CN117933390A - 模型混合精度确定方法、装置、设备及存储介质 - Google Patents
模型混合精度确定方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117933390A CN117933390A CN202311763828.8A CN202311763828A CN117933390A CN 117933390 A CN117933390 A CN 117933390A CN 202311763828 A CN202311763828 A CN 202311763828A CN 117933390 A CN117933390 A CN 117933390A
- Authority
- CN
- China
- Prior art keywords
- layer
- model
- reasoning
- precision
- output characteristic
- 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 abstract description 62
- 238000002156 mixing Methods 0.000 title claims abstract description 26
- 239000011159 matrix material Substances 0.000 claims description 32
- 238000012545 processing Methods 0.000 claims description 18
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 14
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000003062 neural network model Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 13
- 238000004891 communication Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 102100030148 Integrator complex subunit 8 Human genes 0.000 description 4
- 101710092891 Integrator complex subunit 8 Proteins 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 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
- 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
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本公开提供了一种模型混合精度确定方法、装置、设备及存储介质,涉及人工智能技术领域,具体涉及神经网络模型技术领域,可应用于模型推理场景下。具体实现方案包括:获取模型各层在第一推理精度下的第一输出特征,第一推理精度组合为运行模型各层的硬件所支持的最低推理精度;获取模型各层在最高推理精度下的第二输出特征,最高推理精度为运行模型各层的硬件所支持的最高推理精度;根据模型各层的第一输出特征和第二输出特征,确定模型各层的推理误差;根据模型各层的推理误差和预设误差阈值,确定模型各层的目标推理精度。本公开能够快速准确地确定出模型各层的推理精度。
Description
技术领域
本公开涉及人工智能技术领域,具体涉及神经网络模型技术领域,可应用于模型推理场景下,尤其涉及一种模型混合精度确定方法、装置、设备及存储介质。
背景技术
混合精度推理是指模型在推理过程中,为模型各层选取高低不同推理精度进行推理的方式,以提高模型的推理效率。为了使模型在推理结果的准确性较高同时也具有较高的推理效率,需要为模型各层选取合适的推理精度。
目前,需要依靠人工经验确定模型各层的推理精度,不能快速准确地确定出模型各层的推理精度。
发明内容
本公开提供了一种模型混合精度确定方法、装置、设备及存储介质,能够快速准确地确定出模型各层的推理精度。
根据本公开的第一方面,提供了一种模型混合精度确定方法,包括:
获取模型各层在第一推理精度下的第一输出特征,第一推理精度组合为运行模型各层的硬件所支持的最低推理精度;获取模型各层在最高推理精度下的第二输出特征,最高推理精度为运行模型各层的硬件所支持的最高推理精度;根据模型各层的第一输出特征和第二输出特征,确定模型各层的推理误差;根据模型各层的推理误差和预设误差阈值,确定模型各层的目标推理精度。
根据本公开的第二方面,提供了一种模型混合精度确定装置,该装置包括:
获取模块,用于获取模型各层在第一推理精度下的第一输出特征,第一推理精度为运行模型各层的硬件所支持的最低推理精度;获取模型各层在最高推理精度下的第二输出特征,最高推理精度为运行模型各层的硬件所支持的最高推理精度。
误差模块,用于根据模型各层的第一输出特征和第二输出特征,确定模型各层的推理误差。
处理模块,用于根据模型各层的推理误差和预设误差阈值,确定模型各层的目标推理精度。
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根据第一方面的方法。
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根据第一方面的方法。
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为本公开实施例提供的模型混合精度确定方法的流程示意图;
图2为本公开实施例提供的模型混合精度确定方法的另一种流程示意图;
图3为本公开实施例提供的模型混合精度确定方法的又一种流程示意图;
图4为本公开实施例提供的模型混合精度确定方法的又一种流程示意图;
图5为本公开实施例提供的模型混合精度确定装置的组成示意图;
图6为本公开实施例提供的电子设备的组成示意图。
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。
应当理解,在本公开各实施例中,字符“/”一般表示前后关联对象是一种“或”的关系。术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。
混合精度推理是指模型在推理过程中,为模型各层选取高低不同推理精度进行推理的方式,以提高模型的推理效率。为了使模型在推理结果的准确性较高同时也具有较高的推理效率,需要为模型各层选取合适的推理精度。
目前,需要依靠人工经验确定模型各层的推理精度,不能快速准确地确定出模型各层的推理精度。
在此背景技术下,本公开提供了一种模型混合精度确定方法,可以快速准确地确定出模型各层的推理精度。
本公开实施例提供的模型混合精度确定方法的执行主体可以是计算机或服务器,或者还可以是其他具有数据处理能力的电子设备;或者,该方法的执行主体也可以是上述电子设备中的处理器(例如中央处理器(central processing unit,CPU));再或者,该方法的执行主体还可以是上述电子设备中安装的能够实现该方法的功能的应用程序(application,APP);又或者,该方法的执行主体又可以是上述电子设备中具有该方法的功能的功能模块或单元等。在此对该方法的执行主体不作限制。
一些实施例中,服务器可以是单独的一个服务器,或者,也可以是由多个服务器构成的服务器集群。部分实施方式中,服务器集群还可以是分布式集群。本公开对服务器的具体实现方式也不作限制。
下面结合附图对该模型混合精度确定方法进行示例性说明。
图1为本公开实施例提供的模型混合精度确定方法的流程示意图。如图1所示,该方法可以包括:
S101、获取模型各层在第一推理精度下的第一输出特征。
其中,第一推理精度为运行模型各层的硬件所支持的最低推理精度。
示例性地,模型可以为各种形式结构的初始神经网络在经过训练后得到的具有识别、检测等功能的神经网络。例如,初始神经网络可以为卷积神经网络(convolutionalneural networks,CNN)、循环神经网络(recurrent neural network,RNN)等神经网络。又例如,模型可以为图像识别模型、图像分类模型、音频识别模型等。对模型的功能及结构均不作限制。
示例性地,硬件所支持的推理精度可以包括INT8、FP16、FP32等推理精度,对硬件所支持的推理精度不作限制。可以理解,对模型各层的第一推理精度也不作限制。
例如,硬件所支持的推理精度包括FP16、FP32,则所支持的最低推理精度为FP16,即该硬件对应的模型网络层的第一推理精度为FP16。
示例性地,模型各层的第一推理精度可以相同也可以不同,对此不作限制。示例地,当运行模型各层的硬件为同一个硬件时,则模型各层的第一推理精度相同,当运行模型各层的硬件为不同的硬件时,则模型各层的第一推理精度可能相同也可能不同。
例如,以模型包括依次级联的三层网络结构为例,当三层网络均在硬件A上运行,硬件A所支持的最低推理精度为FP16,则三层网络对应的第一推理精度均为FP16;当第一层网络层在硬件A上运行,第二层网络层在硬件B上运行,第三层网络层在硬件C上运行,若硬件A、硬件B和硬件C所支持的最低推理精度均为FP16,则三层网络对应的第一推理精度也均为FP16,若硬件A、硬件B所支持最低推理精度均为FP16,硬件C所支持的最低推理精度为INT8,则第一层网络层和第二层网络层对应的第一推理精度均为FP16,第三层网络层对应的第一推理精度为INT8。
S102、获取模型各层在最高推理精度下的第二输出特征。
其中,最高推理精度为运行模型各层的硬件所支持的最高推理精度。
示例性地,硬件所支持的推理精度可以包括INT8、FP16、FP32等推理精度,对硬件所支持的推理精度不作限制。可以理解,对模型各层的最高推理精度也不作限制。
例如,硬件所支持的推理精度包括FP16、FP32,则所支持的最高推理精度为FP16,即该硬件对应的模型网络层的最高推理精度为FP32。
示例性地,模型各层的最高推理精度可以相同也可以不同,对此不作限制。示例地,当运行模型各层的硬件为同一个硬件时,则模型各层的最高推理精度相同,当运行模型各层的硬件为不同的硬件时,则模型各层的最高推理精度可能相同也可能不同。
例如,以模型包括依次级联的三层网络为例,当三层网络均在硬件A上运行,硬件A所支持的最高推理精度为FP32,则三层网络对应的最高推理精度均为FP32;当第一层网络层在硬件A上运行,第二层网络层在硬件B上运行,第三层网络层在硬件C上运行,若硬件A、硬件B和硬件C所支持的最高推理精度为FP32,则三层网络对应的最高推理精度均为FP32,若硬件A、硬件B所支持最低推理精度为FP32,硬件C所支持的最低推理精度为FP16,则第一层网络层和第二层网络层对应的最高推理精度为FP32,第三层网络层对应的最高推理精度为FP16。
示例性地,可以先执行S101再执行S102,也可以先执行S102再执行S101,还可以同时执行S101和S102,对S101和S102的执行顺序不作限制。
S103、根据模型各层的第一输出特征和第二输出特征,确定模型各层的推理误差。
示例性地,可以计算模型各层的第一输出特征和第二输出特征的差值,将差值作为模型各层的推理误差;也可以计算模型各层的第一输出特征与第二输出特征的比值,将比值作为模型各层的推理误差。对确定推理误差的方式不作限制。
S104、根据模型各层的推理误差和预设误差阈值,确定模型各层的目标推理精度。
示例地,对预设误差阈值的取值大小不作限制,不同的模型网络层对应的预设误差阈值可以相同也可以不同。
例如,以模型包括依次级联的三层网络结构为例,第一层对应的预设误差阈值可以与第二层对应预设误差阈值相同或不同。
示例性地,当模型网络层的推理误差小于预设误差阈值时,可以将该网络层对应的第一推理精度确定为该网络层的目标推理精度;当模型网络层的推理误差大于预设误差阈值时,可以将该网络层对应的最高推理精度确定为该网络层的目标推理精度;当模型网络层的推理误差等于预设误差阈值时,可以将该网络层对应的第一推理精度确定为该网络层的目标推理精度,或者,可以将该网络层对应的最高推理精度确定为该网络层的目标推理精度。
示例地,以模型包括依次级联的三层网络结构,三层网络对应的第一推理精度均为FP16,三层网络对应的最高推理精度均为FP32为例,第一层和第二层的推理误差均小于预设误差阈值,第三层的推理误差大于预设误差阈值,则模型第一层的目标推理精度为FP16,模型第二层的目标推理精度为FP16,模型第三层的目标推理精度为FP32。
本公开实施例通过获取模型各层在硬件所支持的最低推理精度下的第一输出特征,以及模型各层在硬件所支持的最高推理精度下的第二输出特征,根据模型各层的第一输出特征和第二输出特征,确定模型各层的推理误差,根据模型各层的推理误差和预设误差阈值,确定模型各层的目标推理精度,可以快速准确地确定出模型各层的推理精度。
通过使用本公开实施例确定出的模型各层的推理精度进行模型推理,可以使得在模型的推理结果满足预期要求的前提下尽可能地提高模型的推理效率。
图2为本公开实施例提供的模型混合精度确定方法的另一种流程示意图。如图2所示,根据模型各层的第一输出特征和第二输出特征,确定模型各层的推理误差,可以包括:
S201、从模型各层的第一输出特征中,确定第三输出特征。
其中,第三输出特征为包括异常值的输出特征。
示例性地,可以通过多维矩阵对模型各层的第一输出特征进行表示,当多维矩阵中出现异常值时,确定该多维矩阵对应的第一输出特征为第三输出特征。
一些可能的实施方式中,异常值包括非数值(not a number,NAN)和无穷值(infinity,INF)。
示例地,当第一输出特征对应的矩阵中存在有NAN或INF时,确定该第一输出特征为第三输出特征。
S202、对第三输出特征对应的模型层的第一推理精度进行更新,直至模型各层的输出特征中不存在异常值,得到模型各层的第二推理精度。
示例性地,可以将第三输出特征对应的模型层的第一推理精度更新为模型层的最高推理精度;也可以将第三输出特征对应的模型层的第一推理精度更新为比第一推理精度高一个精度级别的推理精度,再获取在更新后的推理精度下模型层的输出特征,直至模型层的输出特征中不存在异常值,将输出特征不存在异常值时对应的推理精度作为模型层的第二推理精度。
示例性地,当模型层的第一推理精度没有更新,则该模型层的第一推理精度即为该模型层的第二推理精度,当模型层的第一推理精度进行了更新,则更新后的推理精度为该模型层的第二推理精度。
S203、获取模型各层在第二推理精度下的第四输出特征。
示例性地,S203的具体实施方式可以参考S101,在此不再赘述。
S204、根据模型各层的第四输出特征和第二输出特征,确定模型各层的推理误差。
示例性地,S204的具体实施方式可以参考S103,在此不再赘述。
本实施例通过从模型各层的第一输出特征中,确定出包括异常值第三输出特征,对第三输出特征对应的模型层的第一推理精度进行更新,直至模型各层的输出特征中不存在异常值,得到模型各层的第二推理精度,获取模型各层在第二推理精度下的第四输出特征,根据模型各层的第四输出特征和第二输出特征,确定模型各层的推理误差,可以将输出特征出现异常值的模型层的推理精度进行更新,准确地得到模型各层的推理误差。
一些可能的实施方式中,对第三输出特征对应的模型层的第一推理精度进行更新,可以包括:
根据第三输出特征对应的模型层在模型中的先后顺序,由前到后依次对第三输出特征对应的模型层的第一推理精度进行更新。
示例性地,以模型包括依次级联的四层网络为例,确定出第三输出特征对应的模型层为第一层和第三层时,可以先对第一层的第一推理精度进行更新,当第一层更新推理精度后,第三层的输出特征不存在异常值时,可以无需对第三层的第一推理精度进行更新,当第一层更新推理精度后,第三层的输出特征仍存在异常值,则继续对第三层的第一推理精度进行更新。
本实施例通过根据第三输出特征对应的模型层在模型中的先后顺序,由前到后依次对第三输出特征对应的模型层的第一推理精度进行更新,可以提高对第三输出特征对应的模型层的第一推理精度的更新效率,进一步提高确定模型各层的目标推理精度的效率。
图3为本公开实施例提供的模型混合精度确定方法的又一种流程示意图。如图3所示,根据模型各层的第一输出特征和第二输出特征,确定模型各层的推理误差,可以包括:
S301、根据模型各层的第一输出特征和第二输出特征,确定模型各层的第一输出特征对应的第一矩阵和第二输出特征对应的第二矩阵。
S302、根据模型各层的第一矩阵和第二矩阵,确定模型各层的推理误差。
示例性地,可以计算模型各层的第一矩阵与第二矩阵的矩阵差值,将矩阵差值作为模型各层的推理误差;也可以计算模型各层的第一矩阵与第二矩阵的矩阵比值,将矩阵比值作为模型各层的推理误差。
本实施例通过根据模型各层的第一输出特征和第二输出特征,确定模型各层的第一输出特征对应的第一矩阵和第二输出特征对应的第二矩阵,根据模型各层的第一矩阵和第二矩阵,确定模型各层的推理误差,可以通过矩阵准确地确定出模型各层的推理误差。
图4为本公开实施例提供的模型混合精度确定方法的又一种流程示意图。如图4所示,根据模型各层的推理误差和预设误差阈值,确定模型各层的目标推理精度,可以包括:
S401、根据模型各层的推理误差和预设误差阈值,从模型各层中,确定目标层。
其中,目标层为推理误差不满足预设误差阈值的模型层。
示例性地,当模型网络层的推理误差大于或等于预设误差阈值时,可以将该模型网络层确定为目标层。可以理解,当模型网络层的推理误差等于预设误差阈值时,也可以确定该模型网络层不为目标层。
S402、对目标层的推理精度进行更新,直至模型的输出层对应的推理误差满足预设误差阈值,得到模型各层的目标推理精度。
示例性地,可以将目标层的推理精度更新为目标层对应的最高推理精度;也可以将目标层的推理精度更新更新为比当前的推理精度高一个精度级别的推理精度,再获取在目标层更新后的推理精度下,模型输出层的输出特征,根据目标层更新推理精度后模型输出层的输出特征与模型输出层的第二输出特征,得到目标层更新推理精度后模型输出层的推理误差,当目标层更新推理精度后模型输出层的推理误差满足预设误差阈值,可以将目标层更新的推理精度作为目标层的目标推理精度,当目标层更新推理精度后模型输出层的推理误差不满足预设误差阈值,继续更新目标层的推理精度,直至模型的输出层对应的推理误差满足预设误差阈值。
示例地,当模型层不是目标层,则该模型层的目标推理精度即为第一推理精度,当模型层为目标层时,该模型层的目标推理精度即为更新后的推理精度。
本实施例通过根据模型各层的推理误差和预设误差阈值,从模型各层中,确定出推理误差不满足预设误差阈值的目标层,对目标层的推理精度进行更新,直至模型的输出层对应的推理误差满足预设误差阈值,得到模型各层的目标推理精度,可以更准确地得到模型各层的目标推理精度。
一些可能的实施方式中,对目标层的推理精度进行更新,可以包括:
根据目标层在模型中的先后顺序,由后到前依次对目标层的推理精度进行更新。
示例性地,以模型包括依次级联的四层网络为例,确定出目标层为第一层和第三层时,可以先对第三层的推理精度进行更新,当第三层更新推理精度后,模型的输出层的对应的推理误差满足预设误差阈值,可以无需对第一层的推理精度进行更新,当第三层更新推理精度后,模型的输出层的对应的推理误差仍不满足预设误差阈值,则继续对第一层的推理精度进行更新。
本实施例通过根据目标层在模型中的先后顺序,由后到前依次对目标层的推理精度进行更新,可以提高对目标层的推理精度的更新效率,进一步提高确定模型各层的目标推理精度的效率。
上述主要从方法的角度对本公开实施例提供的方案进行了介绍。为了实现上述功能,其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术目标应该很容易意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,本公开能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术目标可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本公开的范围。
在示例性实施例中,本公开实施例还提供一种模型混合精度确定装置,可以用于实现如前述实施例的模型混合精度确定方法。
图5为本公开实施例提供的模型混合精度确定装置的组成示意图。如图5所示,该装置可以包括:获取模块501、误差模块502和处理模块503。
获取模块501,用于获取模型各层在第一推理精度下的第一输出特征,第一推理精度为运行模型各层的硬件所支持的最低推理精度;获取模型各层在最高推理精度下的第二输出特征,最高推理精度为运行模型各层的硬件所支持的最高推理精度;
误差模块502,用于根据模型各层的第一输出特征和第二输出特征,确定模型各层的推理误差;
处理模块503,用于根据模型各层的推理误差和预设误差阈值,确定模型各层的目标推理精度。
一些可能的实施例中,误差模块502,具体用于:
从模型各层的第一输出特征中,确定第三输出特征,第三输出特征为包括异常值的输出特征;对第三输出特征对应的模型层的第一推理精度进行更新,直至模型各层的输出特征中不存在异常值,得到模型各层的第二推理精度;获取模型各层在第二推理精度下的第四输出特征;根据模型各层的第四输出特征和第二输出特征,确定模型各层的推理误差。
一些可能的实施例中,误差模块502,在对第三输出特征对应的模型层的推理精度进行更新时,具体用于:
根据第三输出特征对应的模型层在模型中的先后顺序,由前到后依次对第三输出特征对应的模型层的推理精度进行更新。
一些可能的实施例中,异常值包括非数值和无穷值。
一些可能的实施例中,误差模块502,具体用于:
根据模型各层的第一输出特征和第二输出特征,确定模型各层的第一输出特征对应的第一矩阵和第二输出特征对应的第二矩阵;根据模型各层的第一矩阵和第二矩阵,确定模型各层的推理误差。
一些可能的实施例中,处理模块503,具体用于:
根据模型各层的推理误差和预设误差阈值,从模型各层中,确定目标层,目标层为推理误差不满足预设误差阈值的模型层;对目标层的推理精度进行更新,直至模型的输出层对应的推理误差满足预设误差阈值,得到模型各层的目标推理精度。
一些可能的实施例中,处理模块503,在对目标层的推理精度进行更新时,具体用于:
根据目标层在模型中的先后顺序,由后到前依次对目标层的推理精度进行更新。
需要说明的是,图5中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。例如,还可以将两个或两个以上的功能集成在一个处理模块中。本公开实施例对此不作限制。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,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。
示例性实施例中,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如以上实施例所述的方法。该电子设备可以是上述计算机或服务器。
示例性实施例中,可读存储介质可以是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计算机执行根据以上实施例所述的方法。
示例性实施例中,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以上实施例所述的方法。
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,电子设备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,还可存储电子设备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。
电子设备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允许电子设备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,例如模型混合精度确定方法。例如,在一些实施例中,模型混合精度确定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/或安装到电子设备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模型混合精度确定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)而被配置为执行模型混合精度确定方法。
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)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件和/或它们中实现。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,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 (17)
1.一种模型混合精度确定方法,所述方法包括:
获取模型各层在第一推理精度下的第一输出特征,所述第一推理精度组合为运行所述模型各层的硬件所支持的最低推理精度;
获取所述模型各层在最高推理精度下的第二输出特征,所述最高推理精度为运行所述模型各层的硬件所支持的最高推理精度;
根据所述模型各层的第一输出特征和第二输出特征,确定所述模型各层的推理误差;
根据所述模型各层的推理误差和预设误差阈值,确定所述模型各层的目标推理精度。
2.根据权利要求1所述的方法,所述根据所述模型各层的第一输出特征和第二输出特征,确定所述模型各层的推理误差,包括:
从所述模型各层的第一输出特征中,确定第三输出特征,所述第三输出特征为包括异常值的输出特征;
对所述第三输出特征对应的模型层的第一推理精度进行更新,直至所述模型各层的输出特征中不存在所述异常值,得到所述模型各层的第二推理精度;
获取所述模型各层在第二推理精度下的第四输出特征;
根据所述模型各层的第四输出特征和第二输出特征,确定所述模型各层的推理误差。
3.根据权利要求2所述的方法,所述对所述第三输出特征对应的模型层的第一推理精度进行更新,包括:
根据所述第三输出特征对应的模型层在模型中的先后顺序,由前到后依次对所述第三输出特征对应的模型层的推理精度进行更新。
4.根据权利要求1-3任一项所述的方法,所述异常值包括非数值和无穷值。
5.根据权利要求1-4任一项所述的方法,所述根据所述模型各层的第一输出特征和第二输出特征,确定所述模型各层的推理误差,包括:
根据所述模型各层的第一输出特征和第二输出特征,确定所述模型各层的第一输出特征对应的第一矩阵和第二输出特征对应的第二矩阵;
根据所述模型各层的第一矩阵和第二矩阵,确定所述模型各层的推理误差。
6.根据权利要求1-5任一项所述的方法,所述根据所述模型各层的推理误差和预设误差阈值,确定所述模型各层的目标推理精度,包括:
根据所述模型各层的推理误差和预设误差阈值,从所述模型各层中,确定目标层,所述目标层为推理误差不满足所述预设误差阈值的模型层;
对所述目标层的推理精度进行更新,直至所述模型的输出层对应的推理误差满足预设误差阈值,得到所述模型各层的目标推理精度。
7.根据权利要求6所述的方法,所述对所述目标层的推理精度进行更新,包括:
根据所述目标层在模型中的先后顺序,由后到前依次对所述目标层的推理精度进行更新。
8.一种模型混合精度确定装置,所述装置包括:
获取模块,用于获取模型各层在第一推理精度下的第一输出特征,所述第一推理精度为运行所述模型各层的硬件所支持的最低推理精度;获取所述模型各层在最高推理精度下的第二输出特征,所述最高推理精度为运行所述模型各层的硬件所支持的最高推理精度;
误差模块,用于根据所述模型各层的第一输出特征和第二输出特征,确定所述模型各层的推理误差;
处理模块,用于根据所述模型各层的推理误差和预设误差阈值,确定所述模型各层的目标推理精度。
9.根据权利要求8所述的装置,所述误差模块,具体用于:
从所述模型各层的第一输出特征中,确定第三输出特征,所述第三输出特征为包括异常值的输出特征;
对所述第三输出特征对应的模型层的第一推理精度进行更新,直至所述模型各层的输出特征中不存在所述异常值,得到所述模型各层的第二推理精度;
获取所述模型各层在第二推理精度下的第四输出特征;
根据所述模型各层的第四输出特征和第二输出特征,确定所述模型各层的推理误差。
10.根据权利要求9所述的装置,所述误差模块,在对所述第三输出特征对应的模型层的推理精度进行更新时,具体用于:
根据所述第三输出特征对应的模型层在模型中的先后顺序,由前到后依次对所述第三输出特征对应的模型层的推理精度进行更新。
11.根据权利要求8-10任一项所述的装置,所述异常值包括非数值和无穷值。
12.根据权利要求8-11任一项所述的装置,所述误差模块,具体用于:
根据所述模型各层的第一输出特征和第二输出特征,确定所述模型各层的第一输出特征对应的第一矩阵和第二输出特征对应的第二矩阵;
根据所述模型各层的第一矩阵和第二矩阵,确定所述模型各层的推理误差。
13.根据权利要求8-12任一项所述的装置,所述处理模块,具体用于:
根据所述模型各层的推理误差和预设误差阈值,从所述模型各层中,确定目标层,所述目标层为推理误差不满足所述预设误差阈值的模型层;
对所述目标层的推理精度进行更新,直至所述模型的输出层对应的推理误差满足预设误差阈值,得到所述模型各层的目标推理精度。
14.根据权利要求13所述的装置,所述处理模块,在所述对所述目标层的推理精度进行更新时,具体用于:
根据所述目标层在模型中的先后顺序,由后到前依次对所述目标层的推理精度进行更新。
15.一种电子设备,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任一项所述的方法。
16.一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计算机执行根据权利要求1-7任一项所述的方法。
17.一种计算机程序产品,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1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311763828.8A CN117933390A (zh) | 2023-12-20 | 2023-12-20 | 模型混合精度确定方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311763828.8A CN117933390A (zh) | 2023-12-20 | 2023-12-20 | 模型混合精度确定方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117933390A true CN117933390A (zh) | 2024-04-26 |
Family
ID=90754702
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311763828.8A Pending CN117933390A (zh) | 2023-12-20 | 2023-12-20 | 模型混合精度确定方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117933390A (zh) |
-
2023
- 2023-12-20 CN CN202311763828.8A patent/CN117933390A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112597754B (zh) | 文本纠错方法、装置、电子设备和可读存储介质 | |
CN112818387A (zh) | 模型参数调整的方法、设备、存储介质及程序产品 | |
CN116204672A (zh) | 图像识别、模型训练方法、装置、设备及存储介质 | |
CN113037489B (zh) | 数据处理方法、装置、设备和存储介质 | |
CN113344213A (zh) | 知识蒸馏方法、装置、电子设备及计算机可读存储介质 | |
CN115759209B (zh) | 神经网络模型的量化方法、装置、电子设备及介质 | |
CN116841870A (zh) | 一种测试方法、系统、装置、设备及存储介质 | |
CN115292467B (zh) | 信息处理与模型训练方法、装置、设备、介质及程序产品 | |
CN117933390A (zh) | 模型混合精度确定方法、装置、设备及存储介质 | |
CN113448668B (zh) | 一种跳过弹窗的方法、装置及电子设备 | |
CN115545215A (zh) | 一种去中心化的联邦聚类学习方法、装置、设备及介质 | |
CN111783872B (zh) | 训练模型的方法、装置、电子设备及计算机可读存储介质 | |
CN113657408A (zh) | 确定图像特征的方法、装置、电子设备和存储介质 | |
CN114138358A (zh) | 应用程序的启动优化方法、装置、设备和存储介质 | |
CN114494818B (zh) | 图像处理方法、模型训练方法、相关装置及电子设备 | |
CN113362428B (zh) | 用于配置颜色的方法、装置、设备、介质和产品 | |
CN115578583B (zh) | 图像处理方法、装置、电子设备和存储介质 | |
CN113407844B (zh) | 小程序框架的版本推荐方法、装置、设备以及存储介质 | |
CN113051313B (zh) | 信息聚合方法、装置、电子设备、存储介质和程序产品 | |
CN115860077B (zh) | 状态数据的处理方法、装置、设备以及存储介质 | |
CN112819285B (zh) | 航班的匹配处理、训练方法、装置和设备 | |
CN113032512B (zh) | 路网数据的更新方法、装置、设备、存储介质及产品 | |
CN113691442B (zh) | 好友推荐方法、装置、设备、存储介质及程序产品 | |
EP4036861A2 (en) | Method and apparatus for processing point cloud data, electronic device, storage medium, computer program product | |
CN117236995A (zh) | 付费率预估方法、装置、设备及存储介质 |
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 |