CN117873705A - 基于模型切割的任务执行方法、装置、介质及电子设备 - Google Patents
基于模型切割的任务执行方法、装置、介质及电子设备 Download PDFInfo
- Publication number
- CN117873705A CN117873705A CN202311726226.5A CN202311726226A CN117873705A CN 117873705 A CN117873705 A CN 117873705A CN 202311726226 A CN202311726226 A CN 202311726226A CN 117873705 A CN117873705 A CN 117873705A
- Authority
- CN
- China
- Prior art keywords
- target
- model
- task
- information
- target task
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims description 65
- 238000005520 cutting process Methods 0.000 title claims description 37
- 230000011218 segmentation Effects 0.000 claims abstract description 76
- 238000003860 storage Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 12
- 238000012544 monitoring process Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 13
- 230000006872 improvement Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000013473 artificial intelligence Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000005192 partition Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- 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
Abstract
本说明书公开了一种基于模型切割的任务执行方法、装置、介质及电子设备,其中,智能终端确定本地执行的目标任务以及执行所述目标任务所需的目标模型,并根据所述目标任务对应的任务相关信息以及所述目标模型的模型属性信息,确定所述目标任务的任务特征信息,进而将该任务特征信息发送到云服务器,以使得所述云服务器根据该任务特征信息,确定所述目标任务对应的提示信息,并将该提示信息输入预先部署的推理模型中,以根据所述推理模型输出的分割信息,构建执行切割所述目标模型的分割器,从而根据该分割器,对所述目标模型进行分割,获得各目标子模型,并将各目标子模型部署到各指定设备中,以通过部署后各目标子模型,执行所述目标任务。
Description
技术领域
本说明书涉及人工智能领域,尤其涉及一种基于模型切割的任务执行方法、装置、介质及电子设备。
背景技术
目前,随着人工智能的快速发展,搭载有人工智能的机器人、汽车等智能终端已经成为了各行各业未来发展的主要趋势之一。智能终端为了准确感知和理解环境以服务于人机交互,通常会集成大量的传感器,这就导致智能终端在行使功能时需要处理大量的数据,虽然智能终端的本体计算能力不断提高,但仍不能满足各种智能算法的需求。
为了满足各种智能算法的需求,当前的主流研究趋势是采用智能终端(端)-边缘服务器(边)-云服务器(云)融合的计算架构来为执行各种智能任务的设备提供支持,通过这种适应计算、存储和协作的分布式关系,同时在云和边缘侧提供算力的支撑,来实现更有效、更经济的计算力部署。
然而,传统的针对深度学习模型的云边端分割方法通常基于静态规则或简单的启发式方法(所谓的启发式方法是指通过过去的经验总结的方法或之前已经行之有效的方法),这就导致了在对复杂的智能任务进行分割时,静态规则不能根据实际情况动态分配任务,致使资源利用效率下降,同时复杂任务的分割和调度也难以在实时性和计算开销之间找到合适的平衡。
因此,如何动态地切割和分配复杂的智能任务,提高资源的利用效率,降低复杂任务的分割和调度难度,从而使智能终端更加快速准确的执行智能任务,是一个亟待解决的问题。
发明内容
本说明书提供一种基于模型切割的任务执行方法、装置、介质及电子设备。以部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案:
本说明书提供了一种基于模型切割的任务执行方法,包括:
智能终端确定本地执行的目标任务以及执行所述目标任务所需的目标模型;
根据所述目标任务对应的任务相关信息以及所述目标模型的模型属性信息,确定所述目标任务的任务特征信息;
将所述目标任务对应的任务特征信息发送到云服务器,以使得所述云服务器根据所述任务特征信息,确定所述目标任务对应的提示信息,并将所述提示信息输入预先部署在云服务器上的推理模型中,以根据所述推理模型输出的分割信息,构建执行切割所述目标模型的分割器,并根据所述分割器,对所述目标模型进行分割,获得各目标子模型,并将各目标子模型部署到各指定设备中,以通过各指定设备中部署的各目标子模型,执行所述目标任务,所述分割信息包括针对所述目标模型的分割策略,以及构建所述分割器的代码框架,所述指定设备包括:智能终端、云服务器以及边缘服务器中的至少一种。
可选地,所述任务特征信息包括:所述目标任务的基本类型信息、实时性需求信息,所述目标模型的网络结构信息,所述智能终端、边缘服务器和云服务器的设备信息,所述目标任务执行时相关的网络带宽信息。
本说明书提供了一种基于模型切割的任务执行方法,包括:
云服务器接收由智能终端发送的目标任务对应的任务特征信息,所述目标任务为所述智能终端确定的本地执行的目标任务,所述任务特征信息是基于所述目标任务对应的任务相关信息以及执行所述目标任务的目标模型的模型属性信息来确定的;
根据所述任务特征信息,确定所述目标任务对应的提示信息,并将所述提示信息输入预先部署在云服务器上的推理模型中,获得针对所述目标任务对应的分割信息,所述分割信息包括针对所述目标模型的分割策略,以及构建所述分割器的代码框架;
根据所述分割信息,构建执行切割所述目标模型的分割器,并根据所述分割器,对所述目标模型进行分割,获得各目标子模型;
将各目标子模型部署到各指定设备中,以通过各指定设备中部署的各目标子模型,执行所述目标任务,所述指定设备包括:智能终端、云服务器以及边缘服务器中的至少一种。
可选地,在将各目标子模型部署到各指定设备中,以通过各指定设备中部署的各目标子模型,执行所述目标任务之前,所述方法还包括:
根据所述各目标子模型,在本地对各目标子模型进行测试;
将各目标子模型部署到各指定设备中,以通过各指定设备中部署的各目标子模型,执行所述目标任务,具体包括:
在确定所述各目标子模型通过测试后,将各目标子模型部署到各指定设备中,以通过各指定设备中部署的各目标子模型,执行所述目标任务。
可选地,所述方法还包括:
监控所述各目标子模型执行目标任务时的执行情况,得到监控记录;
根据所述监控记录,对执行目标任务的指定设备进行调整,其中,针对每个指定设备,若监控到该指定设备执行所述目标任务时的负载超过预设值,则将该指定设备部署的目标子模型转移至其他指定设备中,以通过所述其他指定设备继续执行目标任务。
本说明书提供了一种基于模型切割的任务执行装置,包括:
第一确定模块,用于智能终端确定本地执行的目标任务以及执行所述目标任务所需的目标模型;
第二确定模块,用于根据所述目标任务对应的任务相关信息以及所述目标模型的模型属性信息,确定所述目标任务的任务特征信息;
发送模块,用于将所述目标任务对应的任务特征信息发送到云服务器,以使得所述云服务器根据所述任务特征信息,确定所述目标任务对应的提示信息,并将所述提示信息输入预先部署在云服务器上的推理模型中,以根据所述推理模型输出的分割信息,构建执行切割所述目标模型的分割器,并根据所述分割器,对所述目标模型进行分割,获得各目标子模型,并将各目标子模型部署到各指定设备中,以通过各指定设备中部署的各目标子模型,执行所述目标任务,所述分割信息包括针对所述目标模型的分割策略,以及构建所述分割器的代码框架,所述指定设备包括:智能终端、云服务器以及边缘服务器中的至少一种。
本说明书提供了一种基于模型切割的任务执行装置,包括:
接收模块,用于云服务器接收由智能终端发送的目标任务对应的任务特征信息,所述目标任务为所述智能终端确定的本地执行的目标任务,所述任务特征信息是基于所述目标任务对应的任务相关信息以及执行所述目标任务的目标模型的模型属性信息来确定的;
推理模块,用于根据所述任务特征信息,确定所述目标任务对应的提示信息,并将所述提示信息输入预先部署在云服务器上的推理模型中,获得针对所述目标任务对应的分割信息,所述分割信息包括针对所述目标模型的分割策略,以及构建所述分割器的代码框架;
分割模块,用于根据所述分割信息,构建执行切割所述目标模型的分割器,并根据所述分割器,对所述目标模型进行分割,获得各目标子模型;
执行模块,用于将各目标子模型部署到各指定设备中,以通过各指定设备中部署的各目标子模型,执行所述目标任务,所述指定设备包括:智能终端、云服务器以及边缘服务器中的至少一种。
可选地,所述执行模块还用于,根据所述各目标子模型,在本地对各目标子模型进行测试;将各目标子模型部署到各指定设备中,以通过各指定设备中部署的各目标子模型,执行所述目标任务,具体包括:
在确定所述各目标子模型通过测试后,将各目标子模型部署到各指定设备中,以通过各指定设备中部署的各目标子模型,执行所述目标任务。
本说明书提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述基于模型切割的任务执行方法。
本说明书提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述基于模型切割的任务执行方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果:
在本说明书提供的基于模型切割的任务执行方法中,智能终端首先确定本地执行的目标任务以及执行该目标任务所需的目标模型,并根据该目标任务对应的任务相关信息以及该目标模型的模型属性信息,确定该目标任务的任务特征信息,并将该任务特征信息发送到云服务器,以使得云服务器根据接收到的任务特征信息,确定目标任务对应的提示信息,并将该提示信息输入预先部署在云服务器上的推理模型中,以根据推理模型输出的分割信息,构建执行切割目标模型的分割器,并根据该分割器,对目标模型进行分割,获得各目标子模型,并将各目标子模型部署到各指定设备中,以通过各指定设备中部署的各目标子模型,执行目标任务。
从上述方法可以看出,本说明书能够利用推理模型,针对目标任务构建分割目标模型的分割器,并通过分割器,动态地分割并部署目标子模型,提高了资源的利用效率,降低了目标任务的分割和调度难度,使智能终端更加快速准确的执行目标任务。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,本说明书的示意性实施例及其说明用于解释本说明书,并不构成对本说明书的不当限定。在附图中:
图1为本说明书中提供的一种基于模型切割的任务执行方法的流程示意图;
图2为本说明书中提供的一种基于模型切割的任务执行方法的流程示意图;
图3为本说明书提供的一种基于模型切割的任务执行装置的示意图;
图4为本说明书提供的一种基于模型切割的任务执行装置的示意图;
图5为本说明书中提供的一种应用于图1的电子设备的示意结构图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,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,都属于本说明书保护的范围。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
图1为本说明书中提供的一种基于模型切割的任务执行方法的流程示意图,包括以下步骤:
S101:智能终端确定本地执行的目标任务以及执行所述目标任务所需的目标模型。
随着人工智能技术的快速发展,搭载有人工智能的机器人、汽车等智能终端逐渐成为了主流研究趋势之一,由于智能终端在处理各种智能任务时往往需要处理大量的数据,因此,目前主要采用智能终端(端)-边缘服务器(边)-云服务器(云)融合的计算架构来为执行各种智能任务的设备提供支持,同时在云和边缘侧提供算力的支撑,来实现更有效、更经济的计算力部署,但是传统的针对深度学习模型的云边端分割方法在对复杂的智能任务进行分割时,不能根据实际情况动态分配任务,致使资源利用效率下降,同时复杂任务的分割和调度也难以在实时性和计算开销之间找到合适的平衡。
基于此,本说明书提供了一种基于模型切割的任务执行方法,通过利用推理模型,动态地根据不同智能任务的任务特征制定对应的分割与分配的策略,提高了资源的利用效率,降低了智能任务的分割和调度难度,使智能终端更加快速且准确的执行智能任务。
在此基础上,智能终端可以确定本地执行的目标任务以及执行该目标任务所需的目标模型,其中,目标任务可以有多种,例如,目标任务可以是对智能终端拍摄的图像中包含的车辆进行检测的任务,此时,目标检测模型中的一种就可以是执行该目标任务所需的目标模型,目标任务还可以是对智能终端接收到的用户发出的指令进行解析的任务,此时,能够解析并理解人类语言的大预言模型就可以是执行该目标任务所需的目标模型。
S102:根据所述目标任务对应的任务相关信息以及所述目标模型的模型属性信息,确定所述目标任务的任务特征信息。
智能终端可以根据确定的目标任务对应的任务相关信息以及目标模型对应的模型属性信息,确定该目标任务对应的任务特征信息,任务特征信息中包含目标任务的基本类型信息、实时性需求信息,目标模型的网络结构信息,智能终端、边缘服务器和云服务器的设备信息,目标任务执行时相关的网络带宽信息。
其中,目标任务的基本类型信息是指该目标任务所属的类别,包含图像分类、目标检测、实例分割、文本分析、意图理解等类别,目标任务的实时性需求信息是指目标任务执行的时延限制,例如,某一车辆检测智能任务的实时性需求信息为“100ms”,这就意味着该车辆检测智能任务在分割后各个终端之间的通信延迟需要低于“100ms”,目标模型的网络结构信息是指该模型的分层结构信息,包括:卷积层、池化层、批标准化层、全连接层、激活函数层、逐元素计算层、自注意力层等,同时还包括各个分层输出数据的大小的信息,智能终端、边缘服务器和云服务器的设备信息是指各个终端所能调用的设备数量以及配置以及部署在云服务上的推理模型的名称和模型参数信息,目标任务执行时相关的网络带宽信息是指智能终端、边缘服务器和云服务器这三者之间的数据传输的网络带宽信息。
S103:将所述目标任务对应的任务特征信息发送到云服务器,以使得所述云服务器根据所述任务特征信息,确定所述目标任务对应的提示信息,并将所述提示信息输入预先部署在云服务器上的推理模型中,以根据所述推理模型输出的分割信息,构建执行切割所述目标模型的分割器,并根据所述分割器,对所述目标模型进行分割,获得各目标子模型,并将各目标子模型部署到各指定设备中,以通过各指定设备中部署的各目标子模型,执行所述目标任务,所述分割信息包括针对所述目标模型的分割策略,以及构建所述分割器的代码框架,所述指定设备包括:智能终端、云服务器以及边缘服务器中的至少一种。
智能终端可以根据目标任务对应的任务相关信息以及目标模型的模型属性信息,确定目标任务的任务特征信息,并将该任务特征信息发送到云服务器,以使得云服务器根据接收到的任务特征信息,确定目标任务对应的提示信息,并将该提示信息输入到预先部署在云服务器上的推理模型中,以根据推理模型输出的分割信息,构建执行切割目标模型的分割器,并根据该分割器,对目标模型进行分割,获得各目标子模型,并将各目标子模型部署到各指定设备中,以通过各指定设备中部署的各目标子模型,执行所述目标任务。
其中,在接收到智能终端发送的任务特征信息之后,云服务器可以根据该任务特征信息,确定目标任务对应的提示信息,并将该提示信息输入到预先部署在云服务器上的推理模型中。
目标任务对应的提示信息指的是一种指令或信息,用于引导推理模型根据目标任务的任务特征信息,分析并输出构建执行切割目标模型的分割器所使用的分割信息,在本说明书中,在接收到智能终端发送的任务特征信息之后,云服务器可以将该任务特征信息中包含的不同类型的数据以结构化数据格式分别进行封装,例如,云服务器可以将任务特征信息中包含的目标任务的基本类型信息、实时性需求信息,目标模型的网络结构信息,智能终端、边缘服务器和云服务器的设备信息,目标任务执行时相关的网络带宽信息分别封装成对应的JSON对象,从而将该任务特征信息转化为多个JSON对象,再将各JSON对象通过一定的文本进行描述并组合,从而获得目标任务对应的提示信息,该提示信息中包含有目标任务的任务特征信息以及对该任务特征信息的相关描述信息,通过该提示信息指导推理模型输出能够构建执行切割目标模型的分割器所使用的分割信息。
需要注意的是,在本说明书中,推理模型是指可以解析并生成人类语言的大语言模型,例如ChatGPT,Bard,LLaMa2,ChatGLM,文心一言、通义千问等,在使用提示信息指导推理模型输出构建执行切割目标模型的分割器所使用的分割信息时,不同形式的提示信息对推理模型的指导效果往往有很大的差别,因此,在根据目标任务的任务特征信息,确定目标任务对应的提示信息时,需要以多种描述组合方式多次进行尝试,直到确定出某一个提示信息能够指导推理模型输出效果较好的分割信息时,将该提示信息确定为最终的提示信息。
在确定提示信息并将其输入到预先部署在云服务器上的推理模型,从而获得构建执行分割模型的分割器所使用的分割信息后,云服务器可以根据该分割信息,构建执行分割模型的分割器,其中,该分割信息中包含针对目标模型的分割策略,以及构建分割器的代码框架。
需要注意的是,分割信息中包含的构建分割器的代码框架包含有分割器各功能模块的代码框架,参数定义,函数定义,对应的注释代码等,并不包含具体的逻辑代码,因此,在获得构建执行分割模型的分割器所使用的分割信息后,还需要在专业人员的参与下,对分割信息中包含的构建分割器的代码框架进行代码补充以及代码修正,并将分割信息中包含的针对目标模型的分割策略进行应用,最终获得能够执行分割模型的分割器。
在获得能够执行分割模型的分割器之后,云服务器可以根据该分割器,对执行目标任务的目标模型进行分割,而该分割器对目标模型进行分割所使用的分割策略,即为由推理模型根据目标任务推理出的针对目标模型的分割策略。
需要注意的是,推理模型根据目标任务推理出的针对目标模型的分割策略中同时也包含分割后目标子模型的分配策略,云服务器可以将分割后获得的各目标子模型,根据分割策略分配到各指定设备中,以通过各指定设备中部署的各目标子模型,执行目标任务,其中,指定设备包括智能终端、云服务器以及边缘服务器中的至少一种。
从上述方法可以看出,智能终端可以根据目标任务对应的任务相关信息以及目标模型的模型属性信息,确定目标任务的任务特征信息,并将该任务特征信息发送到云服务器,以使得云服务器可以利用推理模型,动态地根据目标任务对应的任务特征信息,制定针对目标模型的分割策略,从而使得资源利用效率提高,对复杂任务的分割和调度也更加准确和平衡,使智能终端能够更加快速准确的执行智能任务。
以上所述是以智能终端为执行主体的说明,那么接下来将以云服务器为执行主体,对本申请进行说明。
图2为本说明书中提供的一种基于模型切割的任务执行方法的流程示意图,包括以下步骤:
S201:云服务器接收由所述智能终端发送的所述目标任务对应的任务特征信息,所述目标任务为所述智能终端确定的本地执行的目标任务,所述任务特征信息是基于所述目标任务对应的任务相关信息以及执行所述目标任务的目标模型的模型属性信息来确定的。
云服务器可以接收由智能终端发送的目标任务对应的任务特征信息,其中,目标任务是指由智能终端确定的本地执行的目标任务,任务特征信息是指基于目标任务对应的任务相关信息以及执行目标任务的目标模型的模型属性信息确定的任务特征信息。
S202:根据所述任务特征信息,确定所述目标任务对应的提示信息,并将所述提示信息输入预先部署在云服务器上的推理模型中,获得针对所述目标任务对应的分割信息,所述分割信息包括针对所述目标模型的分割策略,以及构建所述分割器的代码框架。
在接收到智能终端发送的任务特征信息之后,云服务器可以根据该任务特征信息,确定目标任务对应的提示信息,并将该提示信息输入到预先部署在云服务器上的推理模型中,从而获得构建执行分割模型的分割器所使用的分割信息。
S203:根据所述分割信息,构建执行切割所述目标模型的分割器,并根据所述分割器,对所述目标模型进行分割,获得各目标子模型。
云服务器可以根据推理模型输出的分割信息,构建执行分割模型的分割器,并根据该分割器,对目标模型进行分割,获得各目标子模型。
S204:将各目标子模型部署到各指定设备中,以通过各指定设备中部署的各目标子模型,执行所述目标任务,所述指定设备包括:智能终端、云服务器以及边缘服务器中的至少一种。
在根据分割器对目标模型进行分割,获得各目标子模型之后,云服务器可以将各目标子模型部署到各指定设备中,以通过各指定设备中部署的各目标子模型,执行所述目标任务,其中,指定设备包括智能终端、云服务器以及边缘服务器中的至少一种。
需要注意的是,在将各目标子模型部署到各指定设备之前,云服务器可以在本地对分割后获得的各目标子模型进行测试,以验证各目标子模型执行目标任务的功能是否达到预期效果,在确定各目标子模型通过测试后,再将各目标子模型部署到各指定设备中,并记录各目标子模型所部署的设备名称以及部署时间,以通过各指定设备中部署的各目标子模型,执行所述目标任务。
在各目标子模型执行目标任务时,云服务器还可以实时监控各指导设备执行目标任务时的执行情况,当监控到某一设备在执行目标任务时的负载超过预设值,云服务器可以及时对该设备进行调整,根据实际情况暂停或转移该指定设备正在执行的目标任务至其他指定设备中,以更好的执行目标任务,其中,根据实际情况转移该指定设备正在执行的目标任务至其他指定设备中时,既可以是将执行该目标任务的目标子模型重新分配至其他指定设备,也可以是仅将该目标任务的进度复制至其他指定设备,以在其他指定设备中,执行目标任务。
此外,在各指定设备执行目标任务的过程中,云服务器还可以监控每个目标子模型的运行性能,包括运算速度、资源利用率等,这些信息可以用于评估目标子模型的执行效果,监控任务执行过程中出现的错误和异常情况,例如,可能的异常情况包括模型推理错误、数据传输错误等,一旦发现异常,云服务器可以及时地做出响应,可能的响应包括任务重新分配、错误日志记录等。
以上为本说明书的一个或多个实施基于模型切割的任务执行方法,基于同样的思路,本说明书还提供了相应的基于模型切割的任务执行装置,如图3、图4所示。
图3为本说明书提供的一种基于模型切割的任务执行装置的示意图,包括:
第一确定模块301,用于智能终端确定本地执行的目标任务以及执行所述目标任务所需的目标模型;
第二确定模块302,用于根据所述目标任务对应的任务相关信息以及所述目标模型的模型属性信息,确定所述目标任务的任务特征信息;
发送模块303,用于将所述目标任务对应的任务特征信息发送到云服务器,以使得所述云服务器根据所述任务特征信息,确定所述目标任务对应的提示信息,并将所述提示信息输入预先部署在云服务器上的推理模型中,以根据所述推理模型输出的分割信息,构建执行切割所述目标模型的分割器,并根据所述分割器,对所述目标模型进行分割,获得各目标子模型,并将各目标子模型部署到各指定设备中,以通过各指定设备中部署的各目标子模型,执行所述目标任务,所述分割信息包括针对所述目标模型的分割策略,以及构建所述分割器的代码框架,所述指定设备包括:智能终端、云服务器以及边缘服务器中的至少一种。
图4为本说明书提供的一种基于模型切割的任务执行装置的示意图,包括:
接收模块401,用于云服务器接收由智能终端发送的目标任务对应的任务特征信息,所述目标任务为所述智能终端确定的本地执行的目标任务,所述任务特征信息是基于所述目标任务对应的任务相关信息以及执行所述目标任务的目标模型的模型属性信息来确定的;
推理模块402,用于根据所述任务特征信息,确定所述目标任务对应的提示信息,并将所述提示信息输入预先部署在云服务器上的推理模型中,获得针对所述目标任务对应的分割信息,所述分割信息包括针对所述目标模型的分割策略,以及构建所述分割器的代码框架;
分割模块403,用于根据所述分割信息,构建执行切割所述目标模型的分割器,并根据所述分割器,对所述目标模型进行分割,获得各目标子模型;
执行模块404,用于将各目标子模型部署到各指定设备中,以通过各指定设备中部署的各目标子模型,执行所述目标任务,所述指定设备包括:智能终端、云服务器以及边缘服务器中的至少一种。
可选地,所述执行模块404还用于,根据所述各目标子模型,在本地对各目标子模型进行测试;将各目标子模型部署到各指定设备中,以通过各指定设备中部署的各目标子模型,执行所述目标任务,具体包括:
在确定所述各目标子模型通过测试后,将各目标子模型部署到各指定设备中,以通过各指定设备中部署的各目标子模型,执行所述目标任务。
可选地,所述执行模块404还用于,监控所述各目标子模型执行目标任务时的执行情况,得到监控记录;根据所述监控记录,对执行目标任务的指定设备进行调整,其中,针对每个指定设备,若监控到该指定设备执行所述目标任务时的负载超过预设值,则将该指定设备部署的目标子模型转移至其他指定设备中,以通过所述其他指定设备继续执行目标任务。
本说明书还提供了一种计算机可读存储介质,该存储介质存储有计算机程序,计算机程序可用于执行上述图1提供的一种基于模型切割的任务执行方法。
本说明书还提供了如图所示的一种对应于图1的电子设备的示意结构图。如图5所示。
图5为本说明书中提供的一种应用于图1的电子设备的示意结构图。
如图所示,在硬件层面,该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,以实现上述图1所述基于模型切割的任务执行方法。
当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(ProgrammableLogic Device,PLD)(例如现场可编程门阵列(Field Programmable Gate Array,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logiccompiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware DescriptionLanguage,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced BooleanExpression Language)、AHDL(Altera Hardware Description Language)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java HardwareDescription Language)、Lava、Lola、MyHDL、PALASM、RHDL(Ruby Hardware DescriptionLanguage)等,目前最普遍使用的是VHDL(Very-High-Speed Integrated CircuitHardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书的实施例可提供为方法、系统、或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (10)
1.一种基于模型切割的任务执行方法,其特征在于,包括:
智能终端确定本地执行的目标任务以及执行所述目标任务所需的目标模型;
根据所述目标任务对应的任务相关信息以及所述目标模型的模型属性信息,确定所述目标任务的任务特征信息;
将所述目标任务对应的任务特征信息发送到云服务器,以使得所述云服务器根据所述任务特征信息,确定所述目标任务对应的提示信息,并将所述提示信息输入预先部署在云服务器上的推理模型中,以根据所述推理模型输出的分割信息,构建执行切割所述目标模型的分割器,并根据所述分割器,对所述目标模型进行分割,获得各目标子模型,并将各目标子模型部署到各指定设备中,以通过各指定设备中部署的各目标子模型,执行所述目标任务,所述分割信息包括针对所述目标模型的分割策略,以及构建所述分割器的代码框架,所述指定设备包括:智能终端、云服务器以及边缘服务器中的至少一种。
2.如权利要求1所述的方法,其特征在于,所述任务特征信息包括:所述目标任务的基本类型信息、实时性需求信息,所述目标模型的网络结构信息,所述智能终端、边缘服务器和云服务器的设备信息,所述目标任务执行时相关的网络带宽信息。
3.一种基于模型分割的任务执行方法,其特征在于,包括:
云服务器接收由智能终端发送的目标任务对应的任务特征信息,所述目标任务为所述智能终端确定的本地执行的目标任务,所述任务特征信息是基于所述目标任务对应的任务相关信息以及执行所述目标任务的目标模型的模型属性信息来确定的;
根据所述任务特征信息,确定所述目标任务对应的提示信息,并将所述提示信息输入预先部署在云服务器上的推理模型中,获得针对所述目标任务对应的分割信息,所述分割信息包括针对所述目标模型的分割策略,以及构建所述分割器的代码框架;
根据所述分割信息,构建执行切割所述目标模型的分割器,并根据所述分割器,对所述目标模型进行分割,获得各目标子模型;
将各目标子模型部署到各指定设备中,以通过各指定设备中部署的各目标子模型,执行所述目标任务,所述指定设备包括:智能终端、云服务器以及边缘服务器中的至少一种。
4.如权利要求3所述的方法,其特征在于,在将各目标子模型部署到各指定设备中,以通过各指定设备中部署的各目标子模型,执行所述目标任务之前,所述方法还包括:
根据所述各目标子模型,在本地对各目标子模型进行测试;
将各目标子模型部署到各指定设备中,以通过各指定设备中部署的各目标子模型,执行所述目标任务,具体包括:
在确定所述各目标子模型通过测试后,将各目标子模型部署到各指定设备中,以通过各指定设备中部署的各目标子模型,执行所述目标任务。
5.如权利要求3所述的方法,其特征在于,所述方法还包括:
监控所述各目标子模型执行目标任务时的执行情况,得到监控记录;
根据所述监控记录,对执行目标任务的指定设备进行调整,其中,针对每个指定设备,若监控到该指定设备执行所述目标任务时的负载超过预设值,则将该指定设备部署的目标子模型转移至其他指定设备中,以通过所述其他指定设备继续执行目标任务。
6.一种基于模型切割的任务执行装置,其特征在于,包括:
第一确定模块,用于智能终端确定本地执行的目标任务以及执行所述目标任务所需的目标模型;
第二确定模块,用于根据所述目标任务对应的任务相关信息以及所述目标模型的模型属性信息,确定所述目标任务的任务特征信息;
发送模块,用于将所述目标任务对应的任务特征信息发送到云服务器,以使得所述云服务器根据所述任务特征信息,确定所述目标任务对应的提示信息,并将所述提示信息输入预先部署在云服务器上的推理模型中,以根据所述推理模型输出的分割信息,构建执行切割所述目标模型的分割器,并根据所述分割器,对所述目标模型进行分割,获得各目标子模型,并将各目标子模型部署到各指定设备中,以通过各指定设备中部署的各目标子模型,执行所述目标任务,所述分割信息包括针对所述目标模型的分割策略,以及构建所述分割器的代码框架,所述指定设备包括:智能终端、云服务器以及边缘服务器中的至少一种。
7.一种基于模型切割的任务执行装置,其特征在于,包括:
接收模块,用于云服务器接收由智能终端发送的目标任务对应的任务特征信息,所述目标任务为所述智能终端确定的本地执行的目标任务,所述任务特征信息是基于所述目标任务对应的任务相关信息以及执行所述目标任务的目标模型的模型属性信息来确定的;
推理模块,用于根据所述任务特征信息,确定所述目标任务对应的提示信息,并将所述提示信息输入预先部署在云服务器上的推理模型中,获得针对所述目标任务对应的分割信息,所述分割信息包括针对所述目标模型的分割策略,以及构建所述分割器的代码框架;
分割模块,用于根据所述分割信息,构建执行切割所述目标模型的分割器,并根据所述分割器,对所述目标模型进行分割,获得各目标子模型;
执行模块,用于将各目标子模型部署到各指定设备中,以通过各指定设备中部署的各目标子模型,执行所述目标任务,所述指定设备包括:智能终端、云服务器以及边缘服务器中的至少一种。
8.如权利要求7所述的装置,其特征在于,所述执行模块还用于,根据所述各目标子模型,在本地对各目标子模型进行测试;将各目标子模型部署到各指定设备中,以通过各指定设备中部署的各目标子模型,执行所述目标任务,具体包括:
在确定所述各目标子模型通过测试后,将各目标子模型部署到各指定设备中,以通过各指定设备中部署的各目标子模型,执行所述目标任务。
9.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1~5任一项所述的方法。
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现上述权利要求1~5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311726226.5A CN117873705A (zh) | 2023-12-14 | 2023-12-14 | 基于模型切割的任务执行方法、装置、介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311726226.5A CN117873705A (zh) | 2023-12-14 | 2023-12-14 | 基于模型切割的任务执行方法、装置、介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117873705A true CN117873705A (zh) | 2024-04-12 |
Family
ID=90585496
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311726226.5A Pending CN117873705A (zh) | 2023-12-14 | 2023-12-14 | 基于模型切割的任务执行方法、装置、介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117873705A (zh) |
-
2023
- 2023-12-14 CN CN202311726226.5A patent/CN117873705A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110401700A (zh) | 模型加载方法及系统、控制节点及执行节点 | |
CN112036236B (zh) | 一种基于GhostNet的图像检测方法、设备及介质 | |
CN109739627B (zh) | 任务的调度方法、电子设备及介质 | |
CN116167670A (zh) | 模型、业务处理方法、装置及设备 | |
CN116225669B (zh) | 一种任务执行方法、装置、存储介质及电子设备 | |
CN116151363B (zh) | 分布式强化学习系统 | |
CN116861696A (zh) | 一种基于web的车辆仿真测试验证方法、装置、设备及介质 | |
CN115543945B (zh) | 一种模型压缩的方法、装置、存储介质及电子设备 | |
CN117873705A (zh) | 基于模型切割的任务执行方法、装置、介质及电子设备 | |
CN114153207B (zh) | 一种无人驾驶设备的控制方法及控制装置 | |
CN114281069A (zh) | 一种无人驾驶设备的控制方法及装置 | |
CN116755862B (zh) | 一种算子优化调度模型的训练方法、装置、介质及设备 | |
CN117348999B (zh) | 一种业务执行系统及业务执行方法 | |
CN117201334B (zh) | 一种多模态网络流量预测方法及装置 | |
CN113255156B (zh) | 用于民机地面动态试验信号的回路实时仿真系统及方法 | |
CN117455015B (zh) | 一种模型优化的方法、装置、存储介质及电子设备 | |
CN117009729B (zh) | 基于softmax的数据处理方法及装置 | |
CN116684499B (zh) | 一种基于多网协同的智能调音台 | |
CN113411219B (zh) | 一种前端服务的发布方法、装置以及设备 | |
CN116996397B (zh) | 一种网络丢包优化的方法、装置、存储介质及电子设备 | |
CN116699998B (zh) | 基于ai算法的无人值守加压站控制系统 | |
CN112987596B (zh) | 一种无人驾驶设备的测试方法及测试装置 | |
CN117234895A (zh) | 一种获取仿真环境车辆数据的方法、装置及设备 | |
CN116227604A (zh) | 基于分布式的贝叶斯网络训练方法及装置 | |
CN117591130A (zh) | 一种模型部署的方法、装置、存储介质及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |