TWI813042B - 神經網路割分方法、系統、終端設備及存儲介質 - Google Patents
神經網路割分方法、系統、終端設備及存儲介質 Download PDFInfo
- Publication number
- TWI813042B TWI813042B TW110138938A TW110138938A TWI813042B TW I813042 B TWI813042 B TW I813042B TW 110138938 A TW110138938 A TW 110138938A TW 110138938 A TW110138938 A TW 110138938A TW I813042 B TWI813042 B TW I813042B
- Authority
- TW
- Taiwan
- Prior art keywords
- operator
- operation time
- neural network
- scheduling
- execution unit
- Prior art date
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000000638 solvent extraction Methods 0.000 title abstract description 11
- 239000006185 dispersion Substances 0.000 claims abstract description 23
- 230000011218 segmentation Effects 0.000 claims description 84
- 238000004590 computer program Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000010977 unit operation Methods 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Computer And Data Communications (AREA)
- Color Image Communication Systems (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
一種神經網路割分方法，包括：基於多個割分方案將算子群調度給多個執行單元；確定多個割分方案中多個執行單元之運算時間及其離散程度；根據離散程度最低之割分方案對神經網路進行割分。本申請還提供一種神經網路割分系統、終端設備和存儲介質。
Description
本申請涉及神經網路領域，更具體地涉及一種神經網路割分方法、系統、終端設備及存儲介質。
人工神經網路(Artificial Neural Networks，ANNs)亦簡稱為神經網路(NNs)，係一種模仿動物神經網路行為特徵，進行分散式並行資訊處理之演算法數學模型。神經網路可劃分成多個算子群，並分別分配給執行單元、處理器或加速器等以進行指定運算或實現負載平衡。
於一些場景中，於神經網路進行割分並將多個算子群調度給多個相同功能之執行單元後，需要多個執行單元均完成運算後，多個執行單元方可同步執行下一步驟之指令。由於每個算子群之運算時間存在不同，導致多個執行單元之運算時間存在難以控制之差異，最先完成運算之執行單元需等待最後完成運算之執行單元運算完成後，方可繼續進行其他步驟，工作效率較低。
鑒於以上內容，有必要提供一種神經網路割分方法、系統、終端設備及存儲介質，可於完成割分後使各個執行單元之運算時間之差異達到最小，提高工作效率。
第一方面，本申請之實施例提供一種神經網路割分方法，包括：基於多個割分方案將多個算子群調度給多個執行單元；確定多個所述割分方案中多個所述執行單元之運算時間及其離散程度；根據所述離散程度最低之所述割分方案對所述神經網路進行割分。
可選地，所述神經網路割分方法還包括：將所述算子割分成多個子算子，所述算子群中包括所述算子與所述子算子。
可選地，所述基於多個割分方案將多個算子群調度給多個執行單元包括：向未完成所述算子群之調度之所述執行單元調度一個所述算子或所述子算子；確定所述執行單元之運算時間是否符合繼續調度標準；若所述執行單元之運算時間符合所述繼續調度標準，則繼續將下一個所述算子或所述子算子調度至所述執行單元；若所述執行單元之運算時間不符合所述繼續調度標準，則取消當前所述算子或所述子算子之調度，並開始向下一個未完成所述算子群調度之所述執行單元調度所述算子或所述子算子。
可選地，所述算子與所述子算子均對應有運算時間，所述基於多個割分方案將多個算子群調度給多個執行單元還包括：根據多個所述算子、多個所述子算子之運算時間與所述執行單元之數量，計算所述執行單元之平均運算時間。
可選地，所述確定所述執行單元之運算時間是否符合繼續調度標準包括：確定所述執行單元之運算時間是否小於所述平均運算時間；若所述執行單元之運算時間小於所述平均運算時間，則確定所述執行單元之運算時間符合所述繼續調度標準；若所述執行單元之運算時間大於或等於所述平均運算時間，則確定所述執行單元之運算時間不符合所述繼續調度標準。
可選地，所述確定多個所述割分方案中多個所述執行單元之運算時間及其離散程度包括：根據多個所述執行單元之運算時間與所述平均運算時
間計算多個所述執行單元之運算時間之標準差；根據所述標準差之大小確定所述離散程度，所述標準差與所述離散程度呈正比例關係。
可選地，所述根據所述離散程度最低之所述割分方案對所述神經網路進行割分包括：確定多個所述標準差中最小之所述標準差；根據與最小之所述標準差對應之所述割分方案割分所述神經網路。
第二方面，本申請之實施例提供一種神經網路割分系統，用於實現如上述任一項所述之神經網路割分方法，包括：調度單元，用於將多個所述算子群調度給多個所述執行單元；運算單元，用於計算多個所述執行單元之運算時間及其所述離散程度；確定模組，用於確定所述離散程度最低之所述割分方案；控制單元，用於根據所述離散程度最低之所述割分方案割分所述神經網路。
第三方面，本申請之實施例提供一種終端設備，包括：記憶體，用於存儲電腦程式；處理器，用於執行所述記憶體存儲之所述電腦程式，當所述電腦程式被執行時，所述處理器用於執行如上述任一項所述之神經網路割分方法。
第四方面，本申請之實施例提供一種存儲介質，所述存儲介質包括電腦指令，當所述電腦指令於終端設備上運行時，使得所述終端設備執行如上述任一項所述之神經網路割分方法。
本申請實現方式提供之神經網路割分方法、系統、終端設備及存儲介質，藉由確定多種割分方案下執行單元之運算時間離散程度之大小，選出離散程度最小之割分方案為最佳方案進行神經網路之割分，減少了各個執行單元之運算時間之間之差異，提高了工作效率。
100:神經網路割分系統
200:終端設備
10:割分模組
20:調度模組
30:運算模組
40:確定模組
50:控制模組
60:處理器
70:記憶體
80:通訊介面
S11~S14:步驟
S41~S44:步驟
圖1係本申請實施例中神經網路割分方法之流程圖。
圖2係本申請實施例中神經網路之算子與子算子之示意圖。
圖3係本申請實施例中神經網路之算子群之示意圖。
圖4係本申請實施例中神經網路割分方法之另一流程圖。
圖5係本申請實施例中神經網路割分系統之示意圖。
圖6係本申請實施例中終端設備之結構示意圖。
下面將結合本申請實現方式中之附圖，對本申請實現方式中之技術方案進行清楚、完整地描述，顯然，所描述之實現方式僅係本申請一部分實現方式，而不係全部之實現方式。
於一些可能之場景中，神經網路需要被割分成多個算子群，每個算子群調度給執行單元、處理器等加速器等，以進行對資料之計算，實現負載平衡等。於對神經網路進行割分並將多個算子群調度給多個功能相同之執行單元時，由於每個算子群之運算時間存在不同，導致多個執行單元之運算時間存在難以控制之差異，影響工作效率。
為應對上述情況，本申請之實施例提供一種神經網路割分方法，該方法可減少執行單元之執行時間之間之差異，提高工作效率。
請參閱圖1，圖1為本申請之一個實施例提供之神經網路割分方法之流程圖。
本實施例之神經網路割分方法可包括以下步驟：
步驟S11：將算子(Operator)割分成多個子算子(Sub-operator)。
如圖2所示，於一個實施例中，所述神經網路包括有多個按指定順序連接之所述算子，例如算子1，算子2等，每一個所述算子可以為所述神經網路運行之演算法之一個步驟；所述算子可割分成多個按指定順序連接之所述子
算子，例如子算子A1，子算子A2等，每一個所述子算子可以為對所述算子之分解，每一個所述子算子可對應一個演算法中一個步驟中之一個子步驟。
可理解，於所述神經網路之構建過程中，多個所述算子由多個所述子算子組成，每一個算子中可包括指定數量與特性之子算子，即所述子算子之數量與特性於所述神經網路構建時已經確定；於將所述算子割分成多個子算子之過程中，不需要人為對所述子算子之數量與對所述算子之割分位置進行確定。
可理解，所述算子、所述子算子之運算時間均係可知且固定。
步驟S12：基於多個割分方案將多個算子群調度給多個執行單元。
如圖3所示，於一個實施例中，所述神經網路中之所述算子與所述子算子可分配至多個所述算子群中，例如算子群1，算子群2等，於一個所述算子群中，所述算子之數量可以為一個或多個，所述子算子之數量可以為一個或多個，於本申請之實施例中對此不做限制。
可理解，所述割分方案之內容可以為將所述神經網路中指定之所述算子與指定之所述子算子按分配給指定之所述算子群，再將多個指定之所述算子群調度給指定之所述執行單元。於不同之所述割分方案中，調度給同一所述執行單元之所述算子群可存在不同，具體之不同可以為但不局限於所述算子群中之所述算子、所述子算子之數量不同，所述算子群中所述算子、所述子算子不同，調度給所述執行單元之所述算子群之數量不同等。
請參閱圖4，於一種可能之實現方法中，將多個所述算子群調度給多個所述執行單元之具體方法可包括以下步驟：
步驟S41：根據多個所述算子、多個所述子算子之運算時間，確定繼續調度標準。
可理解，所述繼續調度標準可以為於將所述算子群調度給所述執行單元之過程中，確定是否繼續調度下一所述算子或所述子算子之判定標準，當所述執行單元之運算時間符合所述繼續調度標準時，則繼續對下一所述算子或所述子算子之調度；當所述執行單元之運算時間不符合所述繼續調度標準時，則停止對當前所述算子或所述子算子之調度，並確定已調度之多個所述算子與/或所述子算子組成與該所述執行單元對應之所述算子群。
步驟S42：向未完成所述算子群之調度之所述執行單元調度一個所述算子或一個所述子算子。
可理解，所述算子與所述子算子之排布順序係固定因此調度給一個所述執行單元之所述子算子與所述算子按照所述算子與所述子算子之排布順序依次調度。
步驟S43：確定所述執行單元之運算時間是否符合繼續調度標準，若是，則返回步驟S42，若否，則進入步驟S44。
於本申請之實施例中，所述繼續調度標準之具體內容可以為：所述執行單元之運算時間與一預設之第一閾值滿足一預設之數值關係，所述第一閾值可以為經過實驗或經驗而人為設定之值。
可理解，所述執行單元之運算時間與所述第一閾值滿足預設之數值關係，可以為但不局限於所述執行單元之運算時間與所述第一閾值滿足一預設之函數關係，或所述執行單元之運算時間大於、小於或等於所述第一閾值等。
舉例說明，所述第一閾值可以為平均運算時間，所述平均運算時間為多個所述執行單元之平均運算時間。
可理解，所述平均運算時間TE可滿足以下公式(1)：
其中，T為所述算子與所述子算子之總執行時間，N為所述執行單元之數量。
可理解，若所述執行單元當前之運算時間小於所述平均運算時間，則確定所述執行單元之運算時間符合所述繼續調度標準；若所述執行單元當前之運算時間大於所述平均運算時間，則確定所述執行單元之運算時間不符合所述繼續調度標準。
可理解，所述執行單元之運算時間等於調度至所述執行單元之所述算子與所述子算子之運算時間之和。
可理解，所述執行單元之運算時間需要小於所述平均運算時間，即小於所述第一閾值，從而使各所述執行單元之運算時間可控制於一定數值下，減少各所述執行單元運算時間之離散程度，使多個所述執行單元之運算時間接近。
可理解，所述執行單元之運算時間小於所述平均運算時間時，為避免所述執行單元之運算能力之浪費，應返回步驟S42以進一步向所述執行單元調度所述算子或所述子算子，並再次對所述執行單元之運算時間進行評判。
可理解，當以所述執行單元之當前運算時間是否小於所述平均運算時間作為所述繼續調度標準時，根據多個所述算子、多個所述子算子之運算時間以及所述執行單元之數量對所述平均運算時間之計算，於步驟S41中實現。
步驟S44：取消當前所述算子或所述子算子之調度，確定所述執行單元完成了所述算子群之調度，並進入步驟S45。
可理解，當所述執行單元之運算時間大於所述平均運算時間時，該所述執行單元之運算時間與其他所述執行單元之運算時間差異較大，需取消對該所述執行單元最後一次之所述算子或子算子之調度。
可理解，當所述執行單元結束了所述算子群之調度時，所述執行單元之運算時間小於所述平均運算時間；所述執行單元之運算時間與下一個為調度至所述執行單元之所述算子或子算子之運算時間之和，大於所述平均運算時間。
步驟S45：確定另一未完成所述算子群調度之所述執行單元進行所述算子或所述子算子之調度。
可理解，待一個所述執行單元完成了所述算子群之調度後，可於其餘所述執行單元中重新選擇一未完成所述算子群調度之所述執行單元，進行新一輪所述算子或所述子算子之調度，即選取另一未完成所述算子群調度之所述執行單元開始執行步驟S42。
步驟S13：確定多個所述割分方案中多個所述執行單元之運算時間之離散程度。
可理解，多個所述執行單元之運算時間之所述離散程度越少，則多個所述執行單元之運算時間越接近，因此需要藉由多個所述割分方案實現所述執行單元對所述算子群之調度，並從中選出使所述執行單元之運算時間之所述離散程度最低之所述割分方案。
於一種可能之實現方法中，確定所述執行單元之運算時間之所述離散程度之具體方法，可以為計算所述執行單元運算時間之標準差。
可理解，標準差係一種統計運算中用於代表離散程度之數值，所述標準差之數值與所述執行單元運算時間之所述離散程度呈正比例關係，即所述標準差之值越小代表所述執行單元運算時間之所述離散程度越低，即所述執行單元運算時間之接近度越高。
可理解，所述標準差SD可滿足一下公式(2)：
其中，μ為所述平均運算時間，x i 為各所述執行單元之運算時間，N為所述執行單元之數量。
步驟S14：根據所述離散程度最低之所述割分方案割分所述神經網路。
可理解，於多個所述割分方案中對應之所述標準差最小之所述割分方案為最佳方案，於該所述割分方案下各所述執行單元之運算時間接近程度高，選取該所述割分方案確定調度至所述執行單元之所述算子群，提高工作效率。
於一種可能之場景中，對於所述標準差是否係最小之所述標準差之判定，可以為藉由對所有所述割分方案對應之所述標準差進行計算並比對得出。
於另一種可能之場景中，對於所述標準差是否係最小之所述標準差之判定，可以為藉由於對多個所述割分方案對應之所述標準差進行計算，並於每次所述標準差完成計算後先與一預設之第二閾值對比，確定是否存在小於所述第二閾值之所述標準差，若不存在則再對所有所述標準差進行對比後得出。
可理解，於該可能之場景中，所述第二閾值可以為操作人員藉由實驗或經驗人為設定之一個足夠小之值，當所述標準差小於該所述第二閾值時，可確定該所述標準差對應之所述割分方案下各所述執行單元之運算時間之接近程度已經足夠高，滿足了作業需求。因此，於對多個所述割分方案對應之所述標準差逐個計算後，將所述標準差與所述第二閾值進行比對，若存在小於所述第二閾值之所述標準差，則可停止繼續對所述標準差之計算，並人為確定該所述標準差為最小之標準差，確定該所述標準差對應之所述割分方案為最佳方案。
可理解，於該可能之場景中，若不存在小於所述第二閾值之所述標準差，則可對多個所述標準差進行排序對比，確定其中數值最小之所述標準差為最小之所述標準差，確定該所述標準差對應之所述割分方案為最佳方案。
請參照圖5，圖5係本申請實施例公開之一種神經網路割分系統100之示意圖。
本申請實施例提供之神經網路割分系統100可包括：割分模組10、調度模組20、運算模組30、確定模組40與控制模組50。
所述割分模組10用於將所述算子割分成多個所述子算子。
可理解，於所述神經網路中，可割分成多個所述子算子之所述算子可以為一個或多個，於本申請之實施例中不做限定。
所述調度模組20用於將多個所述算子群調度給多個所述執行單元。
可理解，調度至每個所述執行單元之所述算子與所述子算子組成了調度給該所述執行單元之所述算子群。
運算模組30，用於計算多個所述執行單元之運算時間，還用於計算多個所述執行單元運算時間之所述標準差，進而確定多個所述執行單元運算時間之所述離散程度。
確定模組40，用於確定所述離散程度最低之所述割分方案。
控制模組50，用於根據所述離散程度最低之所述割分方案割分所述神經網路。
可理解，上述之神經網路割分系統100中各個模組之劃分僅用於舉例說明，於其他之實施例中，可將神經網路割分系統100按照需要劃分為不同之模組，以完成上述神經網路割分系統100之全部或部分功能。
於本申請實施例中各個模組之具體實現還可對應參照圖1至圖4所示之方法實施例之相應描述。
於圖5所描述之神經網路割分系統100中，可確定出令多個所述執行單元運算時間之所述離散程度達到最低之所述割分方案，確定該所述割分方案為最佳方案，藉由使用該最佳方案實現對所述神經網路之割分，提高了工作效率。具體內容可參見上述神經網路割分方法之具體實施例，於此不再詳述。
請參閱圖6，圖6為本申請實施例提供之一種終端設備之結構示意圖。
本申請實施例提供一種終端設備200，所述終端設備200可包括上述之神經網路割分系統100，該神經網路割分系統100具體請參見圖5示出之實施例之具體描述，於此不再贅述。
如圖6所述，所述終端設備200可包括處理器60、記憶體70與通訊介面80。
所述處理器60、所述記憶體70與所述通訊介面80可藉由通訊匯流排連接並完成相互間之通訊。
所述處理器60可以為通用中央處理器(CPU)、微處理器、特定應用積體電路(application-specific integrated circuit，ASIC)、或一個或多個用於控制以上方案程式執行之積體電路。
所述記憶體70可以為唯讀記憶體(read-only memory，ROM)或可存儲靜態資訊與指令之其他類型之靜態存放裝置，隨機存取記憶體(random access memory，RAM)或者可存儲資訊與指令之其他類型之動態儲存裝置設備，亦可以為電可擦可程式設計唯讀記憶體(Electrically Erasable Programmable Read-Only Memory，EEPROM)、唯讀光碟(Compact Disc Read-Only Memory，CD-ROM)或其他光碟存儲、光碟存儲(包括壓縮光碟、鐳射碟、光碟、數位通用光碟、藍光光碟等)、磁片存儲介質或者其他磁存放裝置、或者能夠用於攜帶或存儲具有指令或資料結構形式之期望之程式碼並能夠由電腦存取之任何其他介質，但不限
於此。所述記憶體70可以為獨立存在，藉由匯流排與所述處理器60相連接。所述記憶體70亦可與所述處理器60集成於一起。
所述通訊介面80用於與其他設備或通訊網路通訊，如乙太網，無線接入網(RAN)，無線區域網(Wireless Local Area Networks，WLAN)等。
其中，所述記憶體70用於存儲執行以上方案之應用程式碼，並由所述處理器60來控制執行。所述處理器60用於執行所述記憶體70中存儲之應用程式碼。所述記憶體70存儲之代碼可執行圖1至圖4中所描述之神經網路割分方法之部分或全部步驟。
圖6所示之終端設備200，可確定出令多個所述執行單元運算時間之所述離散程度達到最低之所述割分方案，確定該所述割分方案為最佳方案，藉由使用該最佳方案實現對所述神經網路之割分，提高了工作效率。
基於同一構思，本申請之實施例還提供了一種存儲介質。所述可讀存儲介質中存儲有電腦指令，所述指令於終端設備200上運行時，使得終端設備200可執行前述實施例提供之神經網路割分方法。
對於本領域技術人員而言，顯然本申請不限於上述示範性實施例之細節，且於不背離本申請之精神或基本特徵之情況下，能夠以其他之具體形式實現本申請。因此，無論從哪一點來看，均應將本申請上述之實施例看作係示範性且係非限制性本申請之範圍由所附請求項而不係上述說明限定，因此旨於將落於請求項之等同要件之含義與範圍內之所有變化涵括於本申請內。
S11~S14:步驟
Claims (10)
- 一種神經網路割分方法，其改良在於，包括：基於多個割分方案將多個算子群調度給多個執行單元；確定多個所述割分方案中多個所述執行單元之運算時間及其離散程度；根據所述離散程度最低之所述割分方案對所述神經網路進行割分。
- 如請求項1所述之神經網路割分方法，其中，所述神經網路割分方法還包括：將算子割分成多個子算子，所述算子群中包括所述算子與所述子算子。
- 如請求項2所述之神經網路割分方法，其中，所述基於多個割分方案將多個所述算子群調度給多個執行單元包括：向未完成所述算子群之調度之所述執行單元調度一個所述算子或所述子算子；確定所述執行單元之運算時間是否符合繼續調度標準；若所述執行單元之運算時間符合所述繼續調度標準，則繼續將下一個所述算子或所述子算子調度至所述執行單元；若所述執行單元之運算時間不符合所述繼續調度標準，則取消當前所述算子或所述子算子之調度，並開始向下一個未完成所述算子群調度之所述執行單元調度所述算子或所述子算子。
- 如請求項3所述之神經網路割分方法，其中，所述算子與所述子算子均對應有運算時間，所述基於多個割分方案將多個所述算子群調度給多個執行單元還包括：根據多個所述算子、多個所述子算子之運算時間與所述執行單元之數量，計算所述執行單元之平均運算時間。
- 如請求項4所述之神經網路割分方法，其中，所述確定所述執行單元之運算時間是否符合所述繼續調度標準包括：確定所述執行單元之運算時間是否小於所述平均運算時間；若所述執行單元之運算時間小於所述平均運算時間，則確定所述執行單元之運算時間符合所述繼續調度標準；若所述執行單元之運算時間大於或等於所述平均運算時間，則確定所述執行單元之運算時間不符合所述繼續調度標準。
- 如請求項4所述之神經網路割分方法，其中，所述確定多個所述割分方案中多個所述執行單元之運算時間及其離散程度包括：根據多個所述執行單元之運算時間與所述平均運算時間計算多個所述執行單元之運算時間之標準差；根據所述標準差之大小確定所述離散程度，所述標準差與所述離散程度呈正比例關係。
- 如請求項6所述之神經網路割分方法，其中，所述根據所述離散程度最低之所述割分方案對所述神經網路進行割分包括：確定多個所述標準差中最小之所述標準差；根據與最小之所述標準差對應之所述割分方案割分所述神經網路。
- 一種神經網路割分系統，其改良在於，用於實現如請求項1-7任一項所述之神經網路割分方法，包括：調度單元，用於將多個所述算子群調度給多個所述執行單元；運算單元，用於計算多個所述執行單元之運算時間及其所述離散程度；確定模組，用於確定所述離散程度最低之所述割分方案；控制單元，用於根據所述離散程度最低之所述割分方案割分所述神經網路。
- 一種終端設備，其改良在於，包括： 記憶體，用於存儲電腦程式；處理器，用於執行所述記憶體存儲之所述電腦程式，當所述電腦程式被執行時，所述處理器用於執行如請求項1-7任一項所述之神經網路割分方法。
- 一種存儲介質，其改良在於，所述存儲介質包括電腦指令，當所述電腦指令於終端設備上運行時，使得所述終端設備執行如請求項1-7任一項所述之神經網路割分方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW110138938A TWI813042B (zh) | 2021-10-20 | 2021-10-20 | 神經網路割分方法、系統、終端設備及存儲介質 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW110138938A TWI813042B (zh) | 2021-10-20 | 2021-10-20 | 神經網路割分方法、系統、終端設備及存儲介質 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TW202318262A TW202318262A (zh) | 2023-05-01 |
| TWI813042B true TWI813042B (zh) | 2023-08-21 |
Family
ID=87378813
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW110138938A TWI813042B (zh) | 2021-10-20 | 2021-10-20 | 神經網路割分方法、系統、終端設備及存儲介質 |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TWI813042B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150178620A1 (en) * | 2011-07-07 | 2015-06-25 | Toyota Motor Europe Nv/Sa | Artificial memory system and method for use with a computational machine for interacting with dynamic behaviours |
| CN110162556A (zh) * | 2018-02-11 | 2019-08-23 | 陕西爱尚物联科技有限公司 | 一种有效发挥数据价值的方法 |
| US20200300972A1 (en) * | 2015-07-17 | 2020-09-24 | Origin Wireless, Inc. | Method, apparatus, and system for vital signs monitoring using high frequency wireless signals |
| TWI737040B (zh) * | 2019-09-12 | 2021-08-21 | 大陸商敦泰電子(深圳)有限公司 | 指紋識別方法、晶片及電子裝置 |
-
2021
- 2021-10-20 TW TW110138938A patent/TWI813042B/zh active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150178620A1 (en) * | 2011-07-07 | 2015-06-25 | Toyota Motor Europe Nv/Sa | Artificial memory system and method for use with a computational machine for interacting with dynamic behaviours |
| US20200300972A1 (en) * | 2015-07-17 | 2020-09-24 | Origin Wireless, Inc. | Method, apparatus, and system for vital signs monitoring using high frequency wireless signals |
| CN110162556A (zh) * | 2018-02-11 | 2019-08-23 | 陕西爱尚物联科技有限公司 | 一种有效发挥数据价值的方法 |
| TWI737040B (zh) * | 2019-09-12 | 2021-08-21 | 大陸商敦泰電子(深圳)有限公司 | 指紋識別方法、晶片及電子裝置 |
Also Published As
| Publication number | Publication date |
|---|---|
| TW202318262A (zh) | 2023-05-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6376865B2 (ja) | 並列ツリー・ベースの予測のための、コンピュータにより実行される方法、ストレージ媒体、およびコンピュータ・システム | |
| CN115220918A (zh) | 一种神经网络的内存分配方法及装置 | |
| CN111352712B (zh) | 云计算任务跟踪处理方法、装置、云计算系统及服务器 | |
| US11106649B2 (en) | Electronic apparatus, data chain archiving method, system and storage medium | |
| CN111209336B (zh) | 基于区块链的数据分配方法、装置及服务器 | |
| US20240193544A1 (en) | Goods sorting method and device, warehouse system, and storage medium | |
| CN110570075A (zh) | 一种电力业务边缘计算任务分配方法及装置 | |
| US11455577B2 (en) | Automatically allocating device resources using machine learning techniques | |
| CN114625500A (zh) | 云环境下拓扑感知的微服务应用调度的方法及应用 | |
| TWI813042B (zh) | 神經網路割分方法、系統、終端設備及存儲介質 | |
| CN113268331A (zh) | 机器人调用方法、机器人调用装置、管理系统和存储介质 | |
| US20050125799A1 (en) | Methods and systems for assigning objects to processing units | |
| CN113779322B (zh) | 用于图检索的方法、装置、设备以及计算机可读存储介质 | |
| WO2023020213A1 (zh) | 任务分配的方法、装置、设备、存储介质及程序产品 | |
| WO2022161081A1 (zh) | 集成学习模型的训练方法、装置、系统和相关设备 | |
| CN112948087A (zh) | 一种基于拓扑排序的任务调度方法及系统 | |
| CN112631743B (zh) | 任务调度方法、装置及存储介质 | |
| CN116011549A (zh) | 神经网络割分方法、系统、终端设备及存储介质 | |
| CN117421109B (zh) | 训练任务的调度方法、装置、计算机设备及存储介质 | |
| CN114265556B (zh) | 一种数据存储方法及装置 | |
| KR101642217B1 (ko) | Lap를 위한 생물지리학적 최적화 방법 및 시스템 | |
| CN117891584B (zh) | 基于dag分组的任务并行度调度方法、介质和设备 | |
| US11720400B2 (en) | Prescriptive analytics-based performance-centric dynamic serverless sizing | |
| CN116679758B (zh) | 一种无人机调度方法、系统、计算机及可读存储介质 | |
| CN112486615B (zh) | 基于拓扑路径的决策流执行方法、装置、设备及存储介质 |