CN118113976A - 数据处理装置、方法、电子设备和存储介质 - Google Patents
数据处理装置、方法、电子设备和存储介质 Download PDFInfo
- Publication number
- CN118113976A CN118113976A CN202410323484.7A CN202410323484A CN118113976A CN 118113976 A CN118113976 A CN 118113976A CN 202410323484 A CN202410323484 A CN 202410323484A CN 118113976 A CN118113976 A CN 118113976A
- Authority
- CN
- China
- Prior art keywords
- matrix
- vector
- product result
- target
- initial
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 124
- 238000000034 method Methods 0.000 title claims description 31
- 239000011159 matrix material Substances 0.000 claims abstract description 400
- 239000013598 vector Substances 0.000 claims abstract description 303
- 238000004364 calculation method Methods 0.000 claims abstract description 90
- 238000003672 processing method Methods 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 12
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 13
- 230000007246 mechanism Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000003058 natural language processing Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 101000822695 Clostridium perfringens (strain 13 / Type A) Small, acid-soluble spore protein C1 Proteins 0.000 description 1
- 101000655262 Clostridium perfringens (strain 13 / Type A) Small, acid-soluble spore protein C2 Proteins 0.000 description 1
- 101000655256 Paraclostridium bifermentans Small, acid-soluble spore protein alpha Proteins 0.000 description 1
- 101000655264 Paraclostridium bifermentans Small, acid-soluble spore protein beta Proteins 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011773 genetically engineered mouse model Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000630 rising effect Effects 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
Landscapes
- Complex Calculations (AREA)
Abstract
本公开提供了一种数据处理装置,涉及人工智能技术领域,尤其涉及芯片技术领域和深度学习技术领域。该装置包括:第一计算单元,配置为:根据第一处理结果矩阵和目标值特征矩阵,确定目标乘积结果矩阵,其中,第一处理结果矩阵是根据初始查询特征矩阵和初始键特征矩阵得到的,目标值特征矩阵是根据初始值特征矩阵和预设向量得到的;第二计算单元,配置为:从目标乘积结果矩阵中确定与预设向量对应的目标向量;根据目标乘积结果矩阵和目标向量,执行除法操作,得到注意力特征矩阵。本公开还提供了一种数据处理方法、电子设备和存储介质。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及芯片技术领域和深度学习技术领域。更具体地,本公开提供了一种数据处理装置、方法、电子设备和存储介质。
背景技术
随着人工智能技术和自然语言处理(Natural Language Processing,NLP)技术的发展,基于自注意力机制(self-attention)的深度学习模型的应用场景不断增加。
发明内容
本公开提供了一种数据处理装置、方法、设备以及存储介质。
根据本公开的一方面,提供了一种数据处理装置,该装置包括:第一计算单元,配置为:根据第一处理结果矩阵和目标值特征矩阵,确定目标乘积结果矩阵,其中,第一处理结果矩阵是根据初始查询特征矩阵和初始键特征矩阵得到的,目标值特征矩阵是根据初始值特征矩阵和预设向量得到的;第二计算单元,配置为:从目标乘积结果矩阵中确定与预设向量对应的目标向量;根据目标乘积结果矩阵和目标向量,执行除法操作,得到注意力特征矩阵。
根据本公开的另一方面,提供了一种电子设备,包括:本公开提供的数据处理装置。
根据本公开的另一方面,提供了一种数据处理方法,该方法包括:根据第一处理结果矩阵和目标值特征矩阵,利用第一计算单元确定目标乘积结果矩阵,其中,第一处理结果矩阵是根据初始查询特征矩阵和初始键特征矩阵得到的,目标值特征矩阵是根据初始值特征矩阵和预设向量得到的;利用第二计算单元从目标乘积结果矩阵中确定与预设向量对应的目标向量;根据目标乘积结果矩阵和目标向量,利用第二计算单元执行除法操作,得到注意力特征矩阵。
根据本公开的另一方面,提供了一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行根据本公开提供的方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,该计算机指令用于使计算机执行根据本公开提供的方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,计算机程序在被处理器执行时实现根据本公开提供的方法。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1A至图1C是根据本公开的一个实施例的自注意力机制的示意图;
图2是根据本公开的一个实施例的数据处理装置的示意框图;
图3A至图3D是根据本公开的一个实施例的自注意力机制的示意图;
图4是根据本公开的一个实施例的电子设备的示意图;
图5是根据本公开的一个实施例的数据处理方法的示意流程图;以及
图6是根据本公开的一个实施例的可以应用数据处理方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
上述基于自注意力机制的深度学习模型可以包括基于Transformer的双向编码表示(Bidirectional Encoder Representation from Transformers,BERT)模型和Transformer模型等。这些模型包括多个通用矩阵(General Matrix Multiplication,GEMM)算子和自注意力算子。此外,随着输入数据的序列长度(seqlen)的增加,自注意力算子所需的计算资源会进一步增加。
人工智能芯片可以包括矩阵计算单元和向量计算单元。矩阵计算单元可以执行矩阵乘操作(matmul)。向量计算单元可以执行归约(reduce)操作以及元素级(element-wise)的操作。此外,自注意力算子包括软最大函数(softmax)。由此,在利用人工智能芯片加速自注意力算子时,算力瓶颈与向量计算单元的算力相关。下面将结合图1A至图1C对自注意力机制的一些执行方式进行说明。
图1A至图1C是根据本公开的一个实施例的自注意力机制的示意图。
在一些实施例中,矩阵计算单元可以配置为将初始查询特征矩阵和初始键特征矩阵相乘,得到第一乘积结果矩阵。如图1A所示,初始查询特征矩阵Q10的规模(shape)可以为L×H。初始键特征矩阵的规模可以为L×H。对初始键特征矩阵进行转置,可以得到转置的键特征矩阵K10。转置的键特征矩阵的规模可以为H×L。L可以为大于或等于1的整数,H可以为大于或等于1的整数。如图1A所示,L可以为5,H可以为3。
在本公开实施例中,矩阵计算单元还可以配置为执行以下操作以将初始查询特征矩阵和初始键特征矩阵相乘,得到第一乘积结果矩阵:将初始查询特征矩阵和初始键特征矩阵相乘,得到初始乘积结果矩阵。根据维度数据和初始乘积结果矩阵得到处理后的乘积结果矩阵。根据偏置矩阵和处理后的乘积结果矩阵,得到第一乘积结果矩阵。例如,维度数据可以为初始查询特征矩阵Q10或初始键特征矩阵的列数目H。偏置矩阵Z10的规模可以为L×L。如图1A所示,矩阵计算单元可以将初始查询特征矩阵Q10和转置的键特征矩阵K10相乘,得到初始乘积结果矩阵。矩阵计算单元可以将初始乘积结果矩阵中多个元素分别除以维度数据的平方根,得到处理后的乘积结果矩阵。接下来,矩阵计算单元可以将处理后的乘积结果矩阵与偏置矩阵Z10相加,得到第一乘积结果矩阵s11。又例如,矩阵计算单元可以通过以下公式获得第一乘积结果矩阵中第i行第j列的元素S1ij:
i可以为大于或等于1且小于或等于L的整数。j可以为大于或等于1且小于或等于L的整数。u可以为大于或等于1且小于或等于H的整数。可以为维度数据H的平方根。Qiu可以为上述初始查询特征矩阵Q10中第i行第u列的元素。KT uj可以为上述转置的键特征矩阵K10中第u行第j列的元素。Zij可以为上述偏置矩阵Z10中第i行第j列的元素。S1ij可以为上述第一乘积结果矩阵s11中第i行第j列的元素。如图1A所示,在i=2且j=2的情况下,u的取值可以为1、2、3。由此,基于上述公式一,矩阵计算单元可以确定第一乘积结果矩阵s11中第2行第2列的值。
可以理解,上文结合图1A对矩阵计算单元执行的部分操作进行了说明,下面将结合图1B对向量计算单元执行的部分操作进行说明。
在一些实施例中,向量计算单元可以配置为:根据第一乘积结果矩阵,得到第一向量。第一乘积结果矩阵可以包括第一乘积结果向量。如图1A和图1B所示,第一乘积结果矩阵s11可以包括L个行向量。第一乘积结果矩阵s11的每个行向量可以作为一个第一乘积结果向量。
在本公开实施例中,向量计算单元还可以配置为:对多个第一乘积结果向量分别执行第一操作,得到多个第一向量值。第一操作可以为求和操作或求最值操作。求最值操作可以为求最大值操作或求最小值操作。可以通过以下公式得到第一向量的第i个第一向量值mi:
如图1B所示,在i=1的情况下,基于上述公式二,向量计算单元可以将第一乘积结果矩阵s11的第1行的多个元素相加,得到第一向量m10的第1行的第一向量值。
在一些实施例中,向量计算单元可以配置为:根据第一乘积结果矩阵和第一向量,得到第一处理结果矩阵。第一乘积结果向量可以与第一向量值对应。如图1B所示,第一乘积结果矩阵s11的第1行可以与第一向量m10的第1行对应。
在本公开实施例中,向量计算单元还可以配置为:将第一乘积结果向量的多个第一乘积结果向量值分别减去与第一乘积结果向量对应的第一向量值,得到多个减法结果。利用预设函数处理多个减法结果,得到第一处理结果向量的多个第一处理结果向量值。例如,预设函数可以为以自然常数e为底的指数函数。如图1B所示,第一乘积结果矩阵s11的第1行的L个元素分别减去第一向量m10的第1行的值,得到L个减法结果。利用预设函数处理L个减法结果,可以得到第一处理结果向量的L个第一处理结果向量值。第一处理结果向量的数目可以与第一乘积结果向量的数目一致。由此,基于多个第一乘积结果向量,可以得到第一处理结果矩阵。又例如,向量计算单元可以通过以下公式获得第一处理结果矩阵中第i行第j列的元素S2ij:
e()可以为预设函数。S1ij-mi可以表示减法结果。如图1B所示,利用预设函数分别处理多个减法结果向量之后,可以得到第一处理结果矩阵s12。
在一些实施例中,向量计算单元还可以配置为:根据第一处理结果矩阵,得到第二向量。如图1B所示,第一处理结果矩阵s12可以包括L个行向量。第一处理结果矩阵s12每个行向量可以为一个第一处理结果向量。
在本公开实施例中,向量计算单元还可以配置为:对多个第一处理结果向量分别执行第二操作,得到多个第二向量值。第二操作可以为求和操作。可以通过以下公式得到第二向量的第i个第二向量值li:
如图1B所示,在i=1的情况下,基于上述公式四,向量计算单元可以将第一处理结果矩阵s12的第1行的多个元素相加,得到第二向量l10的第1行的第二向量值。
在一些实施例中,向量计算单元可以配置为:根据第一处理结果矩阵和第二向量,得到第二处理结果矩阵。第一处理结果向量可以与第二向量值对应。如图1B所示,第一处理结果矩阵s12的第1行可以与第二向量l10的第1行对应。
在本公开实施例中,向量计算单元还可以配置为:将第一处理结果向量除以与第一处理结果向量对应第二向量值,得到第二处理结果向量。例如,可以将第一乘积结果向量中每个元素除以对应的第二向量值,得到除法结果向量。预设函数可以为以自然常数e为底的指数函数。如图1B所示,第一处理结果矩阵s12的第1行的L个元素分别除以第二向量l10的第1行的值,得到第二处理结果向量。第二处理结果向量的数目可以与第一处理结果向量的数目一致。由此,基于多个第二处理结果向量,可以得到第二处理结果矩阵。又例如,向量计算单元可以通过以下公式获得第二处理结果矩阵中第i行第j列的元素Pij:
如图1B所示,根据第一处理结果矩阵s12和第二向量l10,可以得到第二处理结果矩阵P10。
可以理解,上文结合图1B对向量计算单元执行的部分操作进行了说明,下面将结合图1C对矩阵计算单元执行的另一部分操作进行说明。
在一些实施例中,矩阵计算单元还可以配置为:根据第二处理结果矩阵和初始值特征矩阵,得到第二乘积结果矩阵,作为注意力特征矩阵。如图1B所示,第二处理结果矩阵P10的规模可以为L×L。初始值特征矩阵的规模可以为L×H。
在本公开实施例中,矩阵计算单元还可以配置为:将第二处理结果矩阵和初始值特征矩阵相乘,得到第二乘积结果矩阵,作为注意力特征矩阵。例如,可以通过以下公式得到注意力特征矩阵中第i行第t列的元素Oit:
t可以为大于或等于1且小于或等于H的整数。k可以为大于或等于1且小于或等于L的整数。如图1C所示,如图1A所示,在i=2且t=2的情况下,k的取值可以为1、2、3、4、5。由此,基于上述公式六,矩阵计算单元可以确定注意力特征矩阵O10中第2行第2列的值。
可以理解,在一些实施例中,可以增加每次数据处理的深度,以提高向量计算单元的算力利用率。也可以优化数据在存储单元中分布,以提高访存效率。基于此,可以提高向量计算单元的硬件利用率,以加速自注意力算子。然而,向量计算单元的计算资源存在上限,自注意力算子的相关操作的被执行效率难以被进一步提高。
由此,本公开提供了一种数据处理装置,下面将进行说明。
图2是根据本公开的一个实施例的数据处理装置的示意框图。
如图2所示,该装置200可以包括第一计算单元210和第二计算单元220。
第一计算单元210,可以配置为:根据第一处理结果矩阵和目标值特征矩阵,确定目标乘积结果矩阵。
在本公开实施例中,第一计算单元可以是上述矩阵计算单元。
在本公开实施例中,第一处理结果矩阵是根据初始查询特征矩阵和初始键特征矩阵得到的。例如,基于上述公式一至公式三,可以根据初始查询特征矩阵和初始键特征矩阵,得到第一处理结果矩阵。
在本公开实施例中,目标值特征矩阵可以是根据初始值特征和预设向量得到的。预设向量可以包括多个预设向量值。预设向量值的数目可以与初始值特征矩阵的行数目或列数目一致。例如,若初始值特征矩阵为L行,预设向量可以包括L个预设向量值。预设向量值可以为1或其他任意值。
在本公开实施例中,可以利用预设向量对初始值特征矩阵执行各种操作。例如,可以利用预设向量替换初始值特征矩阵中任一行或任一列,也可以将预设向量作为行向量或列向量添加至初始值特征矩阵。又例如,初始值特征可以包括H个列向量。若将预设向量作为第H+1个列向量添加至初始值特征矩阵,目标值特征矩阵可以包括H+1个列向量。
第二计算单元220,可以配置为:从目标乘积结果矩阵中确定与预设向量对应的目标向量。
在本公开实施例中,第二计算单元可以是上述向量计算单元,也可以是其他除矩阵计算单元之外的计算单元。例如,在将预设向量作为第H+1个列向量添加至初始值特征矩阵的情况下,目标乘积结果矩阵中第H+1个列向量,可以作为目标向量。目标向量可以包括L个目标向量值。
第二计算单元220,还可以配置为:根据目标乘积结果矩阵和目标向量,执行除法操作,得到注意力特征矩阵。
在本公开实施例中,目标向量可以包括多个目标向量值。目标乘积结果矩阵可以包括多个目标乘积结果向量。每个目标乘积结果向量可以除以一个目标向量值,得到一个注意力特征矩阵的行向量或列向量。
通过本公开实施例,利用预设向量处理初始值特征矩阵,并利用第一计算单元处理了目标值特征矩阵和第一处理结果矩阵,可以将向量计算单元对多个第一处理结果向量分别执行的第二操作转移给第一计算单元。向量计算单元执行的求和操作转变为复制或读取操作,负载下降。第一计算单元的负载上升,但上升幅度较小。由此,可以充分利用数据处理装置的硬件资源,尤其是可以充分利用矩阵计算单元的硬件资源,提高芯片的性能。
可以理解,上文对本公开的数据处理装置进行了说明,下面将结合图3A至图3D进行说明。
图3A至图3D是根据本公开的一个实施例的自注意力机制的示意图。
在一些实施例中,第一计算单元可以配置为执行以下操作以获得第一乘积结果矩阵:将初始查询特征矩阵和初始键特征矩阵相乘,得到第一乘积结果矩阵。如图3A所示,初始查询特征矩阵Q30的规模可以为L×H。初始键特征矩阵的规模可以为L×H。对初始键特征矩阵进行转置,可以得到转置的键特征矩阵K30。转置的键特征矩阵的规模可以为H×L。L可以为大于或等于1的整数,H可以为大于或等于1的整数。如图3A所示,L可以为5,H可以为3。
在本公开实施例中,第一计算单元还可以配置为执行以下操作以将初始查询特征矩阵和初始键特征矩阵相乘,得到第一乘积结果矩阵:将初始查询特征矩阵和初始键特征矩阵相乘,得到初始乘积结果矩阵。根据维度数据和初始乘积结果矩阵得到处理后的乘积结果矩阵。根据偏置矩阵和处理后的乘积结果矩阵,得到第一乘积结果矩阵。例如,维度数据可以为初始查询特征矩阵Q30或初始键特征矩阵的列数目H。偏置矩阵Z30的规模可以为L×L。如图3A所示,第一计算单元可以将初始查询特征矩阵Q30和转置的键特征矩阵K30相乘,得到初始乘积结果矩阵。第一计算单元可以将初始乘积结果矩阵中多个元素分别除以维度数据的平方根,得到处理后的乘积结果矩阵。接下来,第一计算单元可以将处理后的乘积结果矩阵与偏置矩阵Z30相加,得到第一乘积结果矩阵s31。又例如,矩阵计算单元可以通过上述公式一获得第一乘积结果矩阵中第i行第j列的元素S1ij。如图3A所示,在i=2且j=2的情况下,基于上述公式一,第一计算单元可以确定第一乘积结果矩阵s31中第2行第2列的值。
可以理解,上文结合图3A对第一计算单元执行的部分操作进行了说明,下面将结合图3B对第二计算单元执行的部分操作进行说明。
在一些实施例中,第二计算单元可以配置为执行以下操作以获得第一处理结果矩阵:根据第一乘积结果矩阵,得到第一向量。第一乘积结果矩阵可以包括第一乘积结果向量。如图3A和图3B所示,第一乘积结果矩阵s31可以包括L个行向量。第一乘积结果矩阵s31的每个行向量可以作为一个第一乘积结果向量。
在本公开实施例中,第二计算单元还可以配置为:对多个第一乘积结果向量分别执行第一操作,得到多个第一向量值。第一操作可以为求和操作或求最值操作。求最值操作可以为求最大值操作或求最小值操作。可以通过上述公式二得到第一向量的第i个第一向量值mi。如图3B所示,在i=1的情况下,基于上述公式二,第二计算单元可以将第一乘积结果矩阵s31的第1行的多个元素相加,得到第一向量m30的第1行的第一向量值。
在一些实施例中,第二计算单元可以配置为执行以下操作以获得第一处理结果矩阵:根据第一乘积结果矩阵和第一向量,得到第一处理结果矩阵。第一乘积结果向量可以与第一向量值对应。如图3B所示,第一乘积结果矩阵s31的第1行可以与第一向量m30的第1行对应。
在本公开实施例中,第二计算单元还可以配置为:将第一乘积结果向量的多个第一乘积结果向量值分别减去与第一乘积结果向量对应的第一向量值,得到多个减法结果。利用预设函数处理多个减法结果,得到第一处理结果向量的多个第一处理结果向量值。例如,预设函数可以为以自然常数e为底的指数函数。如图3B所示,第一乘积结果矩阵s31的第1行的L个元素分别减去第一向量m30的第1行的值,得到L个减法结果。利用预设函数处理L个减法结果,可以得到第一处理结果向量的L个第一处理结果向量值。第一处理结果向量的数目可以与第一乘积结果向量的数目一致。由此,基于多个第一乘积结果向量,可以得到第一处理结果矩阵。又例如,向量计算单元可以通过上述公式三获得第一处理结果矩阵中第i行第j列的元素S2ij。如图3B所示,利用预设函数分别处理多个减法结果之后,可以得到第一处理结果矩阵s32。
可以理解,上文结合图3B对第二计算单元执行的部分操作进行了说明。也可以理解,根据初始查询特征矩阵以及初始键特征矩阵,第一计算单元和第二计算单元获得第一处理结果矩阵s32的方式,与上述矩阵计算单元和上述向量计算单元获得第一处理结果矩阵s12的方式相同或类似。但与图1B不同,接下来,将由第一计算单元根据第一处理结果矩阵和初始值特征矩阵执行相关操作,下面将进行说明。
在一些实施例中,目标值特征矩阵可以是通过以下操作根据初始值特征矩阵和预设向量得到的:将预设向量作为行向量或列向量添加至初始值特征矩阵,得到目标值特征矩阵。例如,预设向量可以包括L个预设向量值。预设向量值可以1。将预设向量作为第H+1个列向量。由此,基于初始值特征矩阵的H个列向量和该第H+1个列向量,可以得到目标值特征矩阵V31。初始值特征矩阵例如可以为上述初始值特征矩阵V10。可以理解,目标值特征矩阵可以是任一计算单元根据初始值特征矩阵和预设向量得到的。
在一些实施例中,第一计算单元可以配置为:根据第一处理结果矩阵和目标值特征矩阵,确定目标乘积结果矩阵。如图3C所示,可以将第一处理结果矩阵s32和目标值特征矩阵V31相乘,得到目标乘积结果矩阵s33。例如,第一计算单元可以通过以下公式确定目标乘积结果矩阵中第i行第n列的元素S3in:
可以理解,i可以为大于或等于1且小于或等于L的整数。j可以为大于或等于1且小于或等于L的整数。n可以为大于或等于1且小于或等于H+1的整数。k可以为大于或等于1且小于或等于L的整数。可以为维度数据H的平方根。S2ik可以为上述第一处理结果矩阵s32中第i行第k列的元素。V可以为初始值特征矩阵。
可以理解,上文结合图3C对第一计算单元执行的部分操作进行了说明,下面将结合图3D对第二计算单元执行的部分操作进行说明。
在一些实施例中,第二计算单元可以配置为:从目标乘积结果矩阵中确定与预设向量对应的目标向量。例如,在将预设向量作为第H+1个列向量的情况下,目标乘积结果矩阵s33的第H+1个列向量可以作为目标向量l30。可以通过以下公式确定目标向量l30的第i个目标向量值li:
S3i,H+1可以为目标乘积结果矩阵s33的第H+1个列向量的第i个元素。通过本公开实施例,将按行求和操作(例如上述公式四)替换为复制或读取操作(例如公式八),可以大幅降低向量计算单元的负载,提高数据处理装置的性能。
在一些实施例中,第二计算单元可以配置为:根据目标乘积结果矩阵和目标向量,执行除法操作,得到注意力特征矩阵。目标乘积结果矩阵包括多个目标乘积结果向量。目标向量包括多个目标向量值。如图3D所示,目标乘积结果矩阵s33包括的L个行向量,可以分别作为L个目标乘积结果向量。目标向量可以包括L个目标向量值。
在本公开实施例中,第二计算单元还可以配置为:将目标乘积结果向量除以与目标乘积结果向量对应的目标向量值,得到注意力特征向量。可以将目标乘积结果向量的多个目标乘积结果向量值的至少一个目标乘积结果向量值分别除以对应的目标向量值,得到至少一个注意力特征向量值。例如,可以通过以下公式确定注意力特征矩阵中第i行第t列的元素Oit:
t可以为大于或等于1且小于或等于H的整数。S3it可以表示第i个目标乘积结果向量的第1个至第H个目标乘积结果向量值。在大部分应用场景中,L可以大于H。通过本公开实施例,将利用L行L列的第二处理结果矩阵执行除法操作(公式五),替换为利用L行H列的矩阵执行除法操作(公式九),可以进一步降低向量计算单元的负载。
此外,如图1B所示,上述向量计算单元执行的操作与上述公式二至公式五对应。公式二对应的负载、公式三对应的负载、公式四对应的负载以及公式五对应的负载可以为1∶2∶2∶1。如图3B和图3D所示,公式八对应的负载几乎为0。公式二对应的负载、公式三对应的负载以及公式九对应的负载可以为1∶2∶1。由此,通过本公开实施例,基于上述公式七至公式九,向量计算单元的负载可以下降30%左右。
可以理解,上文以自注意力机制涉及偏置矩阵为示例,对本公开进行了说明。但本公开不限于此,自注意力机制也可以不涉及偏置矩阵,下面将进行说明。
在本公开实施例中,第一计算单元还配置为执行以下操作以将初始查询特征矩阵和初始键特征矩阵相乘,得到第一乘积结果矩阵:将初始查询特征矩阵和初始键特征矩阵相乘,得到初始乘积结果矩阵。根据维度数据和初始乘积结果矩阵,得到第一乘积结果矩阵。例如,将初始乘积结果矩阵除以维度数据的平方根,得到处理后的乘积结果矩阵。在自注意力机制不涉及偏置矩阵的情况下,该处理后的乘积结果矩阵,可以作为第一乘积结果矩阵。
可以理解,上文对本公开的数据处理装置进行了说明,下面将对包括该装置的电子设备进行说明。
图4是根据本公开的一个实施例的电子设备的示意图。
如图4所示,电子设备4000可以包括数据处理装置400。数据处理装置400可以为上述装置200。
可以理解,上文对本公开的一种电子设备进行了说明,下面将对本公开的数据处理方法进行说明。
图5是根据本公开的一个实施例的数据处理方法的示意流程图。
如图5所示,方法500可以包括操作S510至操作S530。
在操作S510,根据第一处理结果矩阵和目标值特征矩阵,利用第一计算单元确定目标乘积结果矩阵。
在本公开实施例中,第一处理结果矩阵是根据初始查询特征矩阵和初始键特征矩阵得到的,目标值特征矩阵是根据初始值特征矩阵和预设向量得到的。
在操作S520,利用第二计算单元从目标乘积结果矩阵中确定与预设向量对应的目标向量。
在操作S530,根据目标乘积结果矩阵和目标向量,利用第二计算单元执行除法操作,得到注意力特征矩阵。
可以理解,第一计算单元可以为上述第一计算单元210。第二计算单元可以为上述第二计算单元220。
在一些实施例中,方法500还包括:根据第一乘积结果矩阵,利用第二计算单元得到第一向量。第一乘积结果矩阵是根据初始查询特征矩阵和初始键特征矩阵得到的。根据第一乘积结果矩阵和第一向量,利用第二计算单元得到第一处理结果矩阵。
在一些实施例中,方法500还包括:利用第一计算单元将初始查询特征矩阵和初始键特征矩阵相乘,得到第一乘积结果矩阵。
在一些实施例中,利用第一计算单元将初始查询特征矩阵和初始键特征矩阵相乘,得到第一乘积结果矩阵包括:利用第一计算单元将初始查询特征矩阵和初始键特征矩阵相乘,得到初始乘积结果矩阵。根据维度数据和初始乘积结果矩阵,利用第一计算单元得到第一乘积结果矩阵。
在一些实施例中,根据维度数据和初始乘积结果矩阵,利用第一计算单元得到第一乘积结果矩阵包括:利用第一计算单元将初始乘积结果矩阵除以维度数据的平方根,得到处理后的乘积结果矩阵。根据偏置矩阵和处理后的乘积结果矩阵,利用第一计算单元得到第一乘积结果矩阵。
在一些实施例中,第一乘积结果矩阵包括多个第一乘积结果向量,第一向量包括多个第一向量值。根据第一乘积结果矩阵,利用第二计算单元得到第一向量包括:利用第二计算单元对多个第一乘积结果向量分别执行第一操作,得到第一向量的多个第一向量值。第一操作为求和操作和求最值操作之一。
在一些实施例中,第一处理结果矩阵包括多个第一处理结果向量,第一向量值与第一乘积结果向量对应。根据第一乘积结果矩阵和第一向量,利用第二计算单元得到第一处理结果矩阵包括:利用第二计算单元将第一乘积结果向量的多个第一乘积结果向量值分别减去与第一乘积结果向量对应的第一向量值,得到多个减法结果。利用第二计算单元根据预设函数处理多个减法结果,得到第一处理结果向量的多个第一处理结果向量值。
在一些实施例中,目标值特征矩阵是通过以下操作根据初始值特征矩阵和预设向量得到的:将预设向量作为行向量或列向量添加至初始值特征矩阵,得到目标值特征矩阵。
在一些实施例中,目标向量包括多个目标向量值,目标乘积结果矩阵包括多个目标乘积结果向量,注意力特征矩阵包括多个注意力特征向量。根据目标乘积结果矩阵和目标向量,利用第二计算单元执行除法操作,得到注意力特征矩阵包括:利用第二计算单元将目标乘积结果向量除以与目标乘积结果向量对应的目标向量值,得到注意力特征向量
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图6所示,设备600包括计算单元601,其可以根据存储在只读存储器(Read-OnlyMemory,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(RandomAccess Memory,RAM)603中的计算机程序,来执行各种适当的动作和处理。在RAM 603中,还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(Input/Output,I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605,包括:输入单元606,例如键盘、鼠标等;输出单元607,例如各种类型的显示器、扬声器等;存储单元608,例如磁盘、光盘等;以及通信单元609,例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(Central Processing Unit,CPU)、图形处理单元(Graph Processing Unit,GPU)、各种专用的人工智能(Artificial Intelligence,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(Digital SignalProcessor,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,例如数据处理方法。例如,在一些实施例中,数据处理方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元608。在一些实施例中,计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时,可以执行上文描述的数据处理方法的一个或多个步骤。备选地,在其他实施例中,计算单元601可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行数据处理方法。
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(Field Programmable Gate Array,FPGA)、专用集成电路(Application Specific Integrated Circuit,ASIC)、专用标准产品(ApplicationSpecific Standard Parts,ASSP)、芯片上系统的系统(System On Chip,SOC)、复杂可编程逻辑设备(Complex Programmable Logic Device,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、只读存储器、可擦除可编程只读存储器(ErasableProgrammable Read-Only Memory,EPROM)或快闪存储器、光纤、便捷式紧凑盘只读存储器(Compact Disc Read-Only Memory,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,阴极射线管(Cathode Ray Tube,CRT)显示器或者液晶显示器(Liquid Crystal Display,LCD));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(Local Aera Network,LAN)、广域网(Wide Aera Network,WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (22)
1.一种数据处理装置,包括:
第一计算单元,配置为:根据第一处理结果矩阵和目标值特征矩阵,确定目标乘积结果矩阵,其中,所述第一处理结果矩阵是根据初始查询特征矩阵和初始键特征矩阵得到的,所述目标值特征矩阵是根据初始值特征矩阵和预设向量得到的;
第二计算单元,配置为:
从所述目标乘积结果矩阵中确定与所述预设向量对应的目标向量;
根据所述目标乘积结果矩阵和所述目标向量,执行除法操作,得到注意力特征矩阵。
2.根据权利要求1所述的装置,其中,所述第二计算单元还配置为执行以下操作以获得所述第一处理结果矩阵:
根据第一乘积结果矩阵,确定第一向量,其中,所述第一乘积结果矩阵是根据所述初始查询特征矩阵和所述初始键特征矩阵得到的;
根据所述第一乘积结果矩阵和所述第一向量,得到所述第一处理结果矩阵。
3.根据权利要求2所述的装置,其中,所述第一计算单元还配置为执行以下操作以获得所述第一乘积结果矩阵:
将所述初始查询特征矩阵和所述初始键特征矩阵相乘,得到所述第一乘积结果矩阵。
4.根据权利要求3所述的装置,其中,所述第一计算单元还配置为执行以下操作以将所述初始查询特征矩阵和所述初始键特征矩阵相乘,得到所述第一乘积结果矩阵:
将所述初始查询特征矩阵和所述初始键特征矩阵相乘,得到初始乘积结果矩阵;
根据维度数据和所述初始乘积结果矩阵,得到所述第一乘积结果矩阵。
5.根据权利要求4所述的装置,其中,所述第一计算单元还配置为执行以下操作以根据维度数据和所述初始乘积结果矩阵,得到所述第一乘积结果矩阵:
将所述初始乘积结果矩阵除以所述维度数据的平方根,得到处理后的乘积结果矩阵;
根据偏置矩阵和所述处理后的乘积结果矩阵,得到所述第一乘积结果矩阵。
6.根据权利要求2所述的装置,其中,所述第一乘积结果矩阵包括多个第一乘积结果向量,所述第一向量包括多个第一向量值,
所述第二计算单元还配置为执行以下操作以根据第一乘积结果矩阵,得到第一向量:
对多个所述第一乘积结果向量分别执行第一操作,得到所述第一向量的多个所述第一向量值,其中,所述第一操作为求和操作和求最值操作。
7.根据权利要求6所述所述的装置,其中,所述第一处理结果矩阵包括多个第一处理结果向量,所述第一向量值与所述第一乘积结果向量对应,
所述第二计算单元还配置为执行以下操作以根据所述第一乘积结果矩阵和所述第一向量,得到所述第一处理结果矩阵:
将所述第一乘积结果向量的多个第一乘积结果向量值分别减去与所述第一乘积结果向量对应的所述第一向量值,得到多个减法结果;
利用预设函数处理多个所述减法结果,得到所述第一处理结果向量的多个第一处理结果向量值。
8.根据权利要求1所述的装置,其中,所述目标值特征矩阵是通过以下操作根据所述初始值特征矩阵和所述预设向量得到的:
将所述预设向量作为行向量或列向量添加至所述初始值特征矩阵,得到所述目标值特征矩阵。
9.根据权利要求1所述的装置,其中,所述目标向量包括多个目标向量值,所述目标乘积结果矩阵包括多个目标乘积结果向量,所述注意力特征矩阵包括多个注意力特征向量,
所述第二计算单元还配置为执行以下操作以根据所述目标乘积结果矩阵和所述目标向量,执行除法操作,得到注意力特征矩阵:
将所述目标乘积结果向量除以与所述目标乘积结果向量对应的目标向量值,得到所述注意力特征向量。
10.一种电子设备,包括如权利要求1至9任一项所述的装置。
11.一种数据处理方法,包括:
根据第一处理结果矩阵和目标值特征矩阵,利用第一计算单元确定目标乘积结果矩阵,其中,所述第一处理结果矩阵是根据初始查询特征矩阵和初始键特征矩阵得到的,所述目标值特征矩阵是根据初始值特征矩阵和预设向量得到的;
利用第二计算单元从所述目标乘积结果矩阵中确定与所述预设向量对应的目标向量;
根据所述目标乘积结果矩阵和所述目标向量,利用所述第二计算单元执行除法操作,得到注意力特征矩阵。
12.根据权利要求11所述的方法,还包括:
根据第一乘积结果矩阵,利用所述第二计算单元得到第一向量,其中,所述第一乘积结果矩阵是根据所述初始查询特征矩阵和所述初始键特征矩阵得到的;
根据所述第一乘积结果矩阵和所述第一向量,利用所述第二计算单元得到所述第一处理结果矩阵。
13.根据权利要求12所述的方法,还包括:
利用所述第一计算单元将所述初始查询特征矩阵和所述初始键特征矩阵相乘,得到所述第一乘积结果矩阵。
14.根据权利要求13所述的方法,其中,所述利用所述第一计算单元将所述初始查询特征矩阵和所述初始键特征矩阵相乘,得到所述第一乘积结果矩阵包括:
利用所述第一计算单元将所述初始查询特征矩阵和所述初始键特征矩阵相乘,得到初始乘积结果矩阵;
根据维度数据和所述初始乘积结果矩阵,利用所述第一计算单元得到所述第一乘积结果矩阵。
15.根据权利要求14所述的方法,其中,所述根据维度数据和所述初始乘积结果矩阵,利用所述第一计算单元得到所述第一乘积结果矩阵包括:
利用所述第一计算单元将所述初始乘积结果矩阵除以所述维度数据的平方根,得到处理后的乘积结果矩阵;
根据偏置矩阵和所述处理后的乘积结果矩阵,利用所述第一计算单元得到所述第一乘积结果矩阵。
16.根据权利要求12所述的方法,其中,所述第一乘积结果矩阵包括多个第一乘积结果向量,所述第一向量包括多个第一向量值,
所述根据第一乘积结果矩阵,利用所述第二计算单元得到第一向量包括:
利用所述第二计算单元对多个所述第一乘积结果向量分别执行第一操作,得到所述第一向量的多个所述第一向量值,其中,所述第一操作为求和操作和求最值操作之一。
17.根据权利要求16所述的方法,其中,所述第一处理结果矩阵包括多个第一处理结果向量,所述第一向量值与所述第一乘积结果向量对应,
所述根据所述第一乘积结果矩阵和所述第一向量,利用所述第二计算单元得到所述第一处理结果矩阵包括:
利用所述第二计算单元将所述第一乘积结果向量的多个第一乘积结果向量值分别减去与所述第一乘积结果向量对应的所述第一向量值,得到多个减法结果;
利用所述第二计算单元根据预设函数处理多个所述减法结果,得到所述第一处理结果向量的多个第一处理结果向量值。
18.根据权利要求11所述的方法,其中,所述目标值特征矩阵是通过以下操作根据所述初始值特征矩阵和所述预设向量得到的:
将所述预设向量作为行向量或列向量添加至所述初始值特征矩阵,得到所述目标值特征矩阵。
19.根据权利要求11所述的方法,其中,所述目标向量包括多个目标向量值,所述目标乘积结果矩阵包括多个目标乘积结果向量,所述注意力特征矩阵包括多个注意力特征向量,
所述根据所述目标乘积结果矩阵和所述目标向量,利用所述第二计算单元执行除法操作,得到注意力特征矩阵包括:
利用所述第二计算单元将所述目标乘积结果向量除以与所述目标乘积结果向量对应的目标向量值,得到所述注意力特征向量。
20.一种电子设备,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11至19中任一项所述的方法。
21.一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11至19中任一项所述的方法。
22.一种计算机程序产品,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11至19中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410323484.7A CN118113976A (zh) | 2024-03-20 | 2024-03-20 | 数据处理装置、方法、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410323484.7A CN118113976A (zh) | 2024-03-20 | 2024-03-20 | 数据处理装置、方法、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118113976A true CN118113976A (zh) | 2024-05-31 |
Family
ID=91210543
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410323484.7A Pending CN118113976A (zh) | 2024-03-20 | 2024-03-20 | 数据处理装置、方法、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118113976A (zh) |
-
2024
- 2024-03-20 CN CN202410323484.7A patent/CN118113976A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105844330B (zh) | 神经网络处理器的数据处理方法及神经网络处理器 | |
CN112561068B (zh) | 模拟方法、计算设备、经典设备、存储设备及产品 | |
US11651198B2 (en) | Data processing method and apparatus for neural network | |
CN114020950A (zh) | 图像检索模型的训练方法、装置、设备以及存储介质 | |
KR20230044318A (ko) | 모델 파라미터 조정 방법, 기기, 저장매체 및 프로그램 제품 | |
CN115454706A (zh) | 一种系统异常确定方法、装置、电子设备及存储介质 | |
CN115409855A (zh) | 图像处理方法、装置、电子设备和存储介质 | |
CN115456167A (zh) | 轻量级模型训练方法、图像处理方法、装置及电子设备 | |
CN113344213A (zh) | 知识蒸馏方法、装置、电子设备及计算机可读存储介质 | |
CN117351299A (zh) | 图像生成及模型训练方法、装置、设备和存储介质 | |
CN114897146B (zh) | 模型生成方法、装置和电子设备 | |
CN118113976A (zh) | 数据处理装置、方法、电子设备和存储介质 | |
CN113642654B (zh) | 图像特征的融合方法、装置、电子设备和存储介质 | |
CN115237372A (zh) | 一种乘法电路、机器学习运算电路、芯片及数据处理方法 | |
CN113361621A (zh) | 用于训练模型的方法和装置 | |
CN113408304A (zh) | 文本翻译方法、装置、电子设备及存储介质 | |
CN112558918A (zh) | 用于神经网络的乘加运算方法和装置 | |
CN115511047B (zh) | Softmax模型的量化方法、装置、设备及介质 | |
JP2023103419A (ja) | 演算方法、装置、チップ、電子機器及び記憶媒体 | |
US20230145408A1 (en) | Method of processing feature information, electronic device, and storage medium | |
CN115018009B (zh) | 对象描述方法、网络模型的训练方法及装置 | |
CN118013181A (zh) | 矩阵乘数据的处理方法、装置、电子设备和存储介质 | |
CN115860077B (zh) | 状态数据的处理方法、装置、设备以及存储介质 | |
EP4113421A2 (en) | Method and apparatus for performing valuation on resource, device and storage medium | |
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 |