CN117149446B - 一种基于图形处理器的数据处理方法、装置、设备及介质 - Google Patents
一种基于图形处理器的数据处理方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117149446B CN117149446B CN202311423901.7A CN202311423901A CN117149446B CN 117149446 B CN117149446 B CN 117149446B CN 202311423901 A CN202311423901 A CN 202311423901A CN 117149446 B CN117149446 B CN 117149446B
- Authority
- CN
- China
- Prior art keywords
- data
- matrix
- processed
- computing
- computing nodes
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 35
- 239000011159 matrix material Substances 0.000 claims description 152
- 238000004590 computer program Methods 0.000 claims description 16
- 238000010276 construction Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 17
- 238000004891 communication Methods 0.000 description 13
- 238000004422 calculation algorithm Methods 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 229910002056 binary alloy Inorganic materials 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000011521 glass Substances 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
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5072—Grid computing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Image Generation (AREA)
Abstract
本发明实施例公开了一种基于图形处理器的数据处理方法、装置、设备及介质。本发明涉及计算机技术领域。其中，该方法包括：获取待处理数据和图形处理器中的各个计算节点；基于所述待处理数据和所述计算节点构造立方网络；其中，所述立方网络包括所述图形处理器的部分或全部计算节点；将所述待处理数据播送到所述立方网络的各个计算节点中；对各个计算节点中的待处理数据进行并行运算处理，以得到目标数据。本技术方案，根据图形处理器的多个计算节点构造立方网络，对各计算节点进行并行运算，提高了运算效率，提升了计算性能。
Description
技术领域
本发明涉及计算机技术领域，尤其涉及一种基于图形处理器的数据处理方法、装置、设备及介质。
背景技术
图形处理器(Graphics Processing Unit，GPU)，是一种专用图像渲染硬件，随着近年来各种硬件技术的发展，GPU拥有了更好的通用性和更高的性能，广泛地应用于AI的模型训练等工作中。
矩阵提供了一种简单而高效的方式来表示数据，因此矩阵相乘的运算在深度学习模型总计算量中占据很大比例。实际上，在许多当前流行的Transformer模型中，矩阵乘法的运行时长约占其总运行时长的45-60%。此外，矩阵乘法可以用于生成置换矩阵，基于这些矩阵可以完成加密和解密数据操作；同时矩阵乘法还可以用于生成伪随机数序列，这是许多加密算法的基础。
现有技术中，在使用GPU进行矩阵乘法运算时，仅能针对元素的整数类型为特定位数大小的的矩阵进行矩阵的变换处理，从而导致现有技术中GPU进行矩阵乘法运算的适用性较低，运算效率较低。
发明内容
本发明提供了一种基于图形处理器的数据处理方法、装置、设备及介质，根据图形处理器的多个计算节点构造立方网络，对各计算节点进行并行运算，提高了运算效率，提升了计算性能。
根据本发明的一方面，提供了一种基于图形处理器的数据处理方法，包括：
获取待处理数据和图形处理器中的各个计算节点；
基于所述待处理数据和所述计算节点构造立方网络；其中，所述立方网络包括所述图形处理器的部分或全部计算节点；
将所述待处理数据播送到所述立方网络的各个计算节点中；
对各个计算节点中的待处理数据进行并行运算处理，以得到目标数据。
可选的，所述待处理数据由矩阵表征；
基于所述待处理数据和所述计算节点构造立方网络，包括：
将所述待处理数据的初始矩阵转化为方阵矩阵；
根据所述方阵矩阵确定所述计算节点的数量；
基于所述数量的计算节点构造立方网络。
可选的，在基于所述数量的计算节点构造立方网络之后，还包括：
获取各计算节点在所述立方网络中的位置信息；其中，所述位置信息由设定编码表征；
根据所述位置信息对各计算节点进行编号。
可选的，将所述待处理数据播送到所述立方网络的各个计算节点中，包括：
对各个计算节点进行初始赋值，得到各个计算节点的初始值；
将所述待处理数据按照设定规则替换所述初始值，以将所述待处理数据播送到所述立方网络的各个计算节点中。
可选的，待处理数据包括第一矩阵和第二矩阵；将所述待处理数据按照设定规则替换所述初始值，以将所述待处理数据播送到所述立方网络的各个计算节点中，包括：
根据元素的位置将所述第一矩阵和所述第二矩阵的元素分别沿着第一设定维度播送至所述立方网络的计算节点中，以使第一矩阵和所述第二矩阵的元素替换计算节点的初始值；
根据元素的位置将所述第一矩阵的元素分别沿着第二设定维度播送到所述立方网络的计算节点中，以使第一矩阵的元素替换计算节点中的值；
根据元素的位置将所述第二矩阵的元素分别沿着第三设定维度播送到所述立方网络的计算节点中，以使第二矩阵的元素替换计算节点的值。
可选的，所述立方网络中处于相同设定维度上至少包括两个计算节点，且所述两个计算节点包括第一边界计算节点和第二边界计算节点。
可选的，对各个计算节点中的待处理数据进行并行运算处理，以得到目标数据，包括：
对各个计算节点中的元素进行两两相乘，并将处于第一设定维度的多个计算节点进行累加，将累加得到的结果替换第一边界节点原来的值，以得到目标数据。
根据本发明的另一方面，提供了一种基于图形处理器的数据处理装置，包括：
计算节点获取模块，用于获取待处理数据和图形处理器中的各个计算节点；
立方网络构造模块，用于基于所述待处理数据和所述计算节点构造立方网络；其中，所述立方网络包括所述图形处理器的部分或全部计算节点；
计算节点播送模块，用于将所述待处理数据播送到所述立方网络的各个计算节点中；
数据运算处理模块，用于对各个计算节点中的待处理数据进行并行运算处理，以得到目标数据。
根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
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计算机程序，所述计算机程序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发明任一实施例所述的基于图形处理器的数据处理方法。
根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的基于图形处理器的数据处理方法。
本发明实施例的技术方案，通过获取待处理数据和图形处理器中的各个计算节点；基于所述待处理数据和所述计算节点构造立方网络；其中，所述立方网络包括所述图形处理器的部分或全部计算节点；将所述待处理数据播送到所述立方网络的各个计算节点中； 对各个计算节点中的待处理数据进行并行运算处理，以得到目标数据。本技术方案，根据图形处理器的多个计算节点构造立方网络，对各计算节点进行并行运算，提高了运算效率，提升了计算性能。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明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
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种基于图形处理器的数据处理方法的流程图；
图2是根据本发明实施例二提供的一种基于图形处理器的数据处理方法的流程图；
图3是根据本发明实施例二提供的第一设定维度、第二设定维度以及第三设定维度的示意图；
图4a是根据本发明实施例二提供的立方网络结构示例图；
图4b是根据本发明实施例二提供的数据分配后的结果示例图；
图5a是根据本发明实施例二提供的第一矩阵和第二矩阵的元素分别沿着第一设定维度播送完成后数据状态示意图；
图5b是根据本发明实施例二提供的第一矩阵的元素沿着第二设定维度的播送后的数据状态示意图；
图5c是根据本发明实施例二提供的第二矩阵的元素沿着第三设定维度的播送后的数据状态示意图；
图6a是根据本发明实施例二提供的计算节点进行并行相乘后的数据状态示意图；
图6b是根据本发明实施例二提供计算节点沿着第一设定维度k进行累加后的数据状态示意图；
图7是根据本发明实施例三提供的一种基于图形处理器的数据处理装置的结构示意图；
图8是根据本发明实施例四提供的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1是根据本发明实施例一提供的一种基于图形处理器的数据处理方法的流程图，本实施例可适用于通过图形处理器对数据进行处理的情况，该方法可以由一种基于图形处理器的数据处理装置来执行，该一种基于图形处理器的数据处理装置可以采用硬件和/或软件的形式实现，该一种基于图形处理器的数据处理装置可配置于具有数据处理能力的电子设备中。如图1所示，该方法包括：
本实施例的技术方案可以基于通用图形处理器GPU架构设计并行矩阵乘法，将图形处理器与并行计算系统中的DNS算法结合对矩阵相乘的数据进行处理，整体上提升矩阵相乘的效率。
S110、获取待处理数据和图形处理器中的各个计算节点。
其中，待处理数据可以是需要进行运算的数据。本实施例中的待处理数据可以由矩阵表征。可以理解的，待处理数据可以是需要进行矩阵运算的数据。图形处理器(Graphics Processing Unit，GPU)，是一种专用图像渲染硬件。本实施例中的GPU编程模式中，有三个重要概念即网格 Grid、线程块Block以及线程Thread，对应着GPU结构层级的参数Device、流多处理器SM（Streaming Multiprocessor）以及算术运算Core。GPU工作时的最小单位是线程Thread。多个线程Thread 可以组成一个线程块Block，执行相同程序的多个线程块线程块Block，可以组成网格grid。多个线程块Block共享存储器Cache，因此线程块Block间通信可视为全连通模式。本实施例中可以将图形处理器中的线程块Block作为计算节点，用于处理数据。
本实施例中可以获取待处理数据和图形处理器中的各个计算节点。本实施例通过将GPU中的每一个流多处理器SM也即线程块Block作为是一个并行计算的计算节点，利用GPU运算单元多（即Block数量多）的特点，避免了DNS算法在传统并行计算机体系网络中对计算资源消耗大的劣势，充分发挥了DNS算法复杂度低的优点。
S120、基于待处理数据和计算节点构造立方网络。
其中，立方网络可以包括图形处理器的部分或全部计算节点。立方网络可以是根据图形处理器中的计算节点组成的。本实施例中可以将图形处理中设定数量的计算节点按照立方网络结构规则进行编号，从而从逻辑上构造一个由计算节点组成的立方网络。计算节点的数量可以有待处理数据的规模确定。本实施例中可以根据待处理数据的规模确定出计算节点的数量，再将多个计算节点构造为立方网络。
在本实施例中，可选的，待处理数据由矩阵表征；基于待处理数据和计算节点构造立方网络，包括：将待处理数据的初始矩阵转化为方阵矩阵；根据方阵矩阵确定计算节点的数量；基于数量的计算节点构造立方网络。
其中，待处理数据可以由矩阵表征，待处理数据可以有两个。本实施例中可以对两个待处理数据进行相乘处理。初始矩阵可以理解为待处理数据的原始矩阵数据。方阵矩阵可以理解为矩阵的行数与列数相等的矩阵。初始矩阵的行数和列数可以是相同的，也可以是不相同的。本实施例若待处理数据的初始矩阵的行数和列数不相同，可以将初始矩阵的列数或者行数转化为相同的矩阵，即方阵矩阵。本实施例中可以将初始矩阵通过扩展零元素，使得初始矩阵的行数和列数相同，转化为方阵矩阵。示例性的，若待处理数据为3*2的初始矩阵，则可以通过扩展零元素转化为3*3的方阵矩阵。
具体的，本实施例可以将待处理数据的初始矩阵通过扩展零元素转化为方阵矩阵，可以基于方阵矩阵数据的行数或者列数确定计算节点的数量， 通过确定出的数量的计算节点构造得到立方网络。
在本实施例中，可选的，在基于数量的计算节点构造立方网络之后，还包括：获取各计算节点在立方网络中的位置信息；其中，位置信息由设定编码表征；根据位置信息对各计算节点进行编号。
其中，设定编码可以是预先设定好的。设定编码可以是二进制的形式的编码。示例性的，计算节点的位置信息可以是000、001、010以及011等。本实施例中立方网络中的位置信息可以是预先确定好的，例如，立方网络中的最底层就设定从左边第一个为000的位置编码。本实施例中可以获取各个计算节点在立方网络中的位置信息，根据获取的位置信息分别对各个计算节点进行编号。本实施例中的编号与计算节点在立方网络中的位置相对应。
此外，编号也可以采用十进制的数据进行表征，可以根据用户实际需求进行设定。例如，计算节点的编号可以为001或者是1。示例性的，假设待处理数据的初始矩阵大小规模为，可以通过扩展零元素使得/>，其中，q由矩阵的n确定。对于通用GPU中大量的计算单元Block，将/>个Block按立方网络结构设定的编号规则进行编号，记为/>，其中/>。当设定编码为k,i,j时，则各个计算节点的十进制编号规则可以为/>，其中/>。进一步的，定义/>的二进制形式表示为/>；即/>。本实施例可以令/>表示/>二进制的第m位取反，/>；/>可以表示所有满足第m位为0的/>的集合，这里/>是Block编号的十进制形式，/>是同一个数的二进制形式。
本实施例中通过这样的设置，可以根据各个计算节点的位置关系，对各个计算节点进行编号，从而可以对立方网络中的各个节点进行编号，便于后续矩阵数据的分配。
S130、将待处理数据播送到立方网络的各个计算节点中。
其中，播送可以理解为将待处理数据进行赋值到立方网络的各个计算节点中。本实施例中可以通过设定规则将待处理数据分配到需要赋值的相应的计算节点中。
S140、对各个计算节点中的待处理数据进行并行运算处理，以得到目标数据。
其中，并行运算处理可以理解为对各个计算节点的数据进行并行计算。目标数据可以理解为对待处理数据进行并行运算处理后得到的结果。本实施例中的并行运算处理可以基于DNS算法的并行步骤进行处理。本实施例中可以对各个计算节点中的待处理数据依据并行算法进行并行运算处理，以得到目标数据。
本发明实施例的技术方案，通过获取待处理数据和图形处理器中的各个计算节点；基于待处理数据和计算节点构造立方网络；其中，立方网络包括图形处理器的部分或全部计算节点；将待处理数据播送到立方网络的各个计算节点中； 对各个计算节点中的待处理数据进行并行运算处理，以得到目标数据。本技术方案，根据图形处理器的多个计算节点构造立方网络，对各计算节点进行并行运算，提高了运算效率，提升了计算性能。
实施例二
图2是根据本发明实施例二提供的一种基于图形处理器的数据处理方法的流程图，本实施例以上述实施例为基础进行优化。具体优化为：将待处理数据播送到立方网络的各个计算节点中，包括：对各个计算节点进行初始赋值，得到各个计算节点的初始值；将待处理数据按照设定规则替换初始值，以将待处理数据播送到立方网络的各个计算节点中。如图2所示，该方法包括：
S210、获取待处理数据和图形处理器中的各个计算节点。
其中，待处理数据由矩阵表征。
S220、将待处理数据的初始矩阵转化为方阵矩阵。
S230、根据方阵矩阵确定计算节点的数量。
S240、基于数量的计算节点构造立方网络。
S250、对各个计算节点进行初始赋值，得到各个计算节点的初始值。
其中，初始赋值可以理解为对各个计算节点进行赋值。初始值可以为0。本实施例中可以是对各个计算节点进行赋值设定的初始值，得到各个计算节点的初始值为0。
本实施例中可以将计算节点的各个中共享存储的三个数组分别用于存放/>、/>和/>，初始值都为0。
S260、将待处理数据按照设定规则替换初始值，以将待处理数据播送到立方网络的各个计算节点中。
其中，设定规则可以是预先设定好的分配规则。本实施例中设定规则可以是通过不同的设定维度进行数据播送。本实施例中可以将待处理数据按照设定好的规则进行替换初始值0，以将待处理数据播送到立方网络的相应的计算节点中。
在本实施例中，可选的，待处理数据包括第一矩阵和第二矩阵；将待处理数据按照设定规则替换初始值，以将待处理数据播送到立方网络的各个计算节点中，包括：根据元素的位置将第一矩阵和第二矩阵的元素分别沿着第一设定维度播送至立方网络的计算节点中，以使第一矩阵和第二矩阵的元素替换计算节点的初始值；根据元素的位置将第一矩阵的元素分别沿着第二设定维度播送到立方网络的计算节点中，以使第一矩阵的元素替换计算节点中的值；根据元素的位置将第二矩阵的元素分别沿着第三设定维度播送到立方网络的计算节点中，以使第二矩阵的元素替换计算节点的值。
其中，第一矩阵和第二矩阵可以为行数或者列数相同的方阵矩阵。第一设定维度可以是预先设定好的维度。本实施例中的第一设定维度可以是竖直方向的维度，可以称为k维度。第二设定维度可以是预先设定好的维度。本实施例中的第二设定维度可以是对角线方向的维度，可以称为j维度。第三设定维度可以是预先设定好的维度。本实施例中的第三设定维度可以是水平方向的维度，可以称为i维度。示例性的，本实施例中的第一设定维度、第二设定维度以及第三设定维度的示意图如图3所示。
本实施例中可以根据矩阵元素的位置将第一矩阵和第二矩阵的元素分别沿着竖直方向的维度播送到立方网络的对应的计算节点中，以使得第一矩阵和第二矩阵的元素替换对应计算节点的初始值，根据元素的位置将第一矩阵的元素分别沿着预先设定好的对角线方向的维度播送到立方网络相应的计算节点中，以使第一矩阵的元素替换对应计算节点的原来的值，根据元素的位置，将第二矩阵的元素分别沿着水平方向的维度播送到立方网络对应的计算节点中，以使第二矩阵的元素替换对应计算节点的原来的值。
具体的，本实施例中可以对矩阵的元素按照不同维度的播送，可以是根据元素的位置和计算节点的位置编码进行对应的赋值操作。
示例性的，计算规模为的矩阵/>和/>相乘。将输入矩阵A和B的矩阵元素分配到相应的计算节点的数组中，具体可以是矩阵A的元素/>分配到计算节点的数组/>中；矩阵B的元素/>分配到计算节点/>的数组/>中。根据元素的位置和计算节点的位置编码进行对应的赋值操作可以是分析计算节点的位置编码/>的二进制形式/>；根据计算节点的位置计算公式/>，由于立方网络可以均匀划分为前、中、后三部分，则可以知道计算节点的位置沿立方网络的k维方向变化，即是指编码的前三分之一的取值变化；计算节点的位置沿立方网络的i维方向变化，即是指中间三分之一的/>的取值变化；计算节点的位置沿立方网络的j维方向变化，即是指后三分之一/>的取值变化。因此，在矩阵元素播送阶段的位置定义可以为：新下标等于/>，其中/>表示/>二进制的第m位取反，/>。例如对于3位二进制表示的位置/>，其播送的目标计算节点的位置计算包括j维方向新下标，i维方向新位置/>，k维方向新位置/>,其中m分别取值0、1、2。
本实施例中通过这样的设置，可以将要赋值的待处理矩阵元素，写入目标计算节点的共享存储数组/>和/>中，即完成了相应矩阵元素的播送，通过GPU结构的共享存储实现各个计算节点间的通信，由于所有的计算节点均可以直接访问共享存储从而避免了信息播送操作，通过将信息播送操作转化为按规则对计算节点的位置计算以及相应计算节点共享存储的读写操作，从而降低原本DNS算法的通信复杂度。
S270、对各个计算节点中的待处理数据进行并行运算处理，以得到目标数据。
在本实施例中，可选的，立方网络中处于相同设定维度上至少包括两个计算节点，且两个计算节点包括第一边界计算节点和第二边界计算节点。
设定维度可以是第一设定维度、第二设定维度以及第三设定维度。第一边界计算节点可以理解为立方网络最底层的边界计算节点。第二边界计算节点可以理解为与第一边界计算节点处理同一维度的其他计算节点。本实施例中的第二边界计算节点可以有多个，其个数与立方网络中的计算节点的数量相关。本实施例中的立方网络处于相同设定维度上的至少包括两个计算节点，且两个计算节点包括第一边界计算节点和第二边界计算节点。本实施例中通过这样的设置，便于可以对相同设定维度的计算节点进行相加运算，便于提高了矩阵相乘的效率。
在本实施例中，可选的，对各个计算节点中的待处理数据进行并行运算处理，以得到目标数据，包括：对各个计算节点中的元素进行两两相乘，并将处于第一设定维度的多个计算节点进行累加，将累加得到的结果替换第一边界节点原来的值，以得到目标数据。
本实施例中可以对各个计算节点中的包含的两个矩阵元素进行两两相乘，并将相乘后的处于竖直方向的第一设定维度的多个计算节点进行累加，将累加后的结果替换到立方网络的最底层的第一边界节点的原来的值，从而得到两个矩阵相乘后的结果，即目标数据。
示例性的，本实施例中可以对两个的矩阵，第一矩阵A和第二矩阵B相乘，如两个的/>矩阵相乘，即/>。再由/>可知，/>。待处理数据的矩阵可以分别为/>, />，计算结果矩阵/>。首先，构造立方网络，将规模为/>个Block按立方网络结构规则进行编号，逻辑上构建起的立方网络结构示例图可以如图4a所示，计算节点Block十进制编号为Block0-Block7这8个计算节点，P0到P7为计算节点的二进制编码。其次，初始赋值阶段可以是将所有计算节点共享存储的数组初始赋值为0；然后将两个矩阵的元素分配到相应的计算节点中，可以将矩阵A的元素/>分配到计算节点/>的数组/>中；矩阵B的元素/>分配到计算节点的数组/>中。待处理数据分配后的结果示例图如图4b所示，各个计算节点的第一个元素为A矩阵的元素，计算节点中的第二个元素为B矩阵的元素。
然后，待处理数据的播送阶段。第一矩阵和第二矩阵的元素分别沿着第一设定维度播送完成后数据状态示意图如图5a所示。第一矩阵A和第二矩阵B的元素根据元素的位置分别沿着第一设定维度k维播送元素，因为，所以/>；选择所有满足/>，即位置编码的二进制为000、001、010以及011的节点；基于/>，并行执行、/>、/>、/>;基于，并行执行/>、/>、/>、。第一矩阵A的元素沿着第二设定维度的播送后的数据状态示意图如图5b所示，将第一矩阵A的元素沿着第二设定维度j进行播送，因为/>，所以/>，则选择所有满足/>，即位置编码的二进制为000、010、101、111的节点；基于/>，并行执行/>、/>、/>、/>。第二矩阵B的元素沿着第三设定维度的播送后的数据状态示意图如图5c所示。第二矩阵B的元素沿着第三设定维度i播送，因为/>，所以/>，则选择所有满足/>，即位置编码的二进制为000、001、110、111的节点；基于/>，并行执行/>、、/>、/>。
最后，并行计算阶段，各个计算节点进行并行相乘后的数据状态示意图如图6a所示。可以将所有的计算节点并行执行元素乘法，将位置编码的十进制为从0到7的Block并行执行矩阵元素乘法，即。计算节点沿着第一设定维度k进行累加后的数据状态示意图如图6b所示。将相乘后的矩阵元素按照第一设定维度k维度进行累加，因为/>，所以/>，可以选择所有满足/>，即下标二进制为000、001、010、011的节点；基于，并行执行/>、/>、、/>，以得到累加后目标数据，即第一矩阵A和第二矩阵B的乘法结果矩阵为/>。
本实施例中的所有的并行操作，并行操作可以包括计算节点内部的元素赋值、元素相乘以及累加，其复杂度为；沿各维的循环操作与位置编码的二进制/>的位数/>相关，因为/>即/>，因此算法复杂度为/>。
本发明实施例的技术方案，通过获取待处理数据和图形处理器中的各个计算节点；将待处理数据的初始矩阵转化为方阵矩阵；根据方阵矩阵确定计算节点的数量；基于数量的计算节点构造立方网络；对各个计算节点进行初始赋值，得到各个计算节点的初始值；将待处理数据按照设定规则替换初始值，以将待处理数据播送到立方网络的各个计算节点中；对各个计算节点中的待处理数据进行并行运算处理，以得到目标数据。本技术方案，根据图形处理器的多个计算节点构造立方网络，对各计算节点进行并行运算，提高了运算效率，提升了计算性能，避免了DNS算法在传统并行计算机体系网络中对计算资源消耗大的劣势，充分发挥了DNS算法复杂度低的优点，同时基于GPU共享存储设计通过共享数组存储矩阵元素来降低DNS算法的通信复杂度，从而整体上提升矩阵相乘的效率。
实施例三
图7是根据本发明实施例三提供的一种基于图形处理器的数据处理装置的结构示意图。如图7所示，该装置包括：
计算节点获取模块710，用于获取待处理数据和图形处理器中的各个计算节点。
立方网络构造模块720，用于基于待处理数据和计算节点构造立方网络；其中，立方网络包括图形处理器的部分或全部计算节点。
计算节点播送模块730，用于将待处理数据播送到立方网络的各个计算节点中。
数据运算处理模块740，用于对各个计算节点中的待处理数据进行并行运算处理，以得到目标数据。
可选的，待处理数据由矩阵表征；
立方网络构造模块720，具体用于：
将待处理数据的初始矩阵转化为方阵矩阵；
根据方阵矩阵确定计算节点的数量；
基于数量的计算节点构造立方网络。
可选的，装置还包括：编号模块，用于在基于数量的计算节点构造立方网络之后，获取各计算节点在立方网络中的位置信息；其中，位置信息由设定编码表征；根据位置信息对各计算节点进行编号。
可选的，计算节点播送模块730，包括：
初始赋值单元，用于对各个计算节点进行初始赋值，得到各个计算节点的初始值；
数据替换单元，用于将待处理数据按照设定规则替换初始值，以将待处理数据播送到立方网络的各个计算节点中。
可选的，待处理数据包括第一矩阵和第二矩阵；
数据替换单元，具体用于根据元素的位置将第一矩阵和第二矩阵的元素分别沿着第一设定维度播送至立方网络的计算节点中，以使第一矩阵和第二矩阵的元素替换计算节点的初始值；根据元素的位置将第一矩阵的元素分别沿着第二设定维度播送到立方网络的计算节点中，以使第一矩阵的元素替换计算节点中的值；根据元素的位置将第二矩阵的元素分别沿着第三设定维度播送到立方网络的计算节点中，以使第二矩阵的元素替换计算节点的值。
可选的，立方网络中处于相同设定维度上至少包括两个计算节点，且两个计算节点包括第一边界计算节点和第二边界计算节点。
可选的，数据运算处理模块740，具体用于：
对各个计算节点中的元素进行两两相乘，并将处于第一设定维度的多个计算节点进行累加，将累加得到的结果替换第一边界节点原来的值，以得到目标数据。
本发明实施例所提供的一种基于图形处理器的数据处理装置可执行本发明任意实施例所提供的一种基于图形处理器的数据处理方法，具备执行方法相应的功能模块和有益效果。
实施例四
图8是根据本发明实施例四提供的一种电子设备的结构示意图。电子设备10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（如头盔、眼镜、手表等）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/或者要求的本发明的实现。
如图8所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器（ROM）12、随机访问存储器（RAM）13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器（ROM）12中的计算机程序或者从存储单元18加载到随机访问存储器（RAM）13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出（I/O）接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10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。
处理器11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。处理器11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处理器、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。处理器11执行上文所描述的各个方法和处理，例如基于图形处理器的数据处理方法。
在一些实施例中，基于图形处理器的数据处理方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的基于图形处理器的数据处理方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行基于图形处理器的数据处理方法。
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）、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。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序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，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序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。
在本发明的上下文中，计算机可读存储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计算机程序。计算机可读存储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。备选地，计算机可读存储介质可以是机器可读信号介质。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，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：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电子设备。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）、区块链网络和互联网。
计算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服务中，存在的管理难度大，业务扩展性弱的缺陷。
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，本发明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，只要能够实现本发明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，并不构成对本发明保护范围的限制。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。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (9)
1.一种基于图形处理器的数据处理方法，其特征在于，包括：
获取待处理数据和图形处理器中的各个计算节点；
基于所述待处理数据和所述计算节点构造立方网络；其中，所述立方网络包括所述图形处理器的部分或全部计算节点；
将所述待处理数据播送到所述立方网络的各个计算节点中；
对各个计算节点中的待处理数据进行并行运算处理，以得到目标数据；
所述待处理数据由矩阵表征；
基于所述待处理数据和所述计算节点构造立方网络，包括：
将所述待处理数据的初始矩阵转化为方阵矩阵；
根据所述方阵矩阵确定所述计算节点的数量；
基于所述数量的计算节点构造立方网络。
2.根据权利要求1所述的方法，其特征在于，在基于所述数量的计算节点构造立方网络之后，还包括：
获取各计算节点在所述立方网络中的位置信息；其中，所述位置信息由设定编码表征；
根据所述位置信息对各计算节点进行编号。
3.根据权利要求1所述的方法，其特征在于，将所述待处理数据播送到所述立方网络的各个计算节点中，包括：
对各个计算节点进行初始赋值，得到各个计算节点的初始值；
将所述待处理数据按照设定规则替换所述初始值，以将所述待处理数据播送到所述立方网络的各个计算节点中。
4.根据权利要求3所述的方法，其特征在于，待处理数据包括第一矩阵和第二矩阵；将所述待处理数据按照设定规则替换所述初始值，以将所述待处理数据播送到所述立方网络的各个计算节点中，包括：
根据元素的位置将所述第一矩阵和所述第二矩阵的元素分别沿着第一设定维度播送至所述立方网络的计算节点中，以使第一矩阵和所述第二矩阵的元素替换计算节点的初始值；
根据元素的位置将所述第一矩阵的元素分别沿着第二设定维度播送到所述立方网络的计算节点中，以使第一矩阵的元素替换计算节点中的值；
根据元素的位置将所述第二矩阵的元素分别沿着第三设定维度播送到所述立方网络的计算节点中，以使第二矩阵的元素替换计算节点的值。
5.根据权利要求4所述的方法，其特征在于，所述立方网络中处于相同设定维度上至少包括两个计算节点，且所述两个计算节点包括第一边界计算节点和第二边界计算节点。
6.根据权利要求5所述的方法，其特征在于，对各个计算节点中的待处理数据进行并行运算处理，以得到目标数据，包括：
对各个计算节点中的元素进行两两相乘，并将处于第一设定维度的多个计算节点进行累加，将累加得到的结果替换第一边界节点原来的值，以得到目标数据。
7.一种基于图形处理器的数据处理装置，其特征在于，包括：
计算节点获取模块，用于获取待处理数据和图形处理器中的各个计算节点；
立方网络构造模块，用于基于所述待处理数据和所述计算节点构造立方网络；其中，所述立方网络包括所述图形处理器的部分或全部计算节点；
计算节点播送模块，用于将所述待处理数据播送到所述立方网络的各个计算节点中；
数据运算处理模块，用于对各个计算节点中的待处理数据进行并行运算处理，以得到目标数据；
所述待处理数据由矩阵表征；
所述立方网络构造模块，具体用于：
将所述待处理数据的初始矩阵转化为方阵矩阵；
根据所述方阵矩阵确定所述计算节点的数量；
基于所述数量的计算节点构造立方网络。
8.一种电子设备，其特征在于，所述电子设备包括：
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计算机程序，所述计算机程序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1-6中任一项所述的基于图形处理器的数据处理方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-6中任一项所述的基于图形处理器的数据处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311423901.7A CN117149446B (zh) | 2023-10-31 | 2023-10-31 | 一种基于图形处理器的数据处理方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311423901.7A CN117149446B (zh) | 2023-10-31 | 2023-10-31 | 一种基于图形处理器的数据处理方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117149446A CN117149446A (zh) | 2023-12-01 |
| CN117149446B true CN117149446B (zh) | 2024-03-12 |
Family
ID=88901156
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311423901.7A Active CN117149446B (zh) | 2023-10-31 | 2023-10-31 | 一种基于图形处理器的数据处理方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117149446B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH02163866A (ja) * | 1988-12-19 | 1990-06-25 | Fujitsu Ltd | 超立方体型並列演算装置 |
| US5617577A (en) * | 1990-11-13 | 1997-04-01 | International Business Machines Corporation | Advanced parallel array processor I/O connection |
| CN1531689A (zh) * | 2000-11-02 | 2004-09-22 | ����ɭ�绰�ɷ�����˾ | 信号处理装置 |
| CN110914813A (zh) * | 2017-05-17 | 2020-03-24 | 德里克·约翰·哈姆林 | 数字处理连接性 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11868880B2 (en) * | 2018-11-20 | 2024-01-09 | Microsoft Technology Licensing, Llc | Mitigating communication bottlenecks during parameter exchange in data-parallel DNN training |
| CN116724316A (zh) * | 2020-12-31 | 2023-09-08 | 华为技术有限公司 | 模型处理方法和装置 |
-
2023
- 2023-10-31 CN CN202311423901.7A patent/CN117149446B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH02163866A (ja) * | 1988-12-19 | 1990-06-25 | Fujitsu Ltd | 超立方体型並列演算装置 |
| US5617577A (en) * | 1990-11-13 | 1997-04-01 | International Business Machines Corporation | Advanced parallel array processor I/O connection |
| CN1531689A (zh) * | 2000-11-02 | 2004-09-22 | ����ɭ�绰�ɷ�����˾ | 信号处理装置 |
| CN110914813A (zh) * | 2017-05-17 | 2020-03-24 | 德里克·约翰·哈姆林 | 数字处理连接性 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117149446A (zh) | 2023-12-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102476343B1 (ko) | 자리수가 비교적 적은 고정 소수점 수치의 신경망 연산에 대한 지원 장치와 방법 | |
| CN110058936B (zh) | 用于确定专用处理资源的资源量的方法、设备和计算机程序产品 | |
| CN115880132B (zh) | 图形处理器、矩阵乘法任务处理方法、装置及存储介质 | |
| CN112488060B (zh) | 目标检测方法、装置、设备和介质 | |
| WO2023020456A1 (zh) | 网络模型的量化方法、装置、设备和存储介质 | |
| CN109412865B (zh) | 一种虚拟网络资源分配方法、系统及电子设备 | |
| CN117149446B (zh) | 一种基于图形处理器的数据处理方法、装置、设备及介质 | |
| CN114092708A (zh) | 特征图像的处理方法、装置和存储介质 | |
| CN112929300B (zh) | 一种数据处理装置、方法、基站和存储介质 | |
| CN114817845B (zh) | 数据处理方法、装置、电子设备及存储介质 | |
| CN114722048B (zh) | 一种数据处理方法、装置、电子设备及存储介质 | |
| CN115438007A (zh) | 一种文件合并方法、装置、电子设备及介质 | |
| CN113377295B (zh) | 多生产者单消费者的数据存储和读取方法、装置、设备 | |
| CN110598174B (zh) | 一种基于gpu架构的稀疏矩阵的回代求解方法 | |
| JP2023534337A (ja) | タスク割り当て方法と装置、電子デバイス、コンピュータ可読媒体 | |
| CN110059814A (zh) | 一种基于fpga的查找表式卷积运算硬件结构 | |
| CN117992715A (zh) | 一种基于异构众核的对界融合批量浮点精度转换方法 | |
| CN114581676B (zh) | 特征图像的处理方法、装置和存储介质 | |
| CN117251295B (zh) | 一种资源预测模型的训练方法、装置、设备及介质 | |
| CN117615137B (zh) | 一种视频处理方法、装置、设备以及存储介质 | |
| CN115759260B (zh) | 深度学习模型的推理方法、装置、电子设备和存储介质 | |
| CN117992714A (zh) | 基于局部采样的众核架构半精度稠密矩阵乘方法及装置 | |
| CN117892050A (zh) | 一种基于多核硬件的矩阵运算方法、装置、设备及介质 | |
| CN116954922A (zh) | 一种分布式存储方法、装置、设备和介质 | |
| CN115965047A (zh) | 数据处理器、数据处理方法和电子设备 |
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 |