CN113449857A - 一种数据处理方法和数据处理设备 - Google Patents
一种数据处理方法和数据处理设备 Download PDFInfo
- Publication number
- CN113449857A CN113449857A CN202010231450.7A CN202010231450A CN113449857A CN 113449857 A CN113449857 A CN 113449857A CN 202010231450 A CN202010231450 A CN 202010231450A CN 113449857 A CN113449857 A CN 113449857A
- Authority
- CN
- China
- Prior art keywords
- tensor
- arrangement
- operator
- equivalent
- tensor arrangement
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/098—Distributed learning, e.g. federated learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/10—Interfaces, programming languages or software development kits, e.g. for simulating neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Molecular Biology (AREA)
- Mathematical Optimization (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Neurology (AREA)
- Complex Calculations (AREA)
- Document Processing Apparatus (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Machine Translation (AREA)
Abstract
本申请实施例公开了一种数据处理方法,涉及人工智能领域,应用于分布式并行模型训练,例如文本翻译模型、语音识别模型、人脸识别模型、三维重建模型以及虚拟现实模型等的分布式训练,该方法可以支持混合并行在分布式集群中的实现。该方法包括:基于深度神经网络模型中每个算子的张量的张量排布,在具有输入输出依赖关系算子之间***重排布算子,实现不同张量排布之间的转换,在切片计算图中***重排布算子,确定更新后的切片计算图实现深度神经网络的并行模型训练。
Description
技术领域
本申请涉及人工智能领域,尤其涉及一种数据处理方法和数据处理设备。
背景技术
在多个计算设备上部署深度学习模型是训练大规模复杂模型的一种方式。数据并行是应用最广的并行策略,但随着数据集和模型越来越大,单卡内存受限,训练设备数量不断增加,导致通信开销增长,数据并行遇到瓶颈,需要进行数据和模型混合并行。
深度学习模型的并行方案可以根据模型中所有算子的张量排布体现,张量排布包括设备矩阵、张量形状和张量映射。现有的网格张量流(Mesh-Tensorflow)方案中,可以对张量的任意维度进行切分,但是所有张量的设备矩阵必须相同。
由于Mesh-Tensorflow方案要求所有张量的设备矩阵相同,导致张量映射存在约束,例如,张量的样本维度必须映射到所有张量的设备矩阵的同一维度,限制了多种并行方式的转换,例如数据并行和模型并行的混合并行无法实现。
发明内容
本申请实施例提供了一种数据处理方法,应用于深度神经网络模型的训练的分布式集群,使得不同并行模式构成的混合并行可以在分布式集群中实现。
本申请实施例第一方面提供一种数据处理方法,本申请实施例提供的数据处理方法通常应用于分布式集群,该分布式集群中包括多个数据处理设备,本方法可以用于该分布式集群中的一个或多个数据处理设备中,该方法包括:获取深度神经网络模型,以及所述深度神经网络模型中每个算子的输入张量的张量排布和所述每个算子的输出张量的张量排布,所述张量排布包括设备矩阵、张量映射和张量形状,设备矩阵中的每个元素代表分布式集群中的一个数据处理设备,设备矩阵中所有元素对应的多个数据处理设备用于并行执行该深度神经网络模型,所述深度神经网络模型中包括第一算子和第二算子,所述第一算子和所述第二算子为所述深度神经网络模型中的两个连续算子,且所述第一算子的输出张量为所述第二算子的输入张量,第一张量排布与第二张量排布不一致,其中,所述第一张量排布为所述第一算子的输出张量的张量排布,所述第二张量排布为所述第二算子的输入张量的张量排布;根据所述每个算子的输入张量的张量排布和所述每个算子的输出张量的张量排布,确定数据处理设备的切片计算图;确定所述第一算子和所述第二算子之间的重排布算子,所述重排布算子用于将所述第一张量排布转换为所述第二张量排布;在所述切片计算图中***所述重排布算子,以确定更新后的切片计算图,所述更新后的切片计算图用于指示执行所述深度神经网络模型的部分。
本申请实施例提供的数据处理方法,数据处理设备获取深度神经网络模型,以及其中所有算子的张量排布,包括输入张量的张量排布和输出张量的张量排布,其中,若存在连续的两个算子,第一算子的输出张量的张量排布与第二算子的输入张量的张量排布不一致,则根据该张量排布得到的切片计算图无法执行,本申请中,数据处理设备确定第一算子和第二算子之间的重排布算子,用于将第一算子的输出张量的张量排布转换为第二算子的输入张量的张量排布,由此,在切片计算图中***重排布算子,确定的更新后的切片计算图可以被执行。该方案可以应用于深度神经网络模型中每个算子任意张量排布的情况,通过重排布算子实现并行方式的转换,使得各类混合并行可以在分布式集群中实现。
在第一方面的一种可能的实现方式中,所述第一张量排布的设备矩阵与所述第二张量排布的设备矩阵不一致,和/或,所述第一张量排布的张量映射不一致;确定所述第一算子和所述第二算子之间的重排布算子包括:根据所述第一张量排布和所述第二张量排布,确定中间张量排布;根据所述第一张量排布和所述中间张量排布确定第一重塑算子,以及所述第一重塑算子的输入张量的张量排布和所述第一重塑算子的输出张量的张量排布,所述第一重塑算子用于实现所述第一张量排布至所述中间张量排布的转换,和/或根据所述第二张量排布和所述中间张量排布确定第二重塑算子,以及所述第二重塑算子的输入张量的张量排布和所述第二重塑算子的输出张量的张量排布,所述第二重塑算子位于所述第一重塑算子和所述第二算子之间,所述第二重塑算子用于实现所述中间张量排布到所述第二张量排布的转换。
本申请实施例提供的数据处理方法,针对张量排布中,第一张量排布和第二张量排布的张量形状一致,设备矩阵和张量映射中至少一个不一致的场景,如何确定重排布算子,具体可以通过中间张量排布,生成至少一个重塑算子,在第一算子和第二算子之间***重塑算子后,可以使得第一张量排布转换为第二张量排布,通过生成的重塑算子更新切片计算图,可以减少用户的工作量,提高模型并行训练效率。
在第一方面的一种可能的实现方式中,所述第一张量排布的设备矩阵与所述第二张量排布的设备矩阵不一致;根据所述第一张量排布和所述第二张量排布,确定中间张量排布包括:根据所述第一张量排布的设备矩阵与所述第二张量排布的设备矩阵,确定拓展设备矩阵,所述拓展设备矩阵的元素之积与所述第一算子的输出张量的设备矩阵的元素之积相同,与所述第二算子的输入张量的第二设备矩阵的元素之积相同,所述第一张量排布的设备矩阵和所述第二张量排布的设备矩阵中任一元素,等于所述拓展设备矩阵中的一个元素或者所述拓展设备矩阵的至少两个元素的乘积;根据所述拓展设备矩阵,确定与所述第一张量排布等价的第一等价张量排布,以及与所述第二张量排布等价的第二等价张量排布,所述第一等价张量排布的设备矩阵与所述第二等价张量排布的设备矩阵一致;当所述第一等价张量排布的张量形状与所述第二等价张量排布的张量形状一致时,所述中间张量排布包括所述第一等价张量排布和所述第二等价张量排布,所述张量形状为张量每个维度的元素数量。
本申请实施例提供的数据处理方法,具体介绍了当第一张量排布的设备矩阵与所述第二张量排布的设备矩阵不一致时,如何确定重塑算子,具体是通过确定拓展设备矩阵,找到与第一张量排布等价的第一等价张量排布,以及与所述第二张量排布等价的第二等价张量排布,第一等价张量排布的设备矩阵与所述第二等价张量排布的设备矩阵一致,进而根据第一等价张量排布和所述第二等价张量排布生成重塑算子。基于该方案自动生成重塑算子更新切片计算图,可以减少用户设计张量排布间转换的工作量,提高模型并行训练效率。
所述第一等价张量排布的张量形状与所述第二等价张量排布的张量形状一致,且所述第一等价张量排布的张量映射与所述第二等价张量排布的张量映射不一致;所述方法还包括:确定一个或多个张量映射转换算子,所述张量映射转换算子包括切分算子、合并算子或通信算子,所述一个或多个张量映射转换算子输入张量的张量排布与所述第一等价张量排布一致,所述一个或多个张量映射转换算子输出张量的张量排布与所述第二等价张量排布一致,所述一个或多个张量映射转换算子用于确定所述更新后的切片计算图。
本申请实施例提供的数据处理方法,具体介绍了设备矩阵归一化之后,若张量形状一致,但是张量映射不一致的情况,数据处理设备确定第一张量映射转换算子序列,包括一个或多个张量映射转换算子,实现第一等价张量排布的张量映射到所述第二等价张量排布的张量映射的转换,通过生成的一个或多个张量映射转换算子更新切片计算图,可以减少用户设计张量排布间转换的工作量,提高模型并行训练效率。
在第一方面的一种可能的实现方式中,当所述第一等价张量排布的张量形状与所述第二等价张量排布的张量形状不一致时,所述方法还包括:根据所述第一等价张量排布和所述第二等价张量排布进行张量形状归一化,确定与所述第一等价张量排布等价的第三等价张量排布,以及与所述第二等价张量排布等价的第四等价张量排布,所述第三等价张量排布的设备矩阵与所述第四等价张量排布的设备矩阵一致,所述第三等价张量排布的张量形状与所述第四等价张量排布的张量形状一致;所述中间张量排布包括所述第三等价张量排布和所述第四等价张量排布。
本申请实施例提供的数据处理方法,具体介绍了当第一张量排布与第二张量排布的设备矩阵归一化之后,张量形状不一致时的场景,需要进行张量形状归一化,确定与所述第一等价张量排布等价的第三等价张量排布,用于确定重塑算子。通过生成重塑算子更新切片计算图,可以减少用户设计张量排布间转换的工作量,提高模型并行训练效率。
在第一方面的一种可能的实现方式中,所述第三等价张量排布的张量映射与所述第四等价张量排布的张量映射不一致;所述方法还包括:确定一个或多个张量映射转换算子,所述张量映射转换算子包括切分算子、合并算子或通信算子,所述一个或多个张量映射转换算子输入张量的张量排布与所述第三等价张量排布一致,所述一个或多个张量映射转换算子输出张量的张量排布与所述第四等价张量排布一致,所述一个或多个张量映射转换算子用于确定所述更新后的切片计算图。
本申请实施例提供的数据处理方法,具体介绍了当第一张量排布与第二张量排布的设备矩阵归一化,和张量形状归一化之后,若张量映射仍不一致时的场景下,还需确定第二张量映射转换算子序列,包括一个或多个张量映射转换算子,用于实现第三等价张量排布到第四等价张量排布的转换。通过生成的一个或多个张量映射转换算子更新切片计算图,可以减少用户设计张量排布间转换的工作量,提高模型并行训练效率。
在第一方面的一种可能的实现方式中,所述第一张量排布的设备矩阵与所述第二张量排布的设备矩阵一致,且所述第一张量排布的张量形状与所述第二张量排布的张量形状不一致;所述根据所述第一张量排布和所述第二张量排布,确定中间张量排布包括:根据所述第一张量排布和所述第二张量排布确定与所述第一张量排布等价的第五等价张量排布,以及与所述第二等价张量排布等价的第六等价张量排布,所述第五等价张量排布的设备矩阵与所述第六等价张量排布的设备矩阵一致,所述第五等价张量排布的张量形状与所述第六等价张量排布的张量形状一致;所述中间张量排布包括所述第五等价张量排布和所述第六等价张量排布。
本申请实施例提供的数据处理方法,具体介绍了第一张量排布和第二张量排布的设备矩阵一致,且张量形状不一致的场景,进行张量形状归一化需确定与所述第一张量排布等价的第五等价张量排布,以及与所述第二等价张量排布等价的第六等价张量排布,第五等价张量排布和所述第六等价张量排布用于生成重塑算子,通过生成重塑算子更新切片计算图,可以减少用户设计张量排布间转换的工作量,提高模型并行训练效率。
在第一方面的一种可能的实现方式中,所述第五等价张量排布的张量映射与所述第六等价张量排布的张量映射不一致;所述方法还包括:确定一个或多个张量映射转换算子,所述张量映射转换算子包括切分算子、合并算子或通信算子,所述一个或多个张量映射转换算子输入张量的张量排布与所述第五等价张量排布一致,所述一个或多个张量映射转换算子输出张量的张量排布与所述第六等价张量排布一致,所述一个或多个张量映射转换算子用于确定所述更新后的切片计算图。
本申请实施例提供的数据处理方法,具体介绍了第一张量排布与第二张量排布的设备矩阵一致且张量形状不一致时,进行张量形状归一化后,张量映射仍不一致的场景。数据处理设备还确定第三张量映射转换算子序列,包括一个或多个张量映射转换算子,用于实现第四等价张量排布到第五等价张量排布的转换。通过生成的一个或多个张量映射转换算子更新切片计算图,可以减少用户设计张量排布间转换的工作量,提高模型并行训练效率。
在第一方面的一种可能的实现方式中,所述第一张量排布的设备矩阵和所述第二张量排布的设备矩阵一致,所述第一张量排布的张量形状与所述第二张量排布的张量形状一致,且所述第一张量排布的张量映射与所述第二张量排布的张量映射不一致;确定所述第一算子和所述第二算子之间的重排布算子包括:确定一个或多个张量映射转换算子,所述张量映射转换算子包括切分算子、合并算子或通信算子,所述一个或多个张量映射转换算子用于输入所述第一算子的输出张量,并输出所述第二算子的输入张量。
本申请实施例提供的数据处理方法,具体介绍了第一张量排布与第二张量排布的设备矩阵一致,张量形状一致,且张量映射不一致时的场景,数据处理设备还确定第四张量映射转换算子序列,包括一个或多个张量映射转换算子,用于实现第一张量排布到第二张量排布的转换。由于本方案可以通过第一张量排布和第二张量排布最终生成一个或多个张量映射转换算子用于更新切片计算图,可以减少用户设计张量排布间转换的工作量,提高模型并行训练效率。
在第一方面的一种可能的实现方式中,获取深度神经网络模型,以及所述深度神经网络模型中每个算子的输入张量的张量排布和所述每个算子的输出张量的张量排布包括:获取深度神经网络模型和切分策略,所述切分策略包括所述深度神经网络模型的张量在每个维度上的切分数量;根据所述深度神经网络模型和所述切分策略确定所述深度神经网络模型中每个算子的输入张量的张量排布和所述每个算子的输出张量的张量排布。
本申请实施例提供的数据处理方法,数据处理设备获取张量排布的具体方法,可以是先获取切分策略,根据所述深度神经网络模型和所述切分策略生成每个算子的张量排布,提供了确定算子张量排布的另一种实现方式,增加了方案实现的灵活性。
在第一方面的一种可能的实现方式中,所述切分策略包括第一切分策略和第二切分策略;根据所述深度神经网络模型和所述切分策略确定所述深度神经网络模型中每个算子输入张量的张量排布和所述每个算子的输出张量的张量排布包括:确定所述第一切分策略对应的第一整体张量排布,以及所述第二切分策略对应的第二整体张量排布,所述第一整体张量排布为基于所述第一切分策略确定的所述深度神经网络模型中每个算子的输入张量的张量排布和所述每个算子的输出张量的张量排布,所述第二整体张量排布为基于所述第二切分策略确定的所述深度神经网络模型中每个算子的输入张量的张量排布和所述每个算子的输出张量的张量排布;所述方法还包括:从所述第一整体张量排布和所述第二整体张量排布中确定,所述第一整体张量排布为所述深度神经网络模型中每个算子的输入张量的张量排布和所述每个算子的输出张量的张量排布,所述第一整体张量排布执行所述深度神经网络模型的训练所需的通信时间与计算时间之和,小于基于所述第二整体张量排布执行所述深度神经网络模型的训练所需的通信时间与计算时间之和。
本申请实施例提供的数据处理方法,数据处理设备可以获取至少两个切分策略,根据不同的切分策略确定每个切分策略的整体张量排布,需要说明的是,一个切分策略可以对应于多个整体张量排布。比较不同的整体张量排布确定开销较小的第一整体张量排布,开销是指基于该整体张量排布执行深度神经网络模型训练的通信时间与计算时间之和,需要说明的是,基于该整体张量排布执行深度神经网络模型训练的过程需要确定在该整体张量排布基础上需***的重排布算子。基于第一整体张量排布确定切片计算图。该方案可以考虑多种切分策略对应的整体张量排布,并选取其中开销小的整体张量排布用于切片,可以降低深度神经网络模型训练时的开销。
在第一方面的一种可能的实现方式中,所述第一整体张量排布的代价模型小于所述第二整体张量排布的代价模型,所述第一整体张量排布的代价模型为根据所述第一整体张量排布中数据张量的大小、通信张量的大小和参数张量的大小,以及所述数据张量的大小的权重系数、通信张量大小的权重系数和参数张量的大小的权重系数加权求和得到的值;所述第二整体张量排布的代价模型为根据所述第二整体张量排布中数据张量的大小、通信张量的大小和参数张量的大小,以及所述数据张量的大小的权重系数、通信张量大小的权重系数和参数张量的大小的权重系数加权求和得到的值。
本申请实施例提供的数据处理方法,在筛选确定第一整体张量排布时,可以通过代价模型比较不同整体张量排布的开销,通过张量近似估计存储和计算开销,提供了比较不同整体张量排布的开销的一种具体实现方法,此外,可以根据不同数据处理设备类型,灵活设定数据张量的大小的权重系数、通信张量大小的权重系数和参数张量的大小的权重系数,提高方案实现的灵活性。
在第一方面的一种可能的实现方式中,所述切分策略为用户指定的切分策略。
本申请实施例提供的数据处理方法,还可以适用于由用户指定切分策略的场景。
在第一方面的一种可能的实现方式中,所述深度神经网络模型中每个算子的输入张量包括训练数据集,所述训练数据集包括文本数据集、图像数据集或音频数据集。
本申请实施例提供的数据处理方法,所述深度神经网络模型中每个算子的输入张量包括训练数据集,所述训练数据集包括文本数据集、图像数据集或音频数据集,可以用于文本翻译模型、语音识别模型、人脸识别模型、三维重建模型以及虚拟现实模型等的分布式训练过程。例如,若输入文本数据集,对应的深度神经网络模型,可用于实现自动翻译,若输入图像数据集,对应的深度神经网络模型,可用于实现图像识别,人脸识别或三维建模等。
本申请实施例第二方面提供了一种数据处理设备,其特征在于,所述设备包括:
获取单元,用于获取深度神经网络模型,以及所述深度神经网络模型中每个算子的输入张量的张量排布和所述每个算子的输出张量的张量排布,所述张量排布包括设备矩阵、张量映射和张量形状,所述深度神经网络模型中包括第一算子和第二算子,所述第一算子和所述第二算子为所述深度神经网络模型中的两个连续算子,且所述第一算子的输出张量为所述第二算子的输入张量,第一张量排布与第二张量排布不一致,其中,所述第一张量排布为所述第一算子的输出张量的张量排布,所述第二张量排布为所述第二算子的输入张量的张量排布;确定单元,用于根据所述每个算子的输入张量的张量排布和所述每个算子的输出张量的张量排布,确定切片计算图;所述确定单元,还用于确定所述第一算子和所述第二算子之间的重排布算子,所述重排布算子用于将所述第一张量排布转换为所述第二张量排布;所述确定单元,还用于在所述切片计算图中***所述重排布算子,以确定更新后的切片计算图,所述更新后的切片计算图用于指示执行所述深度神经网络模型的部分。
在第二方面的一种可能的实现方式中,所述第一张量排布的设备矩阵与所述第二张量排布的设备矩阵不一致,和/或,所述第一张量排布的张量映射不一致;
所述确定单元,具体用于:
根据所述第一张量排布和所述第二张量排布,确定中间张量排布;
根据所述第一张量排布和所述中间张量排布确定第一重塑算子,以及所述第一重塑算子的输入张量的张量排布和所述第一重塑算子的输出张量的张量排布,所述第一重塑算子用于实现所述第一张量排布至所述中间张量排布的转换,和/或
根据所述第二张量排布和所述中间张量排布确定第二重塑算子,以及所述第二重塑算子的输入张量的张量排布和所述第二重塑算子的输出张量的张量排布,所述第二重塑算子位于所述第一重塑算子和所述第二算子之间,所述第二重塑算子用于实现所述中间张量排布到所述第二张量排布的转换。
在第二方面的一种可能的实现方式中,所述第一张量排布的设备矩阵与所述第二张量排布的设备矩阵不一致;
所述确定单元,具体用于:
根据所述第一张量排布的设备矩阵与所述第二张量排布的设备矩阵,确定拓展设备矩阵,所述拓展设备矩阵的元素之积与所述第一算子的输出张量的设备矩阵的元素之积相同,与所述第二算子的输入张量的第二设备矩阵的元素之积相同,所述第一张量排布的设备矩阵和所述第二张量排布的设备矩阵中任一元素,等于所述拓展设备矩阵中的一个元素或者所述拓展设备矩阵的至少两个元素的乘积;
根据所述拓展设备矩阵,确定与所述第一张量排布等价的第一等价张量排布,以及与所述第二张量排布等价的第二等价张量排布,所述第一等价张量排布的设备矩阵与所述第二等价张量排布的设备矩阵一致;
当所述第一等价张量排布的张量形状与所述第二等价张量排布的张量形状一致时,所述中间张量排布包括所述第一等价张量排布和所述第二等价张量排布,所述张量形状为张量每个维度的元素数量。
在第二方面的一种可能的实现方式中,所述第一等价张量排布的张量形状与所述第二等价张量排布的张量形状一致,且所述第一等价张量排布的张量映射与所述第二等价张量排布的张量映射不一致;
所述确定单元,还用于确定一个或多个张量映射转换算子,所述张量映射转换算子包括切分算子、合并算子或通信算子,所述一个或多个张量映射转换算子输入张量的张量排布与所述第一等价张量排布一致,所述一个或多个张量映射转换算子输出张量的张量排布与所述第二等价张量排布一致,所述一个或多个张量映射转换算子用于确定所述更新后的切片计算图。
在第二方面的一种可能的实现方式中,当所述第一等价张量排布的张量形状与所述第二等价张量排布的张量形状不一致时,所述确定单元还用于根据所述第一等价张量排布和所述第二等价张量排布进行张量形状归一化,确定与所述第一等价张量排布等价的第三等价张量排布,以及与所述第二等价张量排布等价的第四等价张量排布,所述第三等价张量排布的设备矩阵与所述第四等价张量排布的设备矩阵一致,所述第三等价张量排布的张量形状与所述第四等价张量排布的张量形状一致;所述中间张量排布包括所述第三等价张量排布和所述第四等价张量排布。
在第二方面的一种可能的实现方式中,所述第三等价张量排布的张量映射与所述第四等价张量排布的张量映射不一致;
所述确定单元还用于:确定一个或多个张量映射转换算子,所述张量映射转换算子包括切分算子、合并算子或通信算子,所述一个或多个张量映射转换算子输入张量的张量排布与所述第三等价张量排布一致,所述一个或多个张量映射转换算子输出张量的张量排布与所述第四等价张量排布一致,所述一个或多个张量映射转换算子用于确定所述更新后的切片计算图。
在第二方面的一种可能的实现方式中,所述第一张量排布的设备矩阵与所述第二张量排布的设备矩阵一致,且所述第一张量排布的张量形状与所述第二张量排布的张量形状不一致;
所述确定单元,具体用于:根据所述第一张量排布和所述第二张量排布确定与所述第一张量排布等价的第五等价张量排布,以及与所述第二等价张量排布等价的第六等价张量排布,所述第五等价张量排布的设备矩阵与所述第六等价张量排布的设备矩阵一致,所述第五等价张量排布的张量形状与所述第六等价张量排布的张量形状一致;所述中间张量排布包括所述第五等价张量排布和所述第六等价张量排布。
在第二方面的一种可能的实现方式中,所述第五等价张量排布的张量映射与所述第六等价张量排布的张量映射不一致;
所述确定单元,还用于确定一个或多个张量映射转换算子,所述张量映射转换算子包括切分算子、合并算子或通信算子,所述一个或多个张量映射转换算子输入张量的张量排布与所述第五等价张量排布一致,所述一个或多个张量映射转换算子输出张量的张量排布与所述第六等价张量排布一致,所述一个或多个张量映射转换算子用于确定所述更新后的切片计算图。
在第二方面的一种可能的实现方式中,所述第一张量排布的设备矩阵和所述第二张量排布的设备矩阵一致,所述第一张量排布的张量形状与所述第二张量排布的张量形状一致,且所述第一张量排布的张量映射与所述第二张量排布的张量映射不一致;
所述确定单元具体用于:
确定一个或多个张量映射转换算子,所述张量映射转换算子包括切分算子、合并算子或通信算子,所述一个或多个张量映射转换算子用于输入所述第一算子的输出张量,并输出所述第二算子的输入张量。
在第二方面的一种可能的实现方式中,所述获取单元,具体用于:
获取深度神经网络模型和切分策略,所述切分策略包括所述深度神经网络模型的张量在每个维度上的切分数量;
所述确定模块具体用于根据所述深度神经网络模型和所述切分策略确定所述深度神经网络模型中每个算子的输入张量的张量排布和所述每个算子的输出张量的张量排布。
在第二方面的一种可能的实现方式中,
所述切分策略包括第一切分策略和第二切分策略;
所述确定单元具体用于:
确定所述第一切分策略对应的第一整体张量排布,以及所述第二切分策略对应的第二整体张量排布,所述第一整体张量排布为基于所述第一切分策略确定的所述深度神经网络模型中每个算子的输入张量的张量排布和所述每个算子的输出张量的张量排布,所述第二整体张量排布为基于所述第二切分策略确定的所述深度神经网络模型中每个算子的输入张量的张量排布和所述每个算子的输出张量的张量排布;
从所述第一整体张量排布和所述第二整体张量排布中确定所述第一整体张量排布为所述深度神经网络模型中每个算子的输入张量的张量排布和所述每个算子的输出张量的张量排布,所述第一整体张量排布执行所述深度神经网络模型的训练所需的通信时间与计算时间之和,小于基于所述第二整体张量排布执行所述深度神经网络模型的训练所需的通信时间与计算时间之和。
在第二方面的一种可能的实现方式中,所述第一整体张量排布的代价模型小于所述第二整体张量排布的代价模型,所述第一整体张量排布的代价模型为根据所述第一整体张量排布中数据张量的大小、通信张量的大小和参数张量的大小,以及所述数据张量的大小的权重系数、通信张量大小的权重系数和参数张量的大小的权重系数加权求和得到的值;
所述第二整体张量排布的代价模型为根据所述第二整体张量排布中数据张量的大小、通信张量的大小和参数张量的大小,以及所述数据张量的大小的权重系数、通信张量大小的权重系数和参数张量的大小的权重系数加权求和得到的值。
在第二方面的一种可能的实现方式中,所述切分策略为用户指定的切分策略。
在第二方面的一种可能的实现方式中,所述深度神经网络模型中每个算子的输入张量包括训练数据集,所述训练数据集包括文本数据集、图像数据集或音频数据集。
本申请实施例第三方面提供了一种数据处理设备,包括处理器和存储器,所述处理器和所述存储器相互连接,其中,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器用于调用所述程序指令,执行如上述第一方面以及各种可能的实现方式中任一项所述的方法。
本申请实施例第四方面提供了一种包含指令的计算机程序产品,其特征在于,当其在计算机上运行时,使得所述计算机执行如上述第一方面以及各种可能的实现方式中任一项所述的方法。
本申请实施例第五方面提供了一种计算机可读存储介质,包括指令,其特征在于,当所述指令在计算机上运行时,使得计算机执行如上述第一方面以及各种可能的实现方式中任一项所述的方法。
本申请实施例第六方面提供了一种芯片,包括处理器。处理器用于读取并执行存储器中存储的计算机程序,以执行上述任一方面任意可能的实现方式中的方法。可选地,该芯片该包括存储器,该存储器与该处理器通过电路或电线与存储器连接。进一步可选地,该芯片还包括通信接口,处理器与该通信接口连接。通信接口用于接收需要处理的数据和/或信息,处理器从该通信接口获取该数据和/或信息,并对该数据和/或信息进行处理,并通过该通信接口输出处理结果。该通信接口可以是输入输出接口。
本申请实施例第七方面提供了一种分布式集群,其特征在于,所述分布式集群包括一个或多个上述第二方面以及各种可能的实现方式中任一项所述的数据处理设备。
其中,第二方面、第三方面、第四方面、第五方面、第六方面和第七方面中任一种实现方式所带来的技术效果可参见第一方面中相应实现方式所带来的技术效果,此处不再赘述。
本申请实施例提供的数据处理方法,数据处理设备获取深度神经网络模型,以及其中所有算子的张量排布,包括输入张量的张量排布和输出张量的张量排布,其中,若存在连续的两个算子,第一算子的输出张量的张量排布与第二算子的输入张量的张量排布不一致,则根据该张量排布得到的切片计算图无法执行,本申请中,数据处理设备确定第一算子和第二算子之间的重排布算子,用于将第一算子的输出张量的张量排布转换为第二算子的输入张量的张量排布,由此,在切片计算图中***重排布算子,确定的更新后的切片计算图可以被执行。该方案可以应用于深度神经网络模型中每个算子任意张量排布的情况,通过重排布算子实现并行方式的转换,使得各类混合并行可以在分布式集群中实现。
附图说明
图1为本申请实施例提供的一种人工智能主体框架示意图;
图2为本申请实施例提供的一种应用环境示意图;
图3为本申请实施例提供的一种计算图的示意图;
图4为本申请实施例提供的一种分布式集群拓扑结构示意图;
图5为本申请实施例中一个应用场景的示意图;
图6为本申请实施例中数据处理方法的一个实施例示意图;
图7为本申请实施例中张量排布的一个实施例示意图;
图8为本申请实施例中数据处理方法的另一个实施例示意图;
图9为本申请实施例中生成重排布算子的一个实施例示意图;
图10为本申请实施例中生成重排布算子的另一个实施例示意图;
图11为本申请实施例中确定整体张量排布的一个实施例示意图;
图12为本申请实施例中确定整体张量排布的另一个实施例示意图;
图13为本申请实施例中数据处理设备的一个实施例示意图;
图14为本申请实施例中数据处理设备的另一个实施例示意图;
图15为本申请实施例提供的一种芯片硬件结构图。
具体实施方式
本申请实施例提供了一种数据处理方法,应用于深度神经网络模型的训练的分布式集群,可以每个算子的张量排布实现深度神经网络模型训练过程的并行。
为了便于理解,下面对本申请实施例涉及的部分技术术语进行简要介绍:
1、深度神经网络模型,本申请实施例中也称模型或网络或算法,分为正向算法部分和反向计算部分;前向传播,或称前向计算部分、正向计算部分,就是模型计算的过程,可以针对一组输入给出相应的输出;反向传播,或称反向计算部分:就是训练模型参数,在所有参数上用梯度下降,使模型在训练数据上的损失函数最小。
2、计算图:也叫数据流图。神经网络中的每一个计算都是计算图上的一个节点,而节点之间的边表示数据的输入输出之间的依赖关系。切片计算图,相较全量计算图,原有的节点不变,节点之间的边对应的数据量为完整数据量的部分,此外,本申请实施例中,在切片计算图中还可以增加用于重排布的节点。
3、张量:n维数组,它是标量、1维矢量和2维矩阵的n维推广。在机器学习的模型训练中,训练数据和中间计算结果都可以看作为是张量。
4、算子:对张量的属性运算,如矩阵乘法、张量加法、卷积等。本文中可与神经网络中的层(layer)等价。
5、张量形状:张量每个维度元素个数组成的一维数组。
6、设备矩阵:一维数组。表达设备排布方式。数组元素个数表示设备排列的维度。数组元素乘积等于总设备数。
7、张量映射:一维数组。元素个数等于张量形状的元素个数。数值表示张量对应维度切分在设备矩阵上的映射。
8、张量排布:分布式张量在各个设备中的排布。由张量形状、设备矩阵和张量映射共同表达。
9、分布式张量排布(tensor layout),为分布式张量中的元素在各个设备上的排布方式。本申请实施例中也简称为张量排布。
张量形状(tensor shape):完整形状,每个维度的元素数量。
设备矩阵(device matrix):每个算子设计一个设备矩阵。
张量映射(tensor map):向量,和张量形状的维度一样。
下面结合附图,对本申请的实施例进行描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。本领域普通技术人员可知,随着技术的发展和新场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。
本申请中出现的术语“和/或”,可以是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B的情况,其中A,B可以是单数或者复数。另外,本申请中字符“/”,一般表示前后关联对象是一种“或”的关系。本申请中,“至少一个”是指一个或多个,“多个”是指两个或两个以上。“以下至少一项(个)”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b,或c中的至少一项(个),可以表示:a,b,c,a-b,a-c,b-c,或a-b-c,其中a,b,c可以是单个,也可以是多个。
本申请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术语在适当情况下可以互换,这仅仅是描述本申请的实施例中对相同属性的对象在描述时所采用的区分方式。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,以便包含一系列单元的过程、方法、***、产品或设备不必限于那些单元,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单元。
图1示出一种人工智能主体框架示意图,该主体框架描述了人工智能***总体工作流程,适用于通用的人工智能领域需求。
下面从“智能信息链”(水平轴)和“IT价值链”(垂直轴)两个维度对上述人工智能主题框架进行阐述。
“智能信息链”反映从数据的获取到处理的一列过程。举例来说,可以是智能信息感知、智能信息表示与形成、智能推理、智能决策、智能执行与输出的一般过程。在这个过程中,数据经历了“数据—信息—知识—智慧”的凝练过程。
“IT价值链”从人智能的底层基础设施、信息(提供和处理技术实现)到***的产业生态过程,反映人工智能为信息技术产业带来的价值。
(1)基础设施:
基础设施为人工智能***提供计算能力支持,实现与外部世界的沟通,并通过基础平台实现支撑。通过传感器与外部沟通;计算能力由智能芯片(CPU、NPU、GPU、ASIC、FPGA等硬件加速芯片)提供;基础平台包括分布式计算框架及网络等相关的平台保障和支持,可以包括云存储和计算、互联互通网络等。举例来说,传感器和外部沟通获取数据,这些数据提供给基础平台提供的分布式计算***中的智能芯片进行计算。
(2)数据
基础设施的上一层的数据用于表示人工智能领域的数据来源。数据涉及到图形、图像、语音、文本,还涉及到传统设备的物联网数据,包括已有***的业务数据以及力、位移、液位、温度、湿度等感知数据。
(3)数据处理
数据处理通常包括数据训练,机器学习,深度学习,搜索,推理,决策等方式。
其中,机器学习和深度学习可以对数据进行符号化和形式化的智能信息建模、抽取、预处理、训练等。
推理是指在计算机或智能***中,模拟人类的智能推理方式,依据推理控制策略,利用形式化的信息进行机器思维和求解问题的过程,典型的功能是搜索与匹配。
决策是指智能信息经过推理后进行决策的过程,通常提供分类、排序、预测等功能。
(4)通用能力
对数据经过上面提到的数据处理后,进一步基于数据处理的结果可以形成一些通用的能力,比如可以是算法或者一个通用***,例如,翻译,文本的分析,计算机视觉的处理,语音识别,图像的识别等等。
(5)智能产品及行业应用
智能产品及行业应用指人工智能***在各领域的产品和应用,是对人工智能整体解决方案的封装,将智能信息决策产品化、实现落地应用,其应用领域主要包括:智能制造、智能交通、智能家居、智能医疗、智能安防、自动驾驶,平安城市,智能终端等。
本申请实施例提供的数据处理方法,可以应用于各类分布式集群场景下的深度神经网络模型的并行训练,可以为每个算子独立确定切分策略,生成张量排布,通过***重排布算子得到单个数据处理设备可执行的深度神经网络模型的切片图。
参见附图2,本申请实施例提供了一种***架构200。可选地,数据采集设备260用于采集数据并存入数据库230,训练设备220基于数据库230中维护的数据生成目标模型/规则201。可选地,该数据可以是文本数据、音频数据或图像数据,图像包括图片和视频,具体数据类型此处不做限定。下面将更详细地描述训练设备220如何基于数据得到目标模型/规则201,目标模型/规则201能够用于文本翻译、语音识别、人脸识别、三维重建和虚拟现实等应用场景。
该目标模型/规则201可以是基于深度神经网络得到的,下面对深度神经网络进行介绍。
深度神经网络中的每一层的工作可以用数学表达式来描述:从物理层面深度神经网络中的每一层的工作可以理解为通过五种对输入空间(输入向量的集合)的操作,完成输入空间到输出空间的变换(即矩阵的行空间到列空间),这五种操作包括:1、升维/降维;2、放大/缩小;3、旋转;4、平移;5、“弯曲”。其中1、2、3的操作由完成,4的操作由+b完成,5的操作则由a()来实现。这里之所以用“空间”二字来表述是因为被分类的对象并不是单个事物,而是一类事物,空间是指这类事物所有个体的集合。其中,W是权重向量,该向量中的每一个值表示该层神经网络中的一个神经元的权重值。该向量W决定着上文所述的输入空间到输出空间的空间变换,即每一层的权重W控制着如何变换空间。训练深度神经网络的目的,也就是最终得到训练好的神经网络的所有层的权重矩阵(由很多层的向量W形成的权重矩阵)。因此,神经网络的训练过程本质上就是学习控制空间变换的方式,更具体的就是学习权重矩阵。
因为希望深度神经网络的输出尽可能的接近真正想要预测的值,所以可以通过比较当前网络的预测值和真正想要的目标值,再根据两者之间的差异情况来更新每一层神经网络的权重向量(当然,在第一次更新之前通常会有初始化的过程,即为深度神经网络中的各层预先配置参数),比如,如果网络的预测值高了,就调整权重向量让它预测低一些,不断的调整,直到神经网络能够预测出真正想要的目标值。因此,就需要预先定义“如何比较预测值和目标值之间的差异”,这便是损失函数(loss function)或目标函数(objectivefunction),它们是用于衡量预测值和目标值的差异的重要方程。其中,以损失函数举例,损失函数的输出值(loss)越高表示差异越大,那么深度神经网络的训练就变成了尽可能缩小这个loss的过程。
训练设备220得到的目标模型/规则可以应用不同的***或设备中。在附图2中,执行设备210配置有I/O接口212,与外部设备进行数据交互,“用户”可以通过客户设备240向I/O接口212输入数据。
执行设备210可以调用数据存储***250中的数据、代码等,也可以将数据、指令等存入数据存储***250中。
计算模块211使用目标模型/规则201对输入的数据进行处理,以三维建模为例,计算模块211可以对输入的图像或图像序列进行解析,恢复目标的深度信息。
关联功能模块213可以对计算模块211中的图像数据进行预处理。
关联功能模块214可以对计算模块211中的图像数据进行预处理。
最后,I/O接口212将处理结果返回给客户设备240,提供给用户。
更深层地,训练设备220可以针对不同的目标,基于不同的数据生成相应的目标模型/规则201,以给用户提供更佳的结果。
在附图2中所示情况下,用户可以手动指定输入执行设备210中的数据,例如,在I/O接口212提供的界面中操作。另一种情况下,客户设备240可以自动地向I/O接口212输入数据并获得结果,如果客户设备240自动输入数据需要获得用户的授权,用户可以在客户设备240中设置相应权限。用户可以在客户设备240查看执行设备210输出的结果,具体的呈现形式可以是显示、声音、动作等具体方式。客户设备240也可以作为数据采集端将采集到训练数据存入数据库230。
值得注意的,附图2仅是本申请实施例提供的一种***架构的示意图,图中所示设备、器件、模块等之间的位置关系不构成任何限制,例如,在附图2中,数据存储***250相对执行设备210是外部存储器,在其它情况下,也可以将数据存储***250置于执行设备210中。再例如:在附图2中,训练设备220、执行设备210以及客户设备240为各自独立的设备,在其他情况下,训练设备220和执行设备210可以为同一物理设备,该物理设备可以实现该训练设备220和执行设备210的所有功能;可选的,执行设备210以及客户设备240也可以为同一物理设备,该物理设备可以实现该执行设备210以及客户设备240的所有功能;可选的,训练设备220、执行设备210以及客户设备240均同一物理设备,该物理设备训练设备220、执行设备210以及客户设备240的所有功能,对于本申请实施例具体场景架构,此处不做限定。
现有的深度学习模型的并行方案:网格张量流(Mesh-Tensorflow)方案中,可以根据模型中所有张量的任意维度进行切分,但是所有张量的设备矩阵必须相同。由于Mesh-Tensorflow方案要求所有张量的设备矩阵相同,导致张量映射存在约束,例如,张量的样本维度必须映射到所有张量的设备矩阵的同一维度,限制了多种并行方式的转换,例如数据并行和模型并行的混合并行无法实现。无法单独为每个算子进行张量切分,并行方案的整体通信效率较低。
请参阅图3,为本申请实施例提供的一种计算图的示意图;
深度神经网络模型中的层(layer)可视为一个算子,深度神经网络模型包括多个算子,图3中以第一算子和第二算子为例介绍深度神经网络计算图的局部,第一算子的输入张量包括数据张量X以及参数张量W,第一算子的输出张量为第二算子的输入张量,第二算子还具有一个输入张量,即参数张量V,第二算子的输出张量为张量Z。可以理解的是,算子的张量包括输入张量和输出张量,算子的张量的数量不做限定,算子可以具有输入的参数张量,也可以没有输入的参数张量,具体此处不做限定,图3仅为一种可能的计算图。
图4为本申请实施例提供的一种分布式集群拓扑结构示意图;
分布式集群通常包括多台服务器,每台服务器可能包括多个数据处理设备,数据处理设备具体可以是CPU、GPU或者其他类型的处理器,例如昇腾芯片等,具体此处不做限定。图4示意了一种可能的分布式集群拓扑结构,该分布式集群中包括n台服务器,每台服务器中部署了8个数据处理设备,通常简称为一机8卡,服务器之间通过交换网络进行通信,可以理解的是,服务器之间的通信时延大于服务器内部数据处理设备之间的通信时延。深度神经网络可以部署于该分布式集群,由多台服务器中的多个数据处理设备并行进行深度神经网络模型的训练。
图5为本申请实施例中一个应用场景的示意图;
深度神经网络模型通过python前端图编译,可以转换得到全量计算图,本申请中获取单机执行的全量计算图,根据全量计算图,按照本申请实施例提供的数据处理方法,生成并行方案,得到切片计算图,切片计算图用于单个数据处理设备执行深度神经网络模型训练的部分,切片计算图通过自动微分图优化进行图编译,可以得到执行图。
本申请实施例提供的数据处理方法,主要用于生成并行方案,具体包括,算子并行切分建模模块、代价模型模块、并行切分策略和图切分模块。算子并行切分建模模块用于可以生成多个候选切分策略以及对应的深度神经网络模型整体的算子张量排布,代价模型模块可以根据开销大小从多个候选切分策略中确定目标切分策略,并行切分策略模块用于***重排布算子,图切分模块根据***重排布算子更新后的深度神经网络模型,以及每个算子的张量排布进行图切分,从而得到切片计算图。
请参阅图6,为本申请实施例中数据处理方法的一个实施例示意图;
601、数据处理设备获取深度神经网络模型和切分策略;
数据处理设备获取深度神经网络模型,本申请实施例中也称模型或网络或算法,根据获取的模型,确定该模型由单机执行的全量正向图。
数据处理设备获取切分策略,切分策略是指该模型中每个张量的切分方式,包括张量在每个维度上的切分数量。需要说明的是,该切分策略可以由用户指定,也可以由数据处理设备生成切分策略,具体此处不做限定。可选地,由数据处理设备根据模型和设备拓扑信息生成多个候选切分策略,并从多个候选切分策略中确定最优切分策略,具体实现方法请参考后续实施例。
需要说明的是,步骤601获取切分策略为可选操作,若数据处理设备根据模型和设备拓扑信息生成多个候选切分策略,进而获取多个整体张量排布,从中确定目标整体张量排布,可以直接执行步骤603。
602、数据处理设备根据深度神经网络模型和切分策略确定每个算子的张量排布;
分布式张量排布(tensor layout),为分布式张量中的元素在各个设备上的排布方式,由设备矩阵(device matrix),张量映射(tensor map)和张量形状(tensor shape)组成,本实施例及后续实施例中,将分布式张量排布简称为张量排布。其中,张量形状是指张量每个维度元素个数组成的一维数组。设备矩阵用于表达设备排布方式,为一维数组,数组元素个数表示设备排列的维度,数组元素乘积等于总设备数。张量映射:一维数组,元素个数等于张量形状的元素个数,每个元素的数值表示对应的张量每个维度切分在设备矩阵上的映射。张量排布表达可以支持算子在各种并行模式下的张量排布需要。
数据处理设备确定每个算子的张量排布,即可获取该数据处理设备的张量切片,得到切片计算图。
数据处理设备根据深度神经网络模型全量正向图和切分策略,可以确定每个算子的张量排布,具体包括,根据深度神经网络模型确定所有算子的张量,包括张量每个维度元素个数,即张量形状;根据切分策略,即张量在每个维度上的切分数量,以及分布式集群的设备拓扑,包括每个服务器中数据处理设备数量,服务器之间的连接关系等,可以确定定每个算子的张量的设备矩阵和张量映射。
可选地,若步骤601中,切分策略为用户指定,数据处理设备可以根据用户指定的切分策略生成,按照预设的规则,生成每个算子的张量排布,也可以根据用户指定的切分策略生成多种整体张量排布,整体张量排布为深度神经网络模型中每个算子的张量的张量排布,再从多种整体张量排布中确定一个最优整体张量排布。
可选地,若步骤601中,切分策略为数据处理设备从多种候选切分策略中确定,数据处理设备可以确定该切分策略对应的最优整体张量排布。具体请参考后续实施例。
示例性的,请参考图7,为本申请实施例中张量排布的一个实施例示意图;
矩阵乘算子(matmul)的输入张量为tensor A和tensor B,输出张量为tensor C,
图7中表1所示即为tensor A、tensor B和tensor C的张量排布,可以看出三个张量的设备矩阵均为[3,2,4],tensor A的tensor shape为[hA,wA],tensor map为[2,1],代表张量A的第0维hA映射到设备矩阵第2维,第1维wA映射到设备矩阵第1维。类似地,tensor B的tensor shape为[hB,wB],tensor map为[1,0],tensor C的tensor shape为[hC,wC],tensor map为[2,0]。
需要说明的是,步骤601至步骤602为可选步骤,数据处理设备可以在步骤603之前,直接获取深度神经网络模型,以及该深度神经网络模型中每个算子的输入张量的张量排布和每个算子的输出张量的张量排布。根据深度神经网络模型,以及该深度神经网络模型中每个算子的输入张量的张量排布和每个算子的输出张量的张量排布即可获取该数据处理设备的张量切片,得到切片计算图。
603、数据处理设备在具有不同张量排布的连续算子之间***重排布算子;
假设第一算子和第二算子为深度神经网络模型全量正向图中两个连续算子,且第一算子的输出张量的张量排布(tensor_layout_from)与第二算子的输入张量的张量排布(tensor_layout_to)不一致,则数据处理设备无法执行步骤602确定的张量切片,本申请实施例通过在第一算子和第二算子之间***重排布(redistribution)算子。
张量排布不一致,是指设备矩阵、张量映射和张量形状中至少有一个不同。
若tensor_layout_from与tensor_layout_to的设备矩阵不一致,则数据处理设备进行设备矩阵归一化,确定tensor_layout_from的第一等价张量排布(tensor_layout_from2),以及tensor_layout_to的第二等价张量排布(tensor_layout_to2),tensor_layout_from2的设备排布与tensor_layout_to2的设备排布一致,等价张量排布之间的转换可以通过重塑(reshape)算子实现,例如,tensor_layout_from通过reshape算子转换为tensor_layout_from2。
若tensor_layout_from与tensor_layout_to的设备矩阵一致,且张量形状不一致;或者,若tensor_layout_from2的张量形状与tensor_layout_to2的张量形状不一致;则数据处理设备进行张量形状归一化,确定tensor_layout_from的第三等价张量排布(tensor_layout_from3),以及tensor_layout_to的第四等价张量排布(tensor_layout_to3),tensor_layout_from3的张量形状与tensor_layout_to3的张量形状一致,等价张量排布之间的转换可以通过重塑(reshape)算子实现,例如,tensor_layout_from2通过reshape算子转换为tensor_layout_from3。
若tensor_layout_from与tensor_layout_to的设备矩阵一致,且张量形状一致,且张量映射不一致;或者tensor_layout_from2与tensor_layout_to2的设备排布一致,且张量形状一致,且张量映射不一致;或者tensor_layout_from3与tensor_layout_to3的设备排布一致,且张量形状一致,且张量映射不一致;则在张量形状不一致的张量之间***切分(slice)算子、合并(concat)算子或通信算子等张量映射转换算子。通信算子包括alltoall算子和allgather算子等。通过张量映射转换算子,可以实现张量映射不同的张量之间的转换。例如tensor_layout_from3到tensor_layout_to3之间的转换。可以理解的是,生成通信算子或切分算子时可以获取算子的张量排布。
根据tensor_layout_from与tensor_layout_to不一致的具体情况,数据处理设备将生成reshape算子、slice算子、concat算子、alltoall算子和allgather算子中的一个或者多个,即重排布(redistribution)算子可以包括单个算子,或者多个算子组成的重排布算子序列,具体算子数量和算子类型此处不做限定。通过重排布算子,可以实现tensor_layout_from到tensor_layout_to的转换。
生成重排布算子的具体计算方法,请参考后续实施例。
需要说明的是,深度神经网络模型中可能存在多组第一算子和第二算子,在每组第一算子和第二算子之间***重排布算子,可以确定可执行的更新的深度神经网络模型。
可选地,若步骤601中,切分策略为数据处理设备从多种候选切分策略中确定,数据处理设备可以直接获取第一算子和第二算子之间需要***重排布算子,本步骤中将重排布算子按照序列顺序***第一算子和第二算子之间既可。
604、数据处理设备根据重排布算子更新切片计算图,确定更新后的切片计算图;
数据处理设备根据重排布算子对切片计算图进行更新,然后根据图编译流程,经过自动微分、图优化等流程生成切片执行图,单个数据处理设备基于对应的切片执行图执行深度神经网络模型训练过程的一个部分。
类似地,分布式集群中每个数据处理设备可以获取本数据处理设备的切片计算图,通过切片计算图生成执行图,执行深度神经网络模型训练过程的一个部分。
本申请实施例提供的数据处理方法,数据处理设备获取深度神经网络模型,以及其中所有算子的张量排布,包括输入张量的张量排布和输出张量的张量排布,其中,若存在连续的两个算子,第一算子的输出张量的张量排布与第二算子的输入张量的张量排布不一致,则根据该张量排布得到的切片计算图无法执行,本申请中数据处理设备确定第一算子和第二算子之间的重排布算子,用于将第一算子的输出张量的张量排布转换为第二算子的输入张量的张量排布,由此,在切片计算图中***重排布算子,确定的更新后的切片计算图可以被执行。该方案可以应用于任意给定的算子张量排布的情况,通过重排布算子实现并行方式的转换,使得各类混合并行可以在分布式集群中实现。
本申请实施例提供的数据处理方法,支持张量灵活的切分并行方式。每个算子独立建模,可以在张量所有维度上切分。算子之间通过重排布算子序列转换张量排布。现有的Mesh-Tensorflow方法在整个深度神经网络上建模,无法支持算子之间并行模式的转换。
示例性的,混合并行方式1:通道(Channel)模型并行转批量(batch)数据并行,是深度学习推荐模型(deep learning recommendation model,DLRM)常用的并行训练方式。对于该混合并行,Mesh-Tensorflow方法无法支持算子之间自由地切换并行模式,而本申请通过重排布算子生成装置,可以生成任意张量排布转换所需的重排布算子,支持算子级别的灵活的切分策略配置。
示例性的,混合并行方式2:数据并行叠加模型并行,是Transformer网络常用的并行方式。现有方案无法支持张量的全维度切分,因此无法支持这种切分场景。本申请则可以支持张量各个维度的切分。
对于任意指定的并行策略,例如数据并行转模型并行,本申请提供的刚拿均可支持。
请参阅图8,为本申请实施例中数据处理方法的另一个实施例示意图;
图8示意出本申请实施例中数据处理方法整体流程,网络模型通过代价模型和并行策略搜索,其中并行策略可以混合数据并行和模型并行。根据并行策略得到多个切片计算图之后,通过通信网络,由分布式集群中的多个数据处理设备执行。
请参阅图9,为本申请实施例中生成重排布算子的一个实施例示意图;
假设第一算子和第二算子为深度神经网络模型全量正向图中两个连续算子,且第一算子的输出张量的张量排布(tensor_layout_from)与第二算子的输入张量的张量排布(tensor_layout_to)不一致,则深度神经网络模型无法按照步骤602确定的张量排布进行切分和执行,本申请实施例通过在第一算子和第二算子之间***重排布(redistribution)算子,对切片计算图进行更新,使得更新后的切片计算图可执行。
张量排布不一致,是指设备矩阵、张量映射和张量形状中至少有一个不同。
若tensor_layout_from与tensor_layout_to的设备矩阵不一致,则执行步骤901至步骤905;
若tensor_layout_from与tensor_layout_to的设备矩阵一致,且张量形状不一致,则执行步骤902至步骤905;
若tensor_layout_from与tensor_layout_to的设备矩阵一致,张量形状一致,且张量映射不一致,则执行步骤903至步骤905;
若tensor_layout_from与tensor_layout_to的设备矩阵、张量映射和张量形状均一致,则不需要在第一张量和第二张量之间***重排步算子。
901、数据处理设备确定tensor_layout_from在扩展设备矩阵下的等价排布tensor_layout_from2,以及tensor_layout_to在扩展设备矩阵下的等价排布tensor_layout_to2;
数据处理设备根据tensor_layout_from的设备矩阵和tensor_layout_to的设备矩阵确定与tensor_layout_from等价的第一等价张量排布tensor_layout_from2,以及与tensor_layout_to等价的第二等价张量排布tensor_layout_to2。
可选的,确定tensor_layout_from2,以及tensor_layout_to2的一种实施方法如下:
1)基于tensor_layout_from的设备矩阵和tensor_layout_to的设备矩阵不同,数据处理设备根据tensor_layout_from的第一设备矩阵(device_matrix_from)[A0,A1,…,An]和tensor_layout_to的第二设备矩阵(device_matrix_to)[B0,B1,…,Bn]确定第一设备矩阵的累积设备矩阵和第二设备矩阵的累积设备矩阵。A0,A1,…,An,为第一设备矩阵中的元素,n为大于或等于1的正整数;B0,B1,…,Bm,为第二设备矩阵中的元素,m为大于或等于1的正整数。
第一设备矩阵[A0,A1,…,An]的累积设备矩阵为[A0A1…An,A1…An,…,An];
第二设备矩阵[B0,B1,…,Bm]的累积设备矩阵为[B0B1…Bn,B1…Bn,…,Bm]。
示例性的,device_matrix_from=[2,16],device_matrix_to=[4,4,2],device_matrix_from的累积设备矩阵device_matrix_from_accum=[2*16,16]=[32,16],device_matrix_to的累积设备矩阵device_matrix_to_accum=[4*4*2,4*2,2]=[32,8,2]。
2)根据第一设备矩阵的累积设备矩阵和第二设备矩阵的累积设备矩阵确定最小累积归一化拓展设备矩阵device_matrix_equal2_accum;
根据第一设备矩阵的累积设备矩阵和第二设备矩阵的累积设备矩阵的并集device_matrix_equal2_accum,得到最小累积归一化拓展设备矩阵[C0C1…Ck,C1…Ck,…,Ck];k为大于或等于1的正整数,C0C1…Ck,C1…Ck,…,Ck为最小累积归一化拓展设备矩阵中的元素,元素个数等于k+1,具体为第一设备矩阵的累积设备矩阵和第二设备矩阵的累积设备矩阵中去除重复元素后的元素数量。
示例性的,根据device_matrix_from的累积设备矩阵device_matrix_from_accum=[32,16],device_matrix_to的累积设备矩阵device_matrix_to_accum=[32,8,2],求并集得到device_matrix_equal2_accum=[32,16,8,2]。
3)根据最小累积归一化拓展设备矩阵确定最小归一化拓展设备矩阵;
根据最小累积归一化拓展设备矩阵[C0C1…Ck,C1…Ck,…,Ck],得到最小归一化拓展设备矩阵[C0,C1,…,Ck]。
示例性的,根据device_matrix_equal2_accum=[32,16,8,2],得到最小归一化扩展设备矩阵device_matrix_equal2=[2,2,4,2]。
4)根据最小归一化拓展设备矩阵确定第一张量的第一等价张量排布(tensor_layout_from2)和第二张量的第二等价张量排布(tensor_layout_to2);
具体的,根据根据最小归一化拓展设备矩阵,确定第一张量排布(tensor_layout_from)的等价张量排布包括:
假设确定tensor_layout_from为:
tensor_shape=[s[N-1],s[N-2],…,s[0]];s[N-1],s[N-2],…,s[0]为张量形状中的元素。
device_matrix=[d[D-1],d[D-2],…,d[0]];d[D-1],d[D-2],…,d[0]为设备矩阵中的元素。
tensor_map=[m[N-1],m[N-2],…,m[0]];m[N-1],m[N-2],…,m[0]为张量映射中的元素。
假设将device_matrix=[d[D-1],d[D-2],…,d[0]]中的d[i]=mn扩展,扩展后的设备矩阵为:device_matrix_e=[d[D-1],d[D-2],…,d[i+1],m,n,…,d[0]]。
判断tensor_map中是否存在m[k]=i;
若tensor_map中存在m[k]=i,则等价张量排布的张量映射为:
tensor_map_e=[me[N],me[N-1],…,me[k+1],me[k],…,me[0]];
等价张量排布的张量形状:
tensor_shape_e=[se[N-1],se[N-2],…,se[k+1],se[k],…,se[0]];se[N-1],se[N-2],…,se[k+1],se[k],…,se[0]为tensor_shape_e中的元素。
其中,se[k+1]=m;
se[k]=s[k]/m;
若tensor_map中不存在m[k]=i,则等价张量排布的张量映射和张量形状不变。
示例性的:
例1、原张量排布:tensor_shape=[512,1024],device_matrix=[8,4],tensor_map=[1,0],基于最小归一化拓展设备矩阵,device_matrix_e=[4,2,4],确定等价张量排布中:tensor_map_e=[2,1,0],tensor_shape_e=[4,128,1024]。
例2、原张量排布:tensor_shape=[512,1024],device_matrix=[8,4],tensor_map=[0,1],基于最小归一化拓展设备矩阵,device_matrix_e=[4,2,4],确定等价张量排布中:tensor_map_e=[0,2,1],tensor_shape_e=[512,4,256]。
例3、原张量排布:tensor_shape=[512,1024],device_matrix=[8,4],tensor_map=[-1,0],基于最小归一化拓展设备矩阵,device_matrix_e=[4,2,4],确定等价张量排布中:tensor_map_e=[-1,0],tensor_shape_e=[512,1024]。
例4、原张量排布:tensor_shape=[512,1024],device_matrix=[8,4],tensor_map=[-1,1],基于最小归一化拓展设备矩阵,device_matrix_e=[4,2,4],确定等价张量排布中:tensor_map_e=[-1,2,1],tensor_shape_e=[512,4,256]。
需要说明的是,tensor_layout_from与tensor_layout_from2之间的转换可以通过reshape算子实现,tensor_layout_to与tensor_layout_to2之间的转换也可以通过reshape算子实现。
902、数据处理设备根据tensor_layout_from2,以及tensor_layout_to2,实现张量形状归一化,确定与tensor_layout_from2等价的第三等价张量排布(tensor_layout_from3),以及与tensor_layout_to2等价的第四等价张量排布(tensor_layout_to3);
若第一等价张量排布(tensor_layout_from2)与第二等价张量排布(tensor_layout_to2)的设备矩阵一致且张量形状不一致,则执行本步骤,若tensor_layout_from2与tensor_layout_to2的设备矩阵一致,且张量形状一致,则直接执行步骤903;可选地,若tensor_layout_from与tensor_layout_to的设备矩阵一致,且张量形状不一致,则可以不执行步骤901,直接执行本步骤902,可以认为tensor_layout_from2等于tensor_layout_from,tensor_layout_to2等于tensor_layout_to。
假设将tensor_shape=[s[N-1],s[N-2],…,s[0]]中的s[i]=mn扩展,扩展后的张量形状:tensor_shape_e=[s[N-1],s[N-2],…,s[i+1],m,n,s[i-1],…,s[0]]。
判断d[m[i]]是否大于m:
若d[m[i]]>m;
则等价张量排布的设备矩阵:
device_matrix_e=[de[D],de[D-1],…,de[0]];
等价张量排布的张量映射:
tensor_map_e=[me[N],me[N-1],…,me[i+1],me[i],…,me[0]]
若d[m[i]]>m;
则等价张量排布的设备矩阵不变;
等价张量排布的张量映射为:
示例性的:
例1、拓展前张量排布:tensor_shape=[512,1024],device_matrix=[8,4],tensor_map=[1,0],基于扩展后的张量形状:tensor_shape_e=[512,2,512];确定等价张量排布中:device_matrix_e=[8,2,2],tensor_map_e=[2,1,0]。
例2、拓展前张量排布:tensor_shape=[512,1024],device_matrix=[8,4],tensor_map=[1,0],基于扩展后的张量形状:tensor_shape_e=[128,4,1024];确定等价张量排布中:device_matrix_e=[8,4],tensor_map_e=[1,-1,0]。
需要说明的是,tensor_layout_from2与tensor_layout_from3之间的转换可以通过reshape算子实现,tensor_layout_to2与tensor_layout_to3之间的转换也可以通过reshape算子实现。
在执行步骤903之前,首先判断tensor_layout_from3和tensor_layout_to3的张量映射是否一致,若一致,说明张量切片的形状相同,则不执行步骤903,若不一致,则说明张量切片的形状不同,需要转换张量映射,即***张量映射转换算子,即执行步骤903;
903、根据第一张量的第三等价张量排布(tensor_layout_from3)和第二张量的第四等价张量排布(tensor_layout_to3)转换张量映射,确定张量映射转换算子;
由于tensor_layout_from3与tensor_layout_to3的设备排布一致,且张量形状一致,且张量映射不一致,因此需要在张量形状不一致的张量之间***张量映射转换算子,包括通信算子、切分(slice)算子或合并算子。通信算子包括alltoall算子和allgather算子等。可选地,若tensor_layout_from2与tensor_layout_to2的设备矩阵一致,张量形状一致,且张量映射不一致,则可以不执行步骤902,直接执行本步骤903,可以认为tensor_layout_from3等于tensor_layout_from2,tensor_layout_to3等于tensor_layout_to2。可选地,若tensor_layout_from与tensor_layout_to的设备矩阵一致,张量形状一致,且张量映射不一致,则可以不执行步骤901至步骤902,直接执行本步骤903,可以认为tensor_layout_from3等于tensor_layout_from,tensor_layout_to3等于tensor_layout_to。
通过张量映射转换算子,可以实现张量映射不同的张量之间的转换。例如tensor_layout_from3到tensor_layout_to3之间的转换。可以理解的是,生成通信算子、切分算子以及合并算子时可以获取算子的张量排布。
根据张量映射不一致的具体情况,数据处理设备将生成reshape算子、slice算子、alltoall算子和allgather算子中的一个或者多个。
可选的,本申请实施例中一种tensor map的转换流程:
1)首先判断,tensor_map_from3与tensor_map_to3,之间是否存在由不切分到切分的转换,tensor map中的元素代表张量每个维度的切分在设备矩阵上的映射,若tensormap中的元素数值大于或等于0,代表对应的设备矩阵的维度,若tensor map中的元素数值为-1,代表该张量维度步骤设备矩阵中进行切分。因此,若tensor_map_from3和tensor_map_to3之间对应元素存在-1至大于或等于0数值的转换,则***切分slice算子。
示例性的:tensor_map_from3为(-1,-1,-1,3,2,1,0)转换为tensor_map_to3(4,-1,-1,3,2,1,0),第0维元素由-1变为4,则***slice算子,切分张量的第0维。
2)若tensor_map_from3与tensor_map_to3之间存在元素位置转换,则***通信算子(alltoall算子)。
示例性的,tensor_map由(4,-1,-1,3,2,1,0)转换为(4,3,-1,-1,2,1,0),第1维和第3为的元素交换,则***alltoall算子。
3)最后执行切分到不切分之间的转换,元素存在大于或等于0数值至-1的转换,则***通信算子(allgather算子)。
根据一系列张量映射转换算子,可以将tensor_layout_from3转换为tensor_layout_to3。
904、确定重塑(reshape)算子;
根据步骤902得到的tensor_layout_from3,tensor_layout_to3,确定reshape算子。
判断tensor_layout_from和tensor_layout_from3确定的切片形状是否一致,若不一致,则需要***第一reshape算子,第一reshape算子的输入为tensor_layout_from,输出为tensor_layout_from3;
判断tensor_layout_to和tensor_layout_to3确定的切片形状是否一致,若不一致,则需要***第二reshape算子,第二reshape算子的输入为tensor_layout_to,输出为tensor_layout_to3;
例1:tensor_shape_from=[1024,512],tensor_shape_from3=[2,256,2,2,2,2,64],形状不同,根据tensor_layout_from3,得到切片形状tensor_shape_from_slice3=[2,256,2,1,1,1,32],因此在重排布序列开始***reshape算子,reshape后的形状为tensor_shape_from_slice3。
例2:tensor_shape_to=[512,1024],tensor_shape_to3=[2,256,2,2,2,2,64],形状不同,根据tensor_layout_to,得到切片形状tensor_shape_from_slice=[128,256],因此在重排布序列结束***reshape算子,reshape后的形状为tensor_shape_from_slice。
最后,可以确定重排布序列;重排布序列为第一算子和第二算子之间按顺序***的算子序列,重排布序列包括一个或多个算子,具体数量此处不做限定。重排布序列包括根据步骤901至步骤904确定的所有重排步算子,包括切分算子、合并算子、reshape算子和通信算子中的一个或多个。
第一算子和第二算子为深度神经网络模型全量正向图中两个连续算子,且第一算子的输出张量的张量排布(tensor_layout_from)与第二算子的输入张量的张量排布(tensor_layout_to)不一致,根据重排布序列,可以将,第一算子输出张量的张量排布(tensor_layout_from)转换为第二算子的输入张量的张量排布(tensor_layout_to)。
本申请实施例提供的重排布算子生成装置可对任意张量排布转换生成所需重排布算子。基于tensor layout表达,对任意tensor layout转换生成重排布算子。生成的算子序列开销最小。
图10为本申请实施例中生成重排布算子的另一个实施例示意图;
假设第一算子和第二算子为深度神经网络模型全量正向图中两个连续算子,且第一算子的输出张量的张量排布(tensor_layout_from)与第二算子的输入张量的张量排布(tensor_layout_to)不一致,因此,深度神经网络模型无法根据该张量排布执行。本申请实施例根据tensor_layout_from和tensor_layout_to生成重排布算子,通过在第一算子和第二算子之间***重排布(redistribution)算子,对深度神经网络模型进行更新,使得更新的深度神经网络模型可执行。重排布算子包括reshape算子、通信算子、切分算子和合并算子等,在第一算子和第二算子之间***的重排布算子可以包括reshape算子、通信算子、切分算子和合并算子中的一类或多类,具体不做限定。
数据处理设备从多个候选切分策略中确定最优切分策略,将最优切分策略对应的整体张量排布用于生成切片计算图,或者,根据多个候选切分策略,获取每个候选切分策略对应的整体张量排布,得到多个整体张量排布,从多个整体张量排布中确定最优的整体张量排布用于生成切片计算图。请参阅图11,为本申请实施例中确定整体张量排布的一个实施例示意图。
1101、根据候选切分策略确定深度神经网络模型的多个整体张量排布;
数据处理设备根据深度神经网络模型可以确定模型中所有张量,进而根据张量在每个维度的元素个数可以确定张量形状。
数据处理设备还可以获取分布式集群的设备拓扑信息,用于该深度神经网络模型的集群资源分布,包括服务器数量,每台服务器上数据处理设备的个数,以及服务器之间的连接关系。数据处理设备根据设备例如可以为GPU、CPU或者其他类型的处理器等,具体类型此处不做限定。拓扑信息可以得到分布式集群中数据处理设备的总数,该总数可以用于约束生成张量排布中的设备矩阵,数据处理设备根据全量正向图确定第一算子的张量,第一算子的张量包括输入张量和输出张量,数据处理设备根据设备数量,按照预设规则为每个算子的输入张量和输出张量确定相同的设备矩阵。
根据每个张量的张量形状,以及设备拓扑信息,可以通过遍历的方式确定不同的候选切分策略,即每个张量的切分方式,包括张量在每个维度上的切分数量,以确定深度神经网络模型中所有张量各个维度的切片在设备集群中的映射,即确定在该切分策略下,张量的设备矩阵和张量映射,从而获取深度神经网络模型的多个整体张量排布,整体张量排布是指,深度神经网络模型中所有算子的输入张量的张量排布和所有算子的输出张量的张量排布。
类似地,遍历所有候选切分策略,确定每个候选切分策略对应的整体张量排布。
可选地,根据算子类型确定不同的预设规则,以确定适宜的算子张量的设备矩阵,不同类型的算子例如:矩阵乘算子,张量加法算子、卷积算子和柔性最大值传输函数(softmax)算子等。
可选地,由于深度神经网络模型训练时,数据并行,即张量batch维相对其他维对通信时延带宽不敏感,考虑到服务器内部多个GPU之间的网络通信带宽高,通信时延较低,而服务器之间的通信时延较高,因此,优先把batch维并行切分到节点间,模型维切分到节点内。具体的,假设设备矩阵为[D2,D1,D0]。1)根据分布式集群的设备拓扑信息构造设备矩阵时:优先将同一服务器内部的数据处理设备沿D1/D2轴方向排布,然后将服务器间的或者服务器内部的数据处理设备沿D0轴方向排布。2)将张量映射到设备矩阵上时,识别张量的维度,把张量的batch维隐射映射到节点间即设备矩阵D0维,即张量的非batch维,或称模型维映射到D1或D2维。
示例性的,请参阅图12,为本申请实施例中确定整体张量排布的另一个实施例示意图;
图12示意出二维矩阵相乘算子的一种并行建模过程,共有16台设备,一机4卡,算子的输入张量为二维张量M和二维张量N,算子的输出张量为二维张量Q。
如图所示,第一台服务器中有A1、A2、A3和A4四个数据处理设备,第二台服务器中有B1、B2、B3和B4四个数据处理设备,第三台服务器中有C1、C2、C3和C4四个数据处理设备,第四台服务器中有E1、E2、E3和E4四个数据处理设备。设备矩阵中每个元素,即图中每个立方体,对应一台数据处理设备,设备矩阵中所有元素为本申请中用于执行深度神经网络模型的分布式集群中的所有数据处理设备。图中设备矩阵[D2,D1,D0]为[2,2,4]。
张量M映射到D0、D1平面,假设张量M的行是样本维度,将行映射到D0维度,样本维度对通信要求低一些,对应地,把服务器间的数据处理设备排列在D0维,其他维度排列服务器内部的设备。示例性的,A1、B1、C1和E1为不同服务器中的数据处理设备,因此,沿设备矩阵的D0轴排布,A1和A2为同一服务器内部的两个数据处理设备,因此,沿D1或D2轴排布。
由此,针对设备之间不同带宽设计本方案,通过设备矩阵表达集群拓扑关系,可灵活适应各种分级组合网络拓扑结构。降低通信时延。
1102、通过代价模型从多个整体张量排布中确定目标张量排布;
从所述多个候选切分策略中确定所述切分策略,根据候选切分策略得到深度神经网络模型中每个算子的张量排布,生成在具有不同张量排布的连续张量之间的重排布算子,由此,可以获取深度神经网络模型所有算子的张量排布,后简称整体张量排布。可以理解的是,根据切分策略可以获取多个整体张量排布。
基于每个整体张量排布,计算代价模型(cost model),cost model同时考虑算子和重排布算子的开销,具体用张量形状近似算子的存储开销、计算开销和通信开销度量;通过加权系数控制计算、通信开销在损失函数中的比例,适应不同设备平台。从多种候选切分策略中确定cost model最小的候选切分策略为目标切分策略,用于执行图切分。
可选地,从多个整体张量排布中确定最优的整体张量排布,用于执行图6对应的实施例。
可选地,根据多个整体张量排布确定最优的切分策略,根据最优的切分策略,按照预设规则生成整体张量排布,用于执行图6对应的实施例。
可选地,输入完整单机正向计算图,输出切片计算正向图,在切片正向图中***重排布算子。输出的切片计算正向图通过自动微分生成反向计算图。
可选地,确定所述多个候选切分策略中通过代价模型确定损失最小的候选切分策略根据整体张量排布中数据张量的大小、通信张量的大小和参数张量的大小,以及所述数据张量的大小的权重系数、通信张量大小的权重系数和参数张量的大小的权重系数加权求和得到的值,所述数据张量的大小、所述通信张量的大小和所述参数张量的大小分别为基于所述第一候选切分策略执行所述深度神经网络模型所需的数据张量的存储空间、通信张量的存储空间和参数张量的存储空间。
cost model定义损失函数=alpha*输入算子数据张量的大小+beta*通信张量的大小+gamma*算子参数张量的大小
其中,alpha代表数据张量的大小的权重系数;beta代表通信张量大小的权重系数;gamma代表参数张量的大小的权重系数。alpha、beta和gamma的具体数值此处不做限定,可选地,根据数据处理设备的类型不同,可以灵活设定alpha、beta和gamma的取值。
cost model中的算子包括重排布算子序列。不同的切分策略,算子的开销不同,算子之间重排布算子序列的开销也不相同。这里的开销包括存储和通信开销,根据实际设备的内存大小设置存储开销上限,寻找计算开销最小的算子切分策略组合。
可选地,正向算子和反向算子输入张量的形状近似估计存储和计算开销。调整alpha、beta、gamma的比例关系,可以适应不同硬件平台。例如将beta调大,意味着增加通信开销的比重,搜出的策略所需通信量降低。
本申请实施例提供的确定整体张量排布的方法,可以对算子独立建模,配置算子输入张量的张量排布和输出张量的张量排布。算子之间由重排布算子生成模块生成张量排布转换所需重排布算子。cost model同时考虑算子和重排布算子开销,用张量形状近似算子的存储、计算和通信开销;通过加权系数控制计算、通信开销在损失函数中的比例,适应不同设备平台。可选地,本方案可以通过输入完整单机正向计算图,输出切片计算正向图,在切片正向图中***重排布、AllReduce等其他算子。输出的切片计算正向图通过自动微分生成反向计算图。
本申请实施例提供的确定整体张量排布的方法,结合图6和图9对应的实施例提供的整体自动并行流程的并行模式配置灵活,每个算子独立建模、算子之间***重排布算子序列,可适应各种常见网络对混合并行的需求,弥补现有技术对网络类型支持上的不足。cost model同时考虑算子和重排布的开销,可以搜索出整体开销最小的并行方案。用张量形状近似计算开销,在不需要大量测试的情况下较好的近似实际开销,做到平台无关。通过加权系数控制通信计算的比例,适应不同设备平台。无需生成反向计算网络,利用自动微分和图优化功能。张量重排布支持任意张量排布的转换,且转换开销小。任意张量排布转换的支持使得算子可以独立灵活建模。张量重排布,除了用于算子之间排布转换,还可用于reshape算子的分布式实现。本申请涉及的拓扑感知调度,通过调整Tensor Layout中的设备矩阵,实现将对通信延时带宽不敏感的batch维并行放在服务器之间,模型切分放在服务器内部。通过设备矩阵配置,简单灵活适应不同的集群拓扑。
请参阅图13,为本申请实施例中数据处理设备的一个实施例示意图;
本申请实施例提供的数据处理设备,应用于分布式集群,所述设备包括:
获取单元1301,用于获取深度神经网络模型,以及所述深度神经网络模型中每个算子的输入张量的张量排布和所述每个算子的输出张量的张量排布,所述张量排布包括设备矩阵、张量映射和张量形状,所述深度神经网络模型中包括第一算子和第二算子,所述第一算子和所述第二算子为所述深度神经网络模型中的两个连续算子,且所述第一算子的输出张量为所述第二算子的输入张量,第一张量排布与第二张量排布不一致,其中,所述第一张量排布为所述第一算子的输出张量的张量排布,所述第二张量排布为所述第二算子的输入张量的张量排布;
确定单元1302,用于根据所述每个算子的输入张量的张量排布和所述每个算子的输出张量的张量排布,确定切片计算图;
所述确定单元1302,还用于确定所述第一算子和所述第二算子之间的重排布算子,所述重排布算子用于将所述第一张量排布转换为所述第二张量排布;
所述确定单元1302,还用于在所述切片计算图中***所述重排布算子,以确定更新后的切片计算图,所述更新后的切片计算图用于指示执行所述深度神经网络模型的部分。
可选地,所述第一张量排布的设备矩阵与所述第二张量排布的设备矩阵不一致,和/或,所述第一张量排布的张量映射不一致;
所述确定单元1302,具体用于:
根据所述第一张量排布和所述第二张量排布,确定中间张量排布;
根据所述第一张量排布和所述中间张量排布确定第一重塑算子,以及所述第一重塑算子的输入张量的张量排布和所述第一重塑算子的输出张量的张量排布,所述第一重塑算子用于实现所述第一张量排布至所述中间张量排布的转换;和/或,
根据所述第二张量排布和所述中间张量排布确定第二重塑算子,以及所述第二重塑算子的输入张量的张量排布和所述第二重塑算子的输出张量的张量排布,所述第二重塑算子位于所述第一重塑算子和所述第二算子之间,所述第二重塑算子用于实现所述中间张量排布到所述第二张量排布的转换。
可选地,所述第一张量排布的设备矩阵与所述第二张量排布的设备矩阵不一致;
所述确定单元1302,具体用于:
根据所述第一张量排布的设备矩阵与所述第二张量排布的设备矩阵,确定拓展设备矩阵,所述拓展设备矩阵的元素之积与所述第一算子的输出张量的设备矩阵的元素之积相同,与所述第二算子的输入张量的第二设备矩阵的元素之积相同,所述第一张量排布的设备矩阵和所述第二张量排布的设备矩阵中任一元素,等于所述拓展设备矩阵中的一个元素或者所述拓展设备矩阵的至少两个元素的乘积;
根据所述拓展设备矩阵,确定与所述第一张量排布等价的第一等价张量排布,以及与所述第二张量排布等价的第二等价张量排布,所述第一等价张量排布的设备矩阵与所述第二等价张量排布的设备矩阵一致;
当所述第一等价张量排布的张量形状与所述第二等价张量排布的张量形状一致时,所述中间张量排布包括所述第一等价张量排布和所述第二等价张量排布,所述张量形状为张量每个维度的元素数量。
可选地,所述第一等价张量排布的张量形状与所述第二等价张量排布的张量形状一致,且所述第一等价张量排布的张量映射与所述第二等价张量排布的张量映射不一致;
所述确定单元1302,还用于确定一个或多个张量映射转换算子,所述张量映射转换算子包括切分算子、合并算子或通信算子,所述一个或多个张量映射转换算子输入张量的张量排布与所述第一等价张量排布一致,所述一个或多个张量映射转换算子输出张量的张量排布与所述第二等价张量排布一致,所述一个或多个张量映射转换算子用于确定所述更新后的切片计算图。
可选地,当所述第一等价张量排布的张量形状与所述第二等价张量排布的张量形状不一致时,所述确定单元1302还用于根据所述第一等价张量排布和所述第二等价张量排布进行张量形状归一化,确定与所述第一等价张量排布等价的第三等价张量排布,以及与所述第二等价张量排布等价的第四等价张量排布,所述第三等价张量排布的设备矩阵与所述第四等价张量排布的设备矩阵一致,所述第三等价张量排布的张量形状与所述第四等价张量排布的张量形状一致;所述中间张量排布包括所述第三等价张量排布和所述第四等价张量排布。
可选地,所述第三等价张量排布的张量映射与所述第四等价张量排布的张量映射不一致;
所述确定单元1302还用于:确定一个或多个张量映射转换算子,所述张量映射转换算子包括切分算子、合并算子或通信算子,所述一个或多个张量映射转换算子输入张量的张量排布与所述第三等价张量排布一致,所述一个或多个张量映射转换算子输出张量的张量排布与所述第四等价张量排布一致,所述一个或多个张量映射转换算子用于确定所述更新后的切片计算图。
可选地,所述第一张量排布的设备矩阵与所述第二张量排布的设备矩阵一致,且所述第一张量排布的张量形状与所述第二张量排布的张量形状不一致;
所述确定单元1302,具体用于:根据所述第一张量排布和所述第二张量排布确定与所述第一张量排布等价的第五等价张量排布,以及与所述第二等价张量排布等价的第六等价张量排布,所述第五等价张量排布的设备矩阵与所述第六等价张量排布的设备矩阵一致,所述第五等价张量排布的张量形状与所述第六等价张量排布的张量形状一致;所述中间张量排布包括所述第五等价张量排布和所述第六等价张量排布。
可选地,所述第五等价张量排布的张量映射与所述第六等价张量排布的张量映射不一致;
所述确定单元1302,还用于确定一个或多个张量映射转换算子,所述张量映射转换算子包括切分算子、合并算子或通信算子,所述一个或多个张量映射转换算子输入张量的张量排布与所述第五等价张量排布一致,所述一个或多个张量映射转换算子输出张量的张量排布与所述第六等价张量排布一致,所述一个或多个张量映射转换算子用于确定所述更新后的切片计算图。
可选地,所述第一张量排布的设备矩阵和所述第二张量排布的设备矩阵一致,所述第一张量排布的张量形状与所述第二张量排布的张量形状一致,且所述第一张量排布的张量映射与所述第二张量排布的张量映射不一致;
所述确定单元1302具体用于:
确定一个或多个张量映射转换算子,所述张量映射转换算子包括切分算子、合并算子或通信算子,所述一个或多个张量映射转换算子用于输入所述第一算子的输出张量,并输出所述第二算子的输入张量。
可选地,所述获取单元1301,具体用于:
获取深度神经网络模型和切分策略,所述切分策略包括所述深度神经网络模型的张量在每个维度上的切分数量;
所述确定模块具体用于根据所述深度神经网络模型和所述切分策略确定所述深度神经网络模型中每个算子的输入张量的张量排布和所述每个算子的输出张量的张量排布。
可选地,所述切分策略包括第一切分策略和第二切分策略;
所述确定单元1302具体用于:
确定所述第一切分策略对应的第一整体张量排布,以及所述第二切分策略对应的第二整体张量排布,所述第一整体张量排布为基于所述第一切分策略确定的所述深度神经网络模型中每个算子的输入张量的张量排布和所述每个算子的输出张量的张量排布,所述第二整体张量排布为基于所述第二切分策略确定的所述深度神经网络模型中每个算子的输入张量的张量排布和所述每个算子的输出张量的张量排布;
从所述第一整体张量排布和所述第二整体张量排布中确定所述第一整体张量排布为所述深度神经网络模型中每个算子的输入张量的张量排布和所述每个算子的输出张量的张量排布,所述第一整体张量排布执行所述深度神经网络模型的训练所需的通信时间与计算时间之和,小于基于所述第二整体张量排布执行所述深度神经网络模型的训练所需的通信时间与计算时间之和。
可选地,所述第一整体张量排布的代价模型小于所述第二整体张量排布的代价模型,所述第一整体张量排布的代价模型为根据所述第一整体张量排布中数据张量的大小、通信张量的大小和参数张量的大小,以及所述数据张量的大小的权重系数、通信张量大小的权重系数和参数张量的大小的权重系数加权求和得到的值;
所述第二整体张量排布的代价模型为根据所述第二整体张量排布中数据张量的大小、通信张量的大小和参数张量的大小,以及所述数据张量的大小的权重系数、通信张量大小的权重系数和参数张量的大小的权重系数加权求和得到的值。
可选地,所述切分策略为用户指定的切分策略。
可选地,所述深度神经网络模型中每个算子的输入张量包括训练数据集,所述训练数据集包括文本数据集、图像数据集或音频数据集。
请参阅图14,为本申请实施例中数据处理设备的另一个实施例示意图;
本实施例提供的数据处理设备,可以为处理器或服务器或者专用数据处理设备等,本申请实施例中对该具体设备形态不做限定。
该数据处理设备1400可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器1401和存储器1402,该存储器1402中存储有程序或数据。
其中,存储器1402可以是易失性存储或非易失性存储。可选地,处理器1401是一个或多个中央处理器(central processing unit,CPU),或者图形处理器(graphicsprocessing unit,GPU)或者其他专用处理器,例如昇腾(Ascend)等,该CPU可以是单核CPU,也可以是多核CPU。处理器1401可以与存储器1402通信,在数据处理设备1400上执行存储器1402中的一系列指令。
该数据处理设备1400还包括一个或一个以上有线或无线网络接口1403,例如以太网接口。
可选地,尽管图14中未示出,数据处理设备1400还可以包括一个或一个以上电源;一个或一个以上输入输出接口,输入输出接口可以用于连接显示器、鼠标、键盘、触摸屏设备或传感设备等,输入输出接口为可选部件,可以存在也可以不存在,此处不做限定。
本实施例中数据处理设备1400中的处理器1401所执行的流程可以参考前述方法实施例中描述的方法流程,此处不加赘述。
请查阅图15,为本申请实施例提供的一种芯片硬件结构图。
本申请实施例涉及的深度神经网络的算法可以在图15所示的NPU芯片中执行。
神经网络处理器NPU 50NPU作为协处理器挂载到主CPU(Host CPU)上,由Host CPU分配任务。NPU的核心部分为运算电路503,通过控制器504控制运算电路503提取存储器中的矩阵数据并进行乘法运算。
在一些实现中,运算电路503内部包括多个处理单元(process engine,PE)。在一些实现中,运算电路503是二维脉动阵列。运算电路503还可以是一维脉动阵列或者能够执行例如乘法和加法这样的数学运算的其它电子线路。在一些实现中,运算电路503是通用的矩阵处理器。
举例来说,假设有输入矩阵A,权重矩阵B,输出矩阵C。运算电路从权重存储器502中取矩阵B相应的数据,并缓存在运算电路中每一个PE上。运算电路从输入存储器501中取矩阵A数据与矩阵B进行矩阵运算,得到的矩阵的部分结果或最终结果,保存在累加器508accumulator中。
统一存储器506用于存放输入数据以及输出数据。权重数据直接通过存储单元访问控制器505(direct memory access controller,DMAC)被搬运到权重存储器502中。输入数据也通过DMAC被搬运到统一存储器506中。
BIU为Bus Interface Unit即,总线接口单元510,用于AXI总线与DMAC和取指存储器509Instruction Fetch Buffer的交互。
总线接口单元510(bus interface unit,简称BIU),用于取指存储器509从外部存储器获取指令,还用于存储单元访问控制器505从外部存储器获取输入矩阵A或者权重矩阵B的原数据。
DMAC主要用于将外部存储器DDR中的输入数据搬运到统一存储器506或将权重数据搬运到权重存储器502中或将输入数据数据搬运到输入存储器501中。
向量计算单元507可以包括多个运算处理单元,在需要的情况下,对运算电路的输出做进一步处理,如向量乘,向量加,指数运算,对数运算,大小比较等等。主要用于神经网络中非卷积/FC层网络计算,如Pooling(池化),Batch Normalization(批归一化),LocalResponse Normalization(局部响应归一化)等。
在一些实现种,向量计算单元能507将经处理的输出的向量存储到统一缓存器506。例如,向量计算单元507可以将非线性函数应用到运算电路503的输出,例如累加值的向量,用以生成激活值。在一些实现中,向量计算单元507生成归一化的值、合并值,或二者均有。在一些实现中,处理过的输出的向量能够用作到运算电路503的激活输入,例如用于在神经网络中的后续层中的使用。
控制器504连接的取指存储器(instruction fetch buffer)509,用于存储控制器504使用的指令;
统一存储器506,输入存储器501,权重存储器502以及取指存储器509均为On-Chip存储器。外部存储器私有于该NPU硬件架构。
其中,深度神经网络中各层的运算,即本申请实施例中的算子可以由矩阵计算单元或向量计算单元507执行。
本申请上述方法实施例可以应用于处理器中,或者由处理器实现上述方法实施例的步骤。处理器可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法实施例的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是中央处理器(central processing unit,CPU),网络处理器(networkprocessor,NP)或者CPU和NP的组合、数字信号处理器(digital signal processor,DSP)、专用集成电路(application specific integrated circuit,ASIC)、现成可编程门阵列(field programmable gate array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。虽然图中仅仅示出了一个处理器,该装置可以包括多个处理器或者处理器包括多个处理单元。具体的,处理器可以是一个单核(single-CPU)处理器,也可以是一个多核(multi-CPU)处理器。
存储器用于存储处理器执行的计算机指令。存储器可以是存储电路也可以是存储器。存储器可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(read-only memory,ROM)、可编程只读存储器(programmable ROM,PROM)、可擦除可编程只读存储器(erasable PROM,EPROM)、电可擦除可编程只读存储器(electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(random access memory,RAM),其用作外部高速缓存。存储器可以独立于处理器,也可以是处理器中的存储单元,在此不做限定。虽然图中仅仅示出了一个存储器,该装置也可以包括多个存储器或者存储器包括多个存储单元。
收发器用于实现处理器与其他单元或者网元的内容交互。具体的,收发器可以是该装置的通信接口,也可以是收发电路或者通信单元,还可以是收发信机。收发器还可以是处理器的通信接口或者收发电路。一种可能的实现方式,收发器可以是一个收发芯片。该收发器还可以包括发送单元和/或接收单元。在一种可能的实现方式中,该收发器可以包括至少一个通信接口。在另一种可能的实现方式中,该收发器也可以是以软件形式实现的单元。在本申请的各实施例中,处理器可以通过收发器与其他单元或者网元进行交互。例如:处理器通过该收发器获取或者接收来自其他网元的内容。若处理器与收发器是物理上分离的两个部件,处理器可以不经过收发器与该装置的其他单元进行内容交互。
一种可能的实现方式中,处理器、存储器以及收发器可以通过总线相互连接。总线可以是外设部件互连标准(peripheral component interconnect,PCI)总线或扩展工业标准结构(extended industry standard architecture,EISA)总线等。所述总线可以分为地址总线、数据总线、控制总线等。
本申请实施例中,“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其他实施例或设计方案更优选或更具优势。确切而言,使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
在本申请的各实施例中,为了方面理解,进行了多种举例说明。然而,这些例子仅仅是一些举例,并不意味着是实现本申请的最佳实现方式。
上述实施例,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现,当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。
所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机执行指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
以上对本申请所提供的技术方案进行了详细介绍,本申请中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (32)
1.一种数据处理方法,其特征在于,所述方法包括:
获取深度神经网络模型,以及所述深度神经网络模型中每个算子的输入张量的张量排布和所述每个算子的输出张量的张量排布,所述张量排布包括设备矩阵、张量映射和张量形状,所述深度神经网络模型中包括第一算子和第二算子,所述第一算子和所述第二算子为所述深度神经网络模型中的两个连续算子,且所述第一算子的输出张量为所述第二算子的输入张量,第一张量排布与第二张量排布不一致,其中,所述第一张量排布为所述第一算子的输出张量的张量排布,所述第二张量排布为所述第二算子的输入张量的张量排布;
根据所述每个算子的输入张量的张量排布和所述每个算子的输出张量的张量排布,确定数据处理设备的切片计算图;
确定所述第一算子和所述第二算子之间的重排布算子,所述重排布算子用于将所述第一张量排布转换为所述第二张量排布;
在所述切片计算图中***所述重排布算子,以确定更新后的切片计算图,所述更新后的切片计算图用于指示执行所述深度神经网络模型的部分。
2.根据权利要求1所述的方法,其特征在于,
所述第一张量排布的设备矩阵与所述第二张量排布的设备矩阵不一致,和/或,所述第一张量排布的张量映射不一致;
所述确定所述第一算子和所述第二算子之间的重排布算子包括:
根据所述第一张量排布和所述第二张量排布,确定中间张量排布;
根据所述第一张量排布和所述中间张量排布确定第一重塑算子,以及所述第一重塑算子的输入张量的张量排布和所述第一重塑算子的输出张量的张量排布,所述第一重塑算子用于实现所述第一张量排布至所述中间张量排布的转换;和/或,
根据所述第二张量排布和所述中间张量排布确定第二重塑算子,以及所述第二重塑算子的输入张量的张量排布和所述第二重塑算子的输出张量的张量排布,所述第二重塑算子位于所述第一重塑算子和所述第二算子之间,所述第二重塑算子用于实现所述中间张量排布到所述第二张量排布的转换。
3.根据权利要求2所述的方法,其特征在于,
所述第一张量排布的设备矩阵与所述第二张量排布的设备矩阵不一致;
所述根据所述第一张量排布和所述第二张量排布,确定中间张量排布包括:
根据所述第一张量排布的设备矩阵与所述第二张量排布的设备矩阵,确定拓展设备矩阵,所述拓展设备矩阵的元素之积与所述第一算子的输出张量的设备矩阵的元素之积相同,与所述第二算子的输入张量的第二设备矩阵的元素之积相同,所述第一张量排布的设备矩阵和所述第二张量排布的设备矩阵中任一元素,等于所述拓展设备矩阵中的一个元素或者所述拓展设备矩阵的至少两个元素的乘积;
根据所述拓展设备矩阵,确定与所述第一张量排布等价的第一等价张量排布,以及与所述第二张量排布等价的第二等价张量排布,所述第一等价张量排布的设备矩阵与所述第二等价张量排布的设备矩阵一致;
当所述第一等价张量排布的张量形状与所述第二等价张量排布的张量形状一致时,所述中间张量排布包括所述第一等价张量排布和所述第二等价张量排布,所述张量形状为张量每个维度的元素数量。
4.根据权利要求3所述的方法,其特征在于,所述第一等价张量排布的张量形状与所述第二等价张量排布的张量形状一致,且所述第一等价张量排布的张量映射与所述第二等价张量排布的张量映射不一致;
所述方法还包括:
确定一个或多个张量映射转换算子,所述张量映射转换算子包括切分算子、合并算子或通信算子,所述一个或多个张量映射转换算子输入张量的张量排布与所述第一等价张量排布一致,所述一个或多个张量映射转换算子输出张量的张量排布与所述第二等价张量排布一致,所述一个或多个张量映射转换算子用于确定所述更新后的切片计算图。
5.根据权利要求3所述的方法,其特征在于,所述当所述第一等价张量排布的张量形状与所述第二等价张量排布的张量形状不一致时,所述方法还包括:
根据所述第一等价张量排布和所述第二等价张量排布进行张量形状归一化,确定与所述第一等价张量排布等价的第三等价张量排布,以及与所述第二等价张量排布等价的第四等价张量排布,所述第三等价张量排布的设备矩阵与所述第四等价张量排布的设备矩阵一致,所述第三等价张量排布的张量形状与所述第四等价张量排布的张量形状一致;所述中间张量排布包括所述第三等价张量排布和所述第四等价张量排布。
6.根据权利要求5所述的方法,其特征在于,
所述第三等价张量排布的张量映射与所述第四等价张量排布的张量映射不一致;
所述方法还包括:
确定一个或多个张量映射转换算子,所述张量映射转换算子包括切分算子、合并算子或通信算子,所述一个或多个张量映射转换算子输入张量的张量排布与所述第三等价张量排布一致,所述一个或多个张量映射转换算子输出张量的张量排布与所述第四等价张量排布一致,所述一个或多个张量映射转换算子用于确定所述更新后的切片计算图。
7.根据权利要求2所述的方法,其特征在于,
所述第一张量排布的设备矩阵与所述第二张量排布的设备矩阵一致,且所述第一张量排布的张量形状与所述第二张量排布的张量形状不一致;
所述根据所述第一张量排布和所述第二张量排布,确定中间张量排布包括:
根据所述第一张量排布和所述第二张量排布确定与所述第一张量排布等价的第五等价张量排布,以及与所述第二等价张量排布等价的第六等价张量排布,所述第五等价张量排布的设备矩阵与所述第六等价张量排布的设备矩阵一致,所述第五等价张量排布的张量形状与所述第六等价张量排布的张量形状一致;所述中间张量排布包括所述第五等价张量排布和所述第六等价张量排布。
8.根据权利要求7所述的方法,其特征在于,
所述第五等价张量排布的张量映射与所述第六等价张量排布的张量映射不一致;
所述方法还包括:
确定一个或多个张量映射转换算子,所述张量映射转换算子包括切分算子、合并算子或通信算子,所述一个或多个张量映射转换算子输入张量的张量排布与所述第五等价张量排布一致,所述一个或多个张量映射转换算子输出张量的张量排布与所述第六等价张量排布一致,所述一个或多个张量映射转换算子用于确定所述更新后的切片计算图。
9.根据权利要求1所述的方法,其特征在于,所述第一张量排布的设备矩阵和所述第二张量排布的设备矩阵一致,所述第一张量排布的张量形状与所述第二张量排布的张量形状一致,且所述第一张量排布的张量映射与所述第二张量排布的张量映射不一致;
所述确定所述第一算子和所述第二算子之间的重排布算子包括:
确定一个或多个张量映射转换算子,所述张量映射转换算子包括切分算子、合并算子或通信算子,所述一个或多个张量映射转换算子用于输入所述第一算子的输出张量,并输出所述第二算子的输入张量。
10.根据权利要求1至9中任一项所述的方法,其特征在于,
所述获取深度神经网络模型,以及所述深度神经网络模型中每个算子的输入张量的张量排布和所述每个算子的输出张量的张量排布包括:
获取深度神经网络模型和切分策略,所述切分策略包括所述深度神经网络模型的张量在每个维度上的切分数量;
根据所述深度神经网络模型和所述切分策略确定所述深度神经网络模型中每个算子的输入张量的张量排布和所述每个算子的输出张量的张量排布。
11.根据权利要求10所述的方法,其特征在于,
所述切分策略包括第一切分策略和第二切分策略;
所述根据所述深度神经网络模型和所述切分策略确定所述深度神经网络模型中每个算子输入张量的张量排布和所述每个算子的输出张量的张量排布包括:
确定所述第一切分策略对应的第一整体张量排布,以及所述第二切分策略对应的第二整体张量排布,所述第一整体张量排布为基于所述第一切分策略确定的所述深度神经网络模型中每个算子的输入张量的张量排布和所述每个算子的输出张量的张量排布,所述第二整体张量排布为基于所述第二切分策略确定的所述深度神经网络模型中每个算子的输入张量的张量排布和所述每个算子的输出张量的张量排布;
所述方法还包括:
从所述第一整体张量排布和所述第二整体张量排布中确定,所述第一整体张量排布为所述深度神经网络模型中每个算子的输入张量的张量排布和所述每个算子的输出张量的张量排布,所述第一整体张量排布执行所述深度神经网络模型的训练所需的通信时间与计算时间之和,小于基于所述第二整体张量排布执行所述深度神经网络模型的训练所需的通信时间与计算时间之和。
12.根据权利要求11所述的方法,其特征在于,
所述第一整体张量排布的代价模型小于所述第二整体张量排布的代价模型,所述第一整体张量排布的代价模型为根据所述第一整体张量排布中数据张量的大小、通信张量的大小和参数张量的大小,以及所述数据张量的大小的权重系数、通信张量大小的权重系数和参数张量的大小的权重系数加权求和得到的值;
所述第二整体张量排布的代价模型为根据所述第二整体张量排布中数据张量的大小、通信张量的大小和参数张量的大小,以及所述数据张量的大小的权重系数、通信张量大小的权重系数和参数张量的大小的权重系数加权求和得到的值。
13.根据权利要求10所述的方法,其特征在于,
所述切分策略为用户指定的切分策略。
14.根据权利要求1至13中任一项所述的方法,其特征在于,所述深度神经网络模型中每个算子的输入张量包括训练数据集,所述训练数据集包括文本数据集、图像数据集或音频数据集。
15.一种数据处理设备,其特征在于,所述设备包括:
获取单元,用于获取深度神经网络模型,以及所述深度神经网络模型中每个算子的输入张量的张量排布和所述每个算子的输出张量的张量排布,所述张量排布包括设备矩阵、张量映射和张量形状,所述深度神经网络模型中包括第一算子和第二算子,所述第一算子和所述第二算子为所述深度神经网络模型中的两个连续算子,且所述第一算子的输出张量为所述第二算子的输入张量,第一张量排布与第二张量排布不一致,其中,所述第一张量排布为所述第一算子的输出张量的张量排布,所述第二张量排布为所述第二算子的输入张量的张量排布;
确定单元,用于根据所述每个算子的输入张量的张量排布和所述每个算子的输出张量的张量排布,确定切片计算图;
所述确定单元,还用于确定所述第一算子和所述第二算子之间的重排布算子,所述重排布算子用于将所述第一张量排布转换为所述第二张量排布;
所述确定单元,还用于在所述切片计算图中***所述重排布算子,以确定更新后的切片计算图,所述更新后的切片计算图用于指示执行所述深度神经网络模型的部分。
16.根据权利要求15所述的设备,其特征在于,
所述第一张量排布的设备矩阵与所述第二张量排布的设备矩阵不一致,和/或,所述第一张量排布的张量映射不一致;
所述确定单元,具体用于:
根据所述第一张量排布和所述第二张量排布,确定中间张量排布;
根据所述第一张量排布和所述中间张量排布确定第一重塑算子,以及所述第一重塑算子的输入张量的张量排布和所述第一重塑算子的输出张量的张量排布,所述第一重塑算子用于实现所述第一张量排布至所述中间张量排布的转换;和/或,
根据所述第二张量排布和所述中间张量排布确定第二重塑算子,以及所述第二重塑算子的输入张量的张量排布和所述第二重塑算子的输出张量的张量排布,所述第二重塑算子位于所述第一重塑算子和所述第二算子之间,所述第二重塑算子用于实现所述中间张量排布到所述第二张量排布的转换。
17.根据权利要求16所述的设备,其特征在于,
所述第一张量排布的设备矩阵与所述第二张量排布的设备矩阵不一致;
所述确定单元,具体用于:
根据所述第一张量排布的设备矩阵与所述第二张量排布的设备矩阵,确定拓展设备矩阵,所述拓展设备矩阵的元素之积与所述第一算子的输出张量的设备矩阵的元素之积相同,与所述第二算子的输入张量的第二设备矩阵的元素之积相同,所述第一张量排布的设备矩阵和所述第二张量排布的设备矩阵中任一元素,等于所述拓展设备矩阵中的一个元素或者所述拓展设备矩阵的至少两个元素的乘积;
根据所述拓展设备矩阵,确定与所述第一张量排布等价的第一等价张量排布,以及与所述第二张量排布等价的第二等价张量排布,所述第一等价张量排布的设备矩阵与所述第二等价张量排布的设备矩阵一致;
当所述第一等价张量排布的张量形状与所述第二等价张量排布的张量形状一致时,所述中间张量排布包括所述第一等价张量排布和所述第二等价张量排布,所述张量形状为张量每个维度的元素数量。
18.根据权利要求17所述的设备,其特征在于,所述第一等价张量排布的张量形状与所述第二等价张量排布的张量形状一致,且所述第一等价张量排布的张量映射与所述第二等价张量排布的张量映射不一致;
所述确定单元,还用于确定一个或多个张量映射转换算子,所述张量映射转换算子包括切分算子、合并算子或通信算子,所述一个或多个张量映射转换算子输入张量的张量排布与所述第一等价张量排布一致,所述一个或多个张量映射转换算子输出张量的张量排布与所述第二等价张量排布一致,所述一个或多个张量映射转换算子用于确定所述更新后的切片计算图。
19.根据权利要求17所述的设备,其特征在于,
当所述第一等价张量排布的张量形状与所述第二等价张量排布的张量形状不一致时,所述确定单元还用于根据所述第一等价张量排布和所述第二等价张量排布进行张量形状归一化,确定与所述第一等价张量排布等价的第三等价张量排布,以及与所述第二等价张量排布等价的第四等价张量排布,所述第三等价张量排布的设备矩阵与所述第四等价张量排布的设备矩阵一致,所述第三等价张量排布的张量形状与所述第四等价张量排布的张量形状一致;所述中间张量排布包括所述第三等价张量排布和所述第四等价张量排布。
20.根据权利要求19所述的设备,其特征在于,
所述第三等价张量排布的张量映射与所述第四等价张量排布的张量映射不一致;
所述确定单元还用于:确定一个或多个张量映射转换算子,所述张量映射转换算子包括切分算子、合并算子或通信算子,所述一个或多个张量映射转换算子输入张量的张量排布与所述第三等价张量排布一致,所述一个或多个张量映射转换算子输出张量的张量排布与所述第四等价张量排布一致,所述一个或多个张量映射转换算子用于确定所述更新后的切片计算图。
21.根据权利要求16所述的设备,其特征在于,所述第一张量排布的设备矩阵与所述第二张量排布的设备矩阵一致,且所述第一张量排布的张量形状与所述第二张量排布的张量形状不一致;
所述确定单元,具体用于:根据所述第一张量排布和所述第二张量排布确定与所述第一张量排布等价的第五等价张量排布,以及与所述第二等价张量排布等价的第六等价张量排布,所述第五等价张量排布的设备矩阵与所述第六等价张量排布的设备矩阵一致,所述第五等价张量排布的张量形状与所述第六等价张量排布的张量形状一致;所述中间张量排布包括所述第五等价张量排布和所述第六等价张量排布。
22.根据权利要求21所述的设备,其特征在于,所述第五等价张量排布的张量映射与所述第六等价张量排布的张量映射不一致;
所述确定单元,还用于确定一个或多个张量映射转换算子,所述张量映射转换算子包括切分算子、合并算子或通信算子,所述一个或多个张量映射转换算子输入张量的张量排布与所述第五等价张量排布一致,所述一个或多个张量映射转换算子输出张量的张量排布与所述第六等价张量排布一致,所述一个或多个张量映射转换算子用于确定所述更新后的切片计算图。
23.根据权利要求15所述的设备,其特征在于,所述第一张量排布的设备矩阵和所述第二张量排布的设备矩阵一致,所述第一张量排布的张量形状与所述第二张量排布的张量形状一致,且所述第一张量排布的张量映射与所述第二张量排布的张量映射不一致;
所述确定单元具体用于:
确定一个或多个张量映射转换算子,所述张量映射转换算子包括切分算子、合并算子或通信算子,所述一个或多个张量映射转换算子用于输入所述第一算子的输出张量,并输出所述第二算子的输入张量。
24.根据权利要求15至23中任一项所述的设备,其特征在于,所述获取单元,具体用于:
获取深度神经网络模型和切分策略,所述切分策略包括所述深度神经网络模型的张量在每个维度上的切分数量;
所述确定模块具体用于根据所述深度神经网络模型和所述切分策略确定所述深度神经网络模型中每个算子的输入张量的张量排布和所述每个算子的输出张量的张量排布。
25.根据权利要求24所述的设备,其特征在于,
所述切分策略包括第一切分策略和第二切分策略;
所述确定单元具体用于:
确定所述第一切分策略对应的第一整体张量排布,以及所述第二切分策略对应的第二整体张量排布,所述第一整体张量排布为基于所述第一切分策略确定的所述深度神经网络模型中每个算子的输入张量的张量排布和所述每个算子的输出张量的张量排布,所述第二整体张量排布为基于所述第二切分策略确定的所述深度神经网络模型中每个算子的输入张量的张量排布和所述每个算子的输出张量的张量排布;
从所述第一整体张量排布和所述第二整体张量排布中确定所述第一整体张量排布为所述深度神经网络模型中每个算子的输入张量的张量排布和所述每个算子的输出张量的张量排布,所述第一整体张量排布执行所述深度神经网络模型的训练所需的通信时间与计算时间之和,小于基于所述第二整体张量排布执行所述深度神经网络模型的训练所需的通信时间与计算时间之和。
26.根据权利要求25所述的设备,其特征在于,
所述第一整体张量排布的代价模型小于所述第二整体张量排布的代价模型,所述第一整体张量排布的代价模型为根据所述第一整体张量排布中数据张量的大小、通信张量的大小和参数张量的大小,以及所述数据张量的大小的权重系数、通信张量大小的权重系数和参数张量的大小的权重系数加权求和得到的值;
所述第二整体张量排布的代价模型为根据所述第二整体张量排布中数据张量的大小、通信张量的大小和参数张量的大小,以及所述数据张量的大小的权重系数、通信张量大小的权重系数和参数张量的大小的权重系数加权求和得到的值。
27.根据权利要求24所述的设备,其特征在于,所述切分策略为用户指定的切分策略。
28.根据权利要求15至27中任一项所述的设备,其特征在于,所述深度神经网络模型中每个算子的输入张量包括训练数据集,所述训练数据集包括文本数据集、图像数据集或音频数据集。
29.一种数据处理设备,其特征在于,包括处理器和存储器,所述处理器和所述存储器相互连接,其中,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器用于调用所述程序指令,执行如权利要求1至14中任一项所述的方法。
30.一种包含指令的计算机程序产品,其特征在于,当其在计算机上运行时,使得所述计算机执行如权利要求1至14中任一项所述的方法。
31.一种计算机可读存储介质,包括指令,其特征在于,当所述指令在计算机上运行时,使得计算机执行如权利要求1至14中任一项所述的方法。
32.一种分布式集群,其特征在于,所述分布式集群包括一个或多个如权利要求15至28中任一项所述的数据处理设备。
Priority Applications (7)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010231450.7A CN113449857B (zh) | 2020-03-27 | 2020-03-27 | 一种数据处理方法和数据处理设备 |
CN202210945901.2A CN115456161A (zh) | 2020-03-27 | 2020-03-27 | 一种数据处理方法和数据处理*** |
CN202210945064.3A CN115456159A (zh) | 2020-03-27 | 2020-03-27 | 一种数据处理方法和数据处理设备 |
CN202210945896.5A CN115456160A (zh) | 2020-03-27 | 2020-03-27 | 一种数据处理方法和数据处理设备 |
EP21776526.2A EP4123515A4 (en) | 2020-03-27 | 2021-01-28 | Data processing method and data processing device |
PCT/CN2021/074108 WO2021190127A1 (zh) | 2020-03-27 | 2021-01-28 | 一种数据处理方法和数据处理设备 |
US17/952,848 US20230023101A1 (en) | 2020-03-27 | 2022-09-26 | Data processing method and device |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010231450.7A CN113449857B (zh) | 2020-03-27 | 2020-03-27 | 一种数据处理方法和数据处理设备 |
Related Child Applications (3)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210945901.2A Division CN115456161A (zh) | 2020-03-27 | 2020-03-27 | 一种数据处理方法和数据处理*** |
CN202210945896.5A Division CN115456160A (zh) | 2020-03-27 | 2020-03-27 | 一种数据处理方法和数据处理设备 |
CN202210945064.3A Division CN115456159A (zh) | 2020-03-27 | 2020-03-27 | 一种数据处理方法和数据处理设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113449857A true CN113449857A (zh) | 2021-09-28 |
CN113449857B CN113449857B (zh) | 2022-08-19 |
Family
ID=77808058
Family Applications (4)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210945901.2A Pending CN115456161A (zh) | 2020-03-27 | 2020-03-27 | 一种数据处理方法和数据处理*** |
CN202010231450.7A Active CN113449857B (zh) | 2020-03-27 | 2020-03-27 | 一种数据处理方法和数据处理设备 |
CN202210945896.5A Pending CN115456160A (zh) | 2020-03-27 | 2020-03-27 | 一种数据处理方法和数据处理设备 |
CN202210945064.3A Pending CN115456159A (zh) | 2020-03-27 | 2020-03-27 | 一种数据处理方法和数据处理设备 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210945901.2A Pending CN115456161A (zh) | 2020-03-27 | 2020-03-27 | 一种数据处理方法和数据处理*** |
Family Applications After (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210945896.5A Pending CN115456160A (zh) | 2020-03-27 | 2020-03-27 | 一种数据处理方法和数据处理设备 |
CN202210945064.3A Pending CN115456159A (zh) | 2020-03-27 | 2020-03-27 | 一种数据处理方法和数据处理设备 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20230023101A1 (zh) |
EP (1) | EP4123515A4 (zh) |
CN (4) | CN115456161A (zh) |
WO (1) | WO2021190127A1 (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113961351A (zh) * | 2021-10-28 | 2022-01-21 | 北京百度网讯科技有限公司 | 深度学习模型的分布式训练方法、装置、设备及存储介质 |
CN114186633A (zh) * | 2021-12-10 | 2022-03-15 | 北京百度网讯科技有限公司 | 模型的分布式训练方法、装置、设备以及存储介质 |
CN114429211A (zh) * | 2022-02-07 | 2022-05-03 | 北京百度网讯科技有限公司 | 用于生成信息的方法、装置、设备、介质和产品 |
CN114598631A (zh) * | 2022-04-28 | 2022-06-07 | 之江实验室 | 面向神经网络计算的分布式数据路由的建模方法和装置 |
CN115186821A (zh) * | 2022-09-13 | 2022-10-14 | 之江实验室 | 面向芯粒的神经网络推理开销估计方法及装置、电子设备 |
CN115660049A (zh) * | 2022-11-02 | 2023-01-31 | 北京百度网讯科技有限公司 | 模型处理方法、装置、电子设备以及存储介质 |
WO2023134453A1 (zh) * | 2022-01-17 | 2023-07-20 | 华为技术有限公司 | 一种算子的处理方法及计算机设备 |
WO2023141939A1 (zh) * | 2022-01-28 | 2023-08-03 | 华为技术有限公司 | 处理计算任务方法及装置 |
WO2023155748A1 (en) * | 2022-02-16 | 2023-08-24 | Moffett International Co., Limited | Adaptive tensor compute kernel for sparse neural network |
WO2024066847A1 (zh) * | 2022-09-29 | 2024-04-04 | 华为技术有限公司 | 一种基于多裸片的计算方法及相关设备 |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4143739A4 (en) * | 2020-05-01 | 2023-09-27 | Magic Leap, Inc. | IMAGE DESCRIPTOR NETWORK WITH IMPOSED HIERARCHICAL NORMALIZATION |
CN114091589B (zh) * | 2021-11-11 | 2022-08-09 | 北京百度网讯科技有限公司 | 模型训练方法、装置、电子设备及介质 |
KR20230118486A (ko) * | 2022-02-04 | 2023-08-11 | 주식회사 마키나락스 | 반도체 소자의 배치를 평가하는 방법 |
CN114186687B (zh) | 2022-02-17 | 2022-05-17 | 之江实验室 | 一种面向神经网络模型计算的中间表示方法和装置 |
CN115033292A (zh) * | 2022-06-16 | 2022-09-09 | 北京火山引擎科技有限公司 | 模型训练方法及装置 |
CN118277711A (zh) * | 2022-12-31 | 2024-07-02 | 北京希姆计算科技有限公司 | 一种算子切分方法、装置和算子编译*** |
CN116227585B (zh) * | 2023-05-10 | 2023-07-25 | 之江实验室 | 集群任务的并行执行方法、装置、计算机设备和存储介质 |
CN116467061B (zh) * | 2023-06-19 | 2023-09-19 | 之江实验室 | 一种任务执行的方法、装置、存储介质及电子设备 |
CN117827523B (zh) * | 2024-03-05 | 2024-05-14 | 北京壁仞科技开发有限公司 | 一种模型的异常处理方法、装置、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109993277A (zh) * | 2017-12-29 | 2019-07-09 | 英特尔公司 | 用于深度神经网络的计算优化机制 |
CN110689115A (zh) * | 2019-09-24 | 2020-01-14 | 上海寒武纪信息科技有限公司 | 神经网络模型处理方法、装置、计算机设备及存储介质 |
CN110689121A (zh) * | 2019-09-24 | 2020-01-14 | 上海寒武纪信息科技有限公司 | 一种用多核处理器实现神经网络模型拆分方法及相关产品 |
US20200042875A1 (en) * | 2018-08-03 | 2020-02-06 | Google Llc | Distributing tensor computations across computing devices |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11094029B2 (en) * | 2017-04-10 | 2021-08-17 | Intel Corporation | Abstraction layers for scalable distributed machine learning |
CN110321999B (zh) * | 2018-03-30 | 2021-10-01 | 赛灵思电子科技(北京)有限公司 | 神经网络计算图优化方法 |
CN109491784B (zh) * | 2018-10-18 | 2021-01-22 | 北京旷视科技有限公司 | 降低内存占用量的方法、装置、电子设备、可读存储介质 |
CN110490309B (zh) * | 2019-08-14 | 2022-06-07 | 中科寒武纪科技股份有限公司 | 一种用于神经网络的算子融合方法及其相关产品 |
-
2020
- 2020-03-27 CN CN202210945901.2A patent/CN115456161A/zh active Pending
- 2020-03-27 CN CN202010231450.7A patent/CN113449857B/zh active Active
- 2020-03-27 CN CN202210945896.5A patent/CN115456160A/zh active Pending
- 2020-03-27 CN CN202210945064.3A patent/CN115456159A/zh active Pending
-
2021
- 2021-01-28 WO PCT/CN2021/074108 patent/WO2021190127A1/zh unknown
- 2021-01-28 EP EP21776526.2A patent/EP4123515A4/en active Pending
-
2022
- 2022-09-26 US US17/952,848 patent/US20230023101A1/en active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109993277A (zh) * | 2017-12-29 | 2019-07-09 | 英特尔公司 | 用于深度神经网络的计算优化机制 |
US20200042875A1 (en) * | 2018-08-03 | 2020-02-06 | Google Llc | Distributing tensor computations across computing devices |
CN110689115A (zh) * | 2019-09-24 | 2020-01-14 | 上海寒武纪信息科技有限公司 | 神经网络模型处理方法、装置、计算机设备及存储介质 |
CN110689121A (zh) * | 2019-09-24 | 2020-01-14 | 上海寒武纪信息科技有限公司 | 一种用多核处理器实现神经网络模型拆分方法及相关产品 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113961351A (zh) * | 2021-10-28 | 2022-01-21 | 北京百度网讯科技有限公司 | 深度学习模型的分布式训练方法、装置、设备及存储介质 |
CN114186633A (zh) * | 2021-12-10 | 2022-03-15 | 北京百度网讯科技有限公司 | 模型的分布式训练方法、装置、设备以及存储介质 |
CN114186633B (zh) * | 2021-12-10 | 2023-04-07 | 北京百度网讯科技有限公司 | 模型的分布式训练方法、装置、设备以及存储介质 |
WO2023134453A1 (zh) * | 2022-01-17 | 2023-07-20 | 华为技术有限公司 | 一种算子的处理方法及计算机设备 |
WO2023141939A1 (zh) * | 2022-01-28 | 2023-08-03 | 华为技术有限公司 | 处理计算任务方法及装置 |
CN114429211A (zh) * | 2022-02-07 | 2022-05-03 | 北京百度网讯科技有限公司 | 用于生成信息的方法、装置、设备、介质和产品 |
WO2023155748A1 (en) * | 2022-02-16 | 2023-08-24 | Moffett International Co., Limited | Adaptive tensor compute kernel for sparse neural network |
CN114598631A (zh) * | 2022-04-28 | 2022-06-07 | 之江实验室 | 面向神经网络计算的分布式数据路由的建模方法和装置 |
WO2023082576A1 (zh) * | 2022-04-28 | 2023-05-19 | 之江实验室 | 面向神经网络计算的分布式数据路由的建模方法和装置 |
US11805025B1 (en) | 2022-04-28 | 2023-10-31 | Zhejiang Lab | Neural network computing-oriented modeling method and apparatus for distributed data routing |
CN115186821A (zh) * | 2022-09-13 | 2022-10-14 | 之江实验室 | 面向芯粒的神经网络推理开销估计方法及装置、电子设备 |
WO2024066847A1 (zh) * | 2022-09-29 | 2024-04-04 | 华为技术有限公司 | 一种基于多裸片的计算方法及相关设备 |
CN115660049B (zh) * | 2022-11-02 | 2023-07-25 | 北京百度网讯科技有限公司 | 模型处理方法、装置、电子设备以及存储介质 |
CN115660049A (zh) * | 2022-11-02 | 2023-01-31 | 北京百度网讯科技有限公司 | 模型处理方法、装置、电子设备以及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
EP4123515A4 (en) | 2023-06-28 |
CN115456159A (zh) | 2022-12-09 |
CN113449857B (zh) | 2022-08-19 |
US20230023101A1 (en) | 2023-01-26 |
CN115456161A (zh) | 2022-12-09 |
EP4123515A1 (en) | 2023-01-25 |
WO2021190127A1 (zh) | 2021-09-30 |
CN115456160A (zh) | 2022-12-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113449857B (zh) | 一种数据处理方法和数据处理设备 | |
CN111797893B (zh) | 一种神经网络的训练方法、图像分类***及相关设备 | |
WO2022068623A1 (zh) | 一种模型训练方法及相关设备 | |
CN112418392A (zh) | 一种神经网络构建方法以及装置 | |
EP4145351A1 (en) | Neural network construction method and system | |
CN113449859A (zh) | 一种数据处理方法及其装置 | |
JP2018533153A (ja) | 機械学習に基づくネットワークモデル構築方法及び装置 | |
CN112434462A (zh) | 一种模型的获取方法及设备 | |
CN112070207A (zh) | 一种模型训练方法及装置 | |
CN111860588A (zh) | 一种用于图神经网络的训练方法以及相关设备 | |
WO2022068663A1 (zh) | 内存分配方法、相关设备及计算机可读存储介质 | |
CN111368656A (zh) | 一种视频内容描述方法和视频内容描述装置 | |
WO2022228425A1 (zh) | 一种模型训练方法及装置 | |
EP4318313A1 (en) | Data processing method, training method for neural network model, and apparatus | |
CN112163601A (zh) | 图像分类方法、***、计算机设备及存储介质 | |
CN113065997B (zh) | 一种图像处理方法、神经网络的训练方法以及相关设备 | |
US11144291B1 (en) | Loop-oriented neural network compilation | |
CN113159284A (zh) | 一种模型训练方法及装置 | |
WO2023164933A1 (zh) | 一种建筑物建模方法以及相关装置 | |
CN114595799A (zh) | 一种模型训练方法及装置 | |
CN111966361A (zh) | 用于确定待部署模型的方法、装置、设备及其存储介质 | |
CN113850362A (zh) | 一种模型蒸馏方法及相关设备 | |
CN111652349A (zh) | 一种神经网络的处理方法及相关设备 | |
WO2022247092A1 (en) | Methods and systems for congestion prediction in logic synthesis using graph neural networks | |
WO2023273934A1 (zh) | 一种模型超参数的选择方法及相关装置 |
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 |