技（深圳）有限公司 | 基于人脸识别请求的通信匹配方法、装置、设备及介质 |
| WO2021103479A1 (zh) * | 2019-11-25 | 2021-06-03 | 北京百度网讯科技有限公司 | 用于训练深度学习模型的方法和装置 |
| CN112631775A (zh) * | 2020-12-24 | 2021-04-09 | 北京百度网讯科技有限公司 | 模型训练方法、装置、电子设备和计算机可读存储介质 |
| CN113392974A (zh) * | 2021-07-07 | 2021-09-14 | 北京百度网讯科技有限公司 | 模型训练方法、装置、电子设备以及存储介质 |
| CN113961351A (zh) * | 2021-10-28 | 2022-01-21 | 北京百度网讯科技有限公司 | 深度学习模型的分布式训练方法、装置、设备及存储介质 |
| CN114202027A (zh) * | 2021-12-10 | 2022-03-18 | 北京百度网讯科技有限公司 | 执行配置信息的生成方法、模型训练方法和装置 |
| CN114328098A (zh) * | 2021-12-23 | 2022-04-12 | 北京百度网讯科技有限公司 | 一种慢节点检测方法、装置、电子设备及存储介质 |
| CN114626523A (zh) * | 2022-03-18 | 2022-06-14 | 北京百度网讯科技有限公司 | 训练深度学习模型的方法、装置、设备以及存储介质 |
| CN114841341A (zh) * | 2022-04-25 | 2022-08-02 | 北京百度网讯科技有限公司 | 模型训练及数据处理方法、装置、设备和存储介质 |
| CN114970830A (zh) * | 2022-06-09 | 2022-08-30 | 中国人民解放军国防科技大学 | 一种面向数据并行分布式深度学习训练加速的灵活通信方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115600687A (zh) | 2023-01-13 |
| CN116596091A (zh) | 2023-08-15 |
| CN115600687B (zh) | 2023-06-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115880132B (zh) | 图形处理器、矩阵乘法任务处理方法、装置及存储介质 | |
| CN113193947B (zh) | 实现分布式全局序的方法、设备、介质及程序产品 | |
| CN115203126B (zh) | 一种算子融合处理方法、装置、设备及存储介质 | |
| CN114840323A (zh) | 任务处理方法、装置、系统、电子设备以及存储介质 | |
| CN112527509B (zh) | 一种资源分配方法、装置、电子设备及存储介质 | |
| CN116596091B (zh) | 模型训练方法、装置、设备以及存储介质 | |
| CN114579187B (zh) | 一种指令分配方法、装置、电子设备及可读存储介质 | |
| CN113703946B (zh) | 应用恢复方法及其装置、电子设备、计算机可读存储介质 | |
| EP4167096A1 (en) | Task allocation method and apparatus, electronic device, and computer readable medium | |
| CN113377360B (zh) | 任务执行方法、装置、电子设备、存储介质和程序产品 | |
| CN113032092B (zh) | 分布式计算方法、装置及平台 | |
| CN115346099A (zh) | 基于加速器芯片的图像卷积方法、芯片、设备及介质 | |
| CN114579311A (zh) | 执行分布式计算任务的方法、装置、设备以及存储介质 | |
| CN113778645A (zh) | 基于边缘计算的任务调度方法、装置、设备及存储介质 | |
| CN117057411B (zh) | 一种大语言模型训练方法、装置、设备及存储介质 | |
| CN115729688B (zh) | 处理器的多线程调度方法、装置、电子设备和存储介质 | |
| CN116385255A (zh) | 一种基于gpu资源的模型调度方法、装置、设备及介质 | |
| CN113407844B (zh) | 小程序框架的版本推荐方法、装置、设备以及存储介质 | |
| EP4036861A2 (en) | Method and apparatus for processing point cloud data, electronic device, storage medium, computer program product | |
| CN115904510B (zh) | 多操作数指令的处理方法、图形处理器及存储介质 | |
| EP4235424A1 (en) | Resource control method for function computing, device, and medium | |
| CN117093266A (zh) | 指令处理装置、方法、电子设备和存储介质 | |
| CN117270862A (zh) | 基于动态编译的软件可插拔方法、装置、设备和介质 | |
| CN117406964A (zh) | 数据架构模型设计方法、装置、电子设备和存储介质 | |
| CN117009075A (zh) | 量子云计算的处理方法、设备、系统及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |