CN114968594B - 任务处理方法、装置、电子设备和存储介质 - Google Patents
任务处理方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN114968594B CN114968594B CN202210667202.6A CN202210667202A CN114968594B CN 114968594 B CN114968594 B CN 114968594B CN 202210667202 A CN202210667202 A CN 202210667202A CN 114968594 B CN114968594 B CN 114968594B
- Authority
- CN
- China
- Prior art keywords
- processing
- target
- component
- target processing
- mapping
- 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.)
- Active
Links
- 238000003860 storage Methods 0.000 title claims abstract description 56
- 238000003672 processing method Methods 0.000 title abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 1191
- 238000013507 mapping Methods 0.000 claims abstract description 197
- 238000000034 method Methods 0.000 claims abstract description 130
- 230000008569 process Effects 0.000 claims description 85
- 230000005540 biological transmission Effects 0.000 claims description 64
- 238000003062 neural network model Methods 0.000 claims description 49
- 238000005265 energy consumption Methods 0.000 claims description 24
- 238000004891 communication Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 15
- 238000010586 diagram Methods 0.000 description 34
- 238000013528 artificial neural network Methods 0.000 description 14
- 238000012546 transfer Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 7
- 230000001133 acceleration Effects 0.000 description 6
- 230000003993 interaction Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000005236 sound signal Effects 0.000 description 4
- 238000003491 array Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000001537 neural effect Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 241001522296 Erithacus rubecula Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Classifications
-
- 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
- G06F9/5011—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resources being hardware resources other than CPUs, Servers and Terminals
- G06F9/5016—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resources being hardware resources other than CPUs, Servers and Terminals the resource being the memory
-
- 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]
- G06F9/5061—Partitioning or combining of resources
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Multi Processors (AREA)
Abstract
本公开涉及一种任务处理方法、装置、电子设备和存储介质。所述方法包括:获取待处理任务的中间表示模型;对处理节点进行分组,获得处理节点组;根据处理组件的性能参数、处理节点组的资源需求以及处理节点之间的连接关系,确定目标处理组件,以及第一映射方式;根据处理核心的性能参数、处理节点的资源需求以及处理节点之间的连接关系,确定目标处理核心以及第二映射方式;根据第一映射方式、第二映射方式和目标处理核心,对待处理任务进行处理,获得处理结果。根据本公开的实施例的任务处理方法,可将待处理任务进行分组,并确定映射关系及处理时序,实现了处理资源的各层次的映射,使得任务的处理效率更高。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种任务处理方法、装置、电子设备和存储介质。
背景技术
众核芯片指包括多个可以独立执行不同指令或者处理不同数据的处理核心的芯片。因为众核芯片高度并行与高度可扩展的特点,因此众核芯片在神经网络模型处理任务进行加速的场景中具有很大的潜力,且越来越多神经网络专用的众核加速芯片也被设计出来。但因为众核芯片的灵活性,使其针对同一任务,将任务的各个节点部署在各个处理核心中的灵活性变得更大,即存在更多的可能的部署方案。这为神经网络在众核芯片上的部署带来了巨大的优化空间同时,也增加了部署的难度。
映射是部署过程的关键步骤,即,指定每个处理核心在每个时刻执行什么处理。更具体的,指定每个核在每个时刻执行什么指令,存储、发送、运算或接收什么数据,以及执行何种运算。
相关技术中的神经网络映射方案,大都针对以PE(Process Element,运算单元)阵列或MAC阵列(multiplier and accumulation,乘累加单元)为核心的神经网络加速器。包括针对一个或多个算子,设计其在PE阵列上的执行顺序(时间映射),其在PE阵列上的并行展开方式(空间映射),以及输入值、权重及中间数据等在PE阵列上的传输与缓存模式。这方面的典型技术是基于循环控制(for循环)的调度优化技术。
但相关技术中的方案并不完全适用于众核芯片,执行神经网络模型处理任务的众核芯片由多个处理核心构成,处理核心内部包括以PE阵列(或MAC阵列)为处理核心的大规模并行计算组件。而多个芯片又可以构成芯片阵列,以此便形成了芯片阵列→芯片→处理核心→PE阵列的层次化处理资源体系。而相关技术中的方式适用于处理核心内的映射,而并不适用于任务在更高层次的处理资源中的映射。使得针对特定硬件结构或特定映射方式的算法流程的通用性和层次间的迭代性较差。
发明内容
本公开提出了一种任务处理方法、装置、电子设备和存储介质。
根据本公开的一方面,提供了一种任务处理方法,包括:获取待处理任务的中间表示模型,其中,所述中间表示模型包括待处理任务的处理节点,以及所述处理节点之间的连接关系;对所述中间表示模型中的各处理节点进行分组,获得处理节点组;根据处理资源中各处理组件的性能参数、所述处理节点组的资源需求以及所述处理节点之间的连接关系,确定用于处理所述处理节点组的目标处理组件,并确定所述目标处理组件的第一映射方式,所述第一映射方式表示各目标处理组件与所述处理节点组之间的具体对应关系以及所述目标处理组件的工作的时序;根据所述目标处理组件中处理核心的性能参数、所述处理节点组中各处理节点的资源需求以及所述处理节点之间的连接关系,在所述目标处理组件中确定目标处理核心,并确定所述目标处理核心的第二映射方式,其中,所述目标处理核心用于处理所述处理节点组中的各处理节点,所述第二映射方式表示各目标处理核心与所述处理节点之间的具体对应关系以及所述目标处理核心的工作的时序;根据所述第一映射方式、所述第二映射方式和所述目标处理核心,对所述待处理任务进行处理,获得处理结果。
在一种可能的实现方式中,对所述中间表示模型中的各处理节点进行分组,获得处理节点组,包括:根据所述连接关系中的数据传输量、所述各处理节点的处理资源需求、所述各处理节点的存储资源需求、各所述处理节点的类型以及处理节点组之间的通信次数中的至少一种进行分组,获得所述处理节点组。
在一种可能的实现方式中,所述待处理任务包括通过至少一个神经网络模型进行处理的任务,其中,对所述中间表示模型中的各处理节点进行分组,获得多个处理节点组,包括:根据所述处理节点所属的神经网络模型进行分组,获得所述处理节点组,或者将每个处理节点分别划分为一个处理节点组。
在一种可能的实现方式中,所述处理组件的性能参数包括处理组件的功能和算力,其中,根据处理资源中各处理组件的性能参数、所述处理节点组的资源需求以及所述处理节点之间的连接关系,确定用于处理所述处理节点组的目标处理组件,包括以下中的至少一种:根据所述处理节点组中各处理节点的类型以及所述各处理组件的功能,确定所述目标处理组件;根据所述处理节点组的资源需求和所述各处理组件的算力,确定所述目标处理组件;根据所述处理节点组的资源需求和所述各处理组件的资源利用率,确定所述目标处理组件;根据所述处理节点组的资源需求和所述各处理组件的能耗,确定所述目标处理组件;根据所述处理节点组的资源需求和所述各处理组件的处理时间,确定所述目标处理组件。
在一种可能的实现方式中,所述确定所述目标处理组件的第一映射方式,包括:根据所述处理资源中所述各处理组件的存储资源、所述各处理组件的资源利用率以及所述各处理组件的处理进程是否产生死锁中的至少一种,以及所述处理节点之间的连接关系,确定所述目标处理组件之间的数据传输路径;根据所述目标处理组件的数据传输路径,确定所述第一映射方式。
在一种可能的实现方式中,所述方法还包括:根据所述待处理任务处理过程中的进程参数,对所述目标处理组件、所述第一映射方式、所述目标处理核心和所述第二映射方式中的至少一种进行调整,其中,所述进程参数包括目标处理组件的资源利用率、目标处理组件的能耗、目标处理组件的处理时间、目标处理组件之间的数据传输时间、目标处理核心资源利用率、目标处理核心的处理时间、目标处理核心之间的数据传输时间中的至少一种。
在一种可能的实现方式中,所述方法还包括:根据所述待处理任务处理过程中的进程参数,对所述处理节点组进行调整,其中,所述进程参数包括目标处理组件的资源利用率、目标处理组件的能耗、目标处理组件的处理时间、目标处理组件之间的数据传输时间、目标处理核心资源利用率、目标处理核心的处理时间、目标处理核心之间的数据传输时间中的至少一种。
在一种可能的实现方式中,所述方法还包括:接收映射指令,其中,所述映射指令包括确定所述目标处理组件、所述第一映射方式、所述目标处理核心和所述第二映射方式的指令;根据所述映射指令,对所述待处理任务进行处理,获得处理结果。
根据本公开的一方面,提供了一种任务处理装置,包括:中间表示模型获取模块,用于获取待处理任务的中间表示模型,其中,所述中间表示模型包括待处理任务的处理节点,以及所述处理节点之间的连接关系;分组模块,用于对所述中间表示模型中的各处理节点进行分组,获得处理节点组;第一映射模块,用于根据处理资源中各处理组件的性能参数、所述处理节点组的资源需求以及所述处理节点之间的连接关系,确定用于处理所述处理节点组的目标处理组件,并确定所述目标处理组件的第一映射方式,所述第一映射方式表示各目标处理组件与所述处理节点组之间的具体对应关系以及所述目标处理组件的工作的时序;第二映射模块,用于根据所述目标处理组件中处理核心的性能参数、所述处理节点组中各处理节点的资源需求以及所述处理节点之间的连接关系,在所述目标处理组件中确定目标处理核心,并确定所述目标处理核心的第二映射方式,其中,所述目标处理核心用于处理所述处理节点组中的各处理节点,所述第二映射方式表示各目标处理核心与所述处理节点之间的具体对应关系以及所述目标处理核心的工作的时序;处理模块,用于根据所述第一映射方式、所述第二映射方式和所述目标处理核心,对所述待处理任务进行处理,获得处理结果。
在一种可能的实现方式中,所述分组模块进一步用于:根据所述连接关系中的数据传输量、所述各处理节点的处理资源需求、所述各处理节点的存储资源需求、各所述处理节点的类型以及处理节点组之间的通信次数中的至少一种进行分组,获得所述处理节点组。
在一种可能的实现方式中,所述待处理任务包括通过至少一个神经网络模型进行处理的任务,所述分组模块进一步用于:根据所述处理节点所属的神经网络模型进行分组,获得所述处理节点组,或者将每个处理节点分别划分为一个处理节点组。
在一种可能的实现方式中,所述处理组件的性能参数包括处理组件的功能和算力,所述第一映射模块进一步用于以下中的至少一种:根据所述处理节点组中各处理节点的类型以及所述各处理组件的功能,确定所述目标处理组件;根据所述处理节点组的资源需求和所述各处理组件的算力,确定所述目标处理组件;根据所述处理节点组的资源需求和所述各处理组件的资源利用率,确定所述目标处理组件;根据所述处理节点组的资源需求和所述各处理组件的能耗,确定所述目标处理组件;根据所述处理节点组的资源需求和所述各处理组件的处理时间,确定所述目标处理组件。
在一种可能的实现方式中,所述第一映射模块进一步用于:根据所述处理资源中所述各处理组件的存储资源、所述各处理组件的资源利用率以及所述各处理组件的处理进程是否产生死锁中的至少一种,以及所述处理节点之间的连接关系,确定所述目标处理组件之间的数据传输路径;根据所述目标处理组件的数据传输路径,确定所述第一映射方式。
在一种可能的实现方式中,所述装置还包括:第一调整模块,用于根据所述待处理任务处理过程中的进程参数,对所述目标处理组件、所述第一映射方式、所述目标处理核心和所述第二映射方式中的至少一种进行调整,其中,所述进程参数包括目标处理组件的资源利用率、目标处理组件的能耗、目标处理组件的处理时间、目标处理组件之间的数据传输时间、目标处理核心资源利用率、目标处理核心的处理时间、目标处理核心之间的数据传输时间中的至少一种。
在一种可能的实现方式中,所述装置还包括:第二调整模块,用于根据所述待处理任务处理过程中的进程参数,对所述处理节点组进行调整,其中,所述进程参数包括目标处理组件的资源利用率、目标处理组件的能耗、目标处理组件的处理时间、目标处理组件之间的数据传输时间、目标处理核心资源利用率、目标处理核心的处理时间、目标处理核心之间的数据传输时间中的至少一种。
在一种可能的实现方式中,所述装置还包括:输入模块,用于接收映射指令,其中,所述映射指令包括确定所述目标处理组件、所述第一映射方式、所述目标处理核心和所述第二映射方式的指令;根据所述映射指令,对所述待处理任务进行处理,获得处理结果。
根据本公开的一方面,提供了一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为调用所述存储器存储的指令,以执行上述方法。
根据本公开的一方面,提供了一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。
根据本公开的实施例的任务处理方法,可将待处理任务进行分组,并确定处理节点组的目标处理组件以及第一映射方式,使得对待处理任务的映射适用于高于处理核心的层次的处理资源,并且,可确定处理节点的目标处理核心和第二映射方式,实现了在处理资源的各个层次的映射,使得任务处理流程的通用性更强,执行效率更高。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本公开。根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的任务处理方法的流程图;
图2示出根据本公开实施例的处理资源的示意图;
图3示出根据本公开的实施例的中间表示模型的示意图;
图4示出根据本公开的实施例的分组的示意图;
图5示出根据本公开的实施例的时空单元的示意图;
图6示出根据本公开的实施例的时序的示意图;
图7示出根据本公开实施例的任务处理方法的应用示意图;
图8示出根据本公开实施例的任务处理装置的框图
图9示出根据本公开实施例的一种电子设备的框图;
图10示出根据本公开实施例的一种电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”,仅仅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这三种情况。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外,为了更好地说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
图1示出根据本公开实施例的任务处理方法的流程图,如图1所示,所述方法包括:
在步骤S11中,获取待处理任务的中间表示模型,其中,所述中间表示模型包括待处理任务的处理节点,以及所述处理节点之间的连接关系;
在步骤S12中,对所述中间表示模型中的各处理节点进行分组,获得处理节点组;
在步骤S13中,根据处理资源中各处理组件的性能参数、所述处理节点组的资源需求以及所述处理节点之间的连接关系,确定用于处理所述处理节点组的目标处理组件,并确定所述目标处理组件的第一映射方式,所述第一映射方式表示各目标处理组件与所述处理节点组之间的具体对应关系以及所述目标处理组件的工作的时序;
在步骤S14中,根据所述目标处理组件中处理核心的性能参数、所述处理节点组中各处理节点的资源需求以及所述处理节点之间的连接关系,在所述目标处理组件中确定目标处理核心,并确定所述目标处理核心的第二映射方式,其中,所述目标处理核心用于处理所述处理节点组中的各处理节点,所述第二映射方式表示各目标处理核心与所述处理节点之间的具体对应关系以及所述目标处理核心的工作的时序;
在步骤S15中,根据所述第一映射方式、所述第二映射方式和所述目标处理核心,对所述待处理任务进行处理,获得处理结果。
根据本公开的实施例的任务处理方法,可将待处理任务进行分组,并确定处理节点组的目标处理组件以及第一映射方式,使得对待处理任务的映射适用于高于处理核心的层次的处理资源,并且,可确定处理节点的目标处理核心和第二映射方式,实现了在处理资源的各个层次的映射,使得任务处理流程的通用性更强,执行效率更高。
在一种可能的实现方式中,所述任务执行方法面向的众核芯片,包括但不限于众核神经网络加速芯片,神经形态芯片、类脑众核芯片、众核图形处理芯片(GPU)、带有向量或矩阵加速单元的众核CPU芯片。面向的神经网络模型包括但不限于人工神经网络(ANN)、脉冲神经网络(SNN)、混合神经网络(HNN)、动态神经网络及多神经网络模型。面向的待处理任务包括神经网络模型的处理任务,包括神经网络的前向处理过程,反向训练过程及神经架构搜索过程。所述方法同样可以应用于类神经网络任务,如多智能体仿真、芯片仿真、脑仿真、图形学、科学计算、并行搜索算法等。
图2示出根据本公开实施例的处理资源的示意图,如图2所示,在由众核芯片构成的处理资源中,可包括用于执行待处理任务(例如,神经网络模型处理任务)的芯片阵列,即,包括多个众核芯片的阵列,其中,每个众核芯片可包括多个处理核心,例如,处理核心组成的阵列,每个处理核心中可包括用于执行具体处理指令的MAC阵列或PE阵列。在通过上述处理资源执行待处理任务时,尤其是较复杂的神经网络模型处理任务时,可确定待处理任务的各个处理节点与每个层次的处理资源(例如,众核芯片或处理核心)之间的映射关系,从而通过更灵活更高效的方式来执行待处理任务。在示例中,可对每个层次的处理资源进行逐层的映射,例如,可将待处理任务的任务节点进行分组,则可将各处理节点组映射至各个众核芯片,在众核芯片内,可将处理节点组内的处理节点映射至众核芯片的各个处理核心,从而可通过各个处理核心来处理各个处理节点,从而提高处理灵活性和并行度,提升处理效率。
在一种可能的实现方式中,在通过上述具有多个层级的处理资源来处理待处理任务时,可逐个层级确定每个处理资源与待处理任务的处理节点之间的映射关系,例如,确定通过哪个处理资源来处理待处理任务中的哪个步骤。在示例中,上述待处理任务为神经网络模型处理任务,该任务中可对一个或多个神经网络模型进行运算,且神经网络模型互相之间可能存在数据交互,导致待处理任务与处理资源的映射较为复杂,因此,可通过待处理任务的中间表示模型来对待处理任务的各个处理节点进行分组,使得处理节点之间的关系更清晰,也更有利于待处理任务与处理资源的映射。
在一种可能的实现方式中,在步骤S11中,可获取待处理任务的中间表示模型,所述中间表示模型包括待处理任务的处理节点,以及处理节点之间的连接关系。所述处理节点可表示待处理任务的步骤、所执行的运算的算子等,例如,在神经网络模型处理任务中,神经网络模型的每个网络层级可作为一个处理节点。所述连接关系在中间表示模型中可对各个处理节点进行连接,且上述连接关系具有指向性,可表示处理节点之间的数据传输路径,或者数据依赖关系,例如,在神经网络模型处理任务中,一个网络层级对应的处理节点指向下一个网络层级对应的处理节点,表示所述一个网络层级输出的数据传输至下一个网络层级,或者表示一个网络层级对应的处理节点的输出数据传输至下一个网络层级对应的处理节点,或者表示所述下一个网络层级对应的处理节点对所述一个网络层级的处理节点存在数据依赖关系。
图3示出根据本公开的实施例的中间表示模型的示意图,如图3所示,待处理任务可包括对神经网络模型1和神经网络模型2的处理任务,其中,神经网络模型1可包括5个处理节点,神经网络模型2可包括4个处理节点,处理节点之间的连接关系如图3所示。并且,在神经网络模型1的第2个处理节点和神经网络模型2的第2个处理节点之间存在数据交互,因此,除了神经网络模型内的连接关系确定的数据依赖关系外,神经网络模型1的第2个处理节点和神经网络模型2的第2个处理节点之间互相存在数据依赖关系。
在一种可能的实现方式中,在步骤S12中,如上所述,为了使处理节点之间的关系更清晰,有利于待处理任务与处理资源的映射,例如,有利于为处理节点组分配处理组件(例如,众核芯片),可对处理节点进行分组。在对处理节点进行分组时,可考虑多种分组依据,例如,可将连接关系紧密的处理节点分为一组,可将所执行的处理指令一致或相似(例如,所执行的算法一致或相似)的处理节点分为一组,可将归属于同一个神经网络模型的处理节点分为一组等,本公开对分组依据不做限制。
在一种可能的实现方式中,步骤S12可包括:根据所述连接关系中的数据传输量、所述各处理节点的处理资源需求、所述各处理节点的存储资源需求、各所述处理节点的类型以及处理节点组之间的通信次数中的至少一种进行分组,获得所述处理节点组。
在一种可能的实现方式中,在分组中可考虑连接关系中的数据传输量。所述连接关系可表示处理节点之间的数据依赖关系,具有数据依赖关系的处理节点之间可传输数据。在经过分组后,不同的处理节点组可被映射至不同的处理组件(例如,众核芯片),而如果数据传输量较大的两个处理节点被分之不同的分组,则会导致处理组件之间的数据传输量较大,从而对传输带宽造成较大的压力。因此,可在对处理节点进行分组时,将连接关系中数据传输量较大的两个或多个处理节点分为同一组。在示例中,可设置数据传输量阈值,可将数据传输量大于或等于数据传输量阈值的两个或多个处理节点分为同一组。
在一种可能的实现方式中,在分组中可考虑各处理节点的处理资源需求。每个处理组件的处理资源是有限的,因此,每个组中处理节点所需的处理资源需求不应大于处理组件所能提供的处理资源。或者,为了提升每个处理组件的处理效率,还可将每个组中的处理节点所需的处理资源需求总量不大于某个预设阈值,例如,该预设阈值可小于处理组件所能提供的处理资源总量。本公开对预设阈值的具体设置方式不做限制。
在一种可能的实现方式中,在分组中可考虑各处理节点的存储资源需求。在任务处理过程中,每个处理节点均可能产生数据,例如,神经网络模型的每个层级均可能产生输出结果,也可能需要数据,例如,神经网络模型的每个层级均可能需要权值数据和输入数据,因此,在任务执行过程中,处理组件可对上述数据进行存储,以在处理时使用,或者在需要发送至其他组件时,从存储器中调用并进行发送。每个处理组件的存储资源是有限的,因此,每个组中处理节点所需的存储资源需求不应大于处理组件所能提供的存储资源。可将每个组中的处理节点所需的存储资源需求总量不大于某个预设阈值,例如,该预设阈值可小于处理组件所能提供的存储资源总量。本公开对预设阈值的具体设置方式不做限制。
在一种可能的实现方式中,在分组中可考虑处理节点的类型,在示例中,相同或相似类型的处理节点所需的处理方式相同或相似,因此,可将相同或相似类型的处理节点划分为同一组,使得处理该组处理节点的处理组件的处理效率提高。
在一种可能的实现方式中,在分组中可考虑处理节点组之间的通信次数,或处理组件之间的通信次数等因素。在示例中,上述神经网络模型2可包括4个处理节点,即,处理节点1、处理节点2、处理节点3和处理节点4。且处理节点之间的连接关系为处理节点1指向处理节点2,处理节点2指向处理节点3,处理节点3指向处理节点4。在分组时,如果将处理节点1和处理节点2分为一组,将处理节点3和处理及节点4分为一组,则由于两组处理节点之间,仅需要处理节点2向处理节点3发送数据,因此,对处理节点1和处理节点2进行处理的处理组件也仅需要向对处理节点3和处理节点4进行处理的处理组件发送数据,即,处理组件之间的通信次数为1次。如果将处理节点1和处理节点4分为一组,将处理节点2和处理节点3分为一组,则两组之间,处理节点1向处理节点2发送数据,处理节点3向处理节点4发送数据,因此,在对处理节点1和处理节点4进行处理的处理组件需要向对处理节点2和处理节点3进行处理的处理组件发送数据(即,处理节点1向处理节点2发送数据),且对处理节点2和处理节点3进行处理的处理组件也需要向在对处理节点1和处理节点4进行处理的处理组件发送数据(即,处理节点3向处理节点4发送数据),则处理组件之间的通信次数为2次。因此,为了减少处理组件之间的通信压力,可将处理节点1和处理节点2分为一组,将处理节点3和处理及节点4分为一组。以上分组方式仅为示例,本公开对具体分组方式不做限制。
在一种可能的实现方式中,以上因素仅为示例,在分组中可考虑上述的一种或多种因素,当然也可考虑其他相关因素,本公开对分组中考虑的因素不做限制。
在一种可能的实现方式中,以上分组的步骤为可选步骤,也可不进行上述分组处理,而直接使用默认的分组。在示例中,所述待处理任务包括通过至少一个神经网络模型进行处理的任务,步骤S12可包括:根据所述处理节点所属的神经网络模型进行分组,获得所述处理节点组,或者将每个处理节点分别划分为一个处理节点组。即,每个处理节点可对应于神经网络模型中的一个网络层级或一个算子,在默认的分组方式中,可将归属于同一个神经网络的处理节点直接分为同一个处理节点组。当然,也可将每个处理节点分别划分为一个处理节点组。本公开对默认的分组方式不做限制。
图4示出根据本公开的实施例的分组的示意图,如图4所示,神经网络模型1的处理节点1和处理节点2分为一组,神经网络模型1的处理节点3、处理节点4和处理节点5分为一组。神经网络模型2的处理节点1和处理节点2分为一组,且与神经网络模型1的处理节点1和处理节点2组成的处理节点组之间存在数据交互,神经网络模型2的处理节点3和处理节点4分为一组。
在一种可能的实现方式中,在对处理节点进行分组后,可确定处理组件与处理节点组之间的映射关系。在步骤S13中,可根据处理资源中各处理组件的性能参数、处理节点组的资源需求,确定用于处理处理节点组的目标处理组件。即,为每个处理节点组分配处理组件,例如,众核芯片,以实现众核芯片层级的映射关系。
在示例中,在分配过程中,可对处理节点组进行拆分、复制、融合等操作。例如,如果某个处理节点组所包括的处理节点数量较多或者所需的运算、存储、带宽等资源较多,可将该处理节点组拆分为两个处理节点组,并分别映射至两个处理组件。例如,如果两个或多个处理节点组包含的处理节点数量或所需的运算、存储、带宽等资源较少,通过同一个处理组件能够对多个处理节点组进行处理,则可将两个或多个处理节点组融合为一个处理节点组,并映射至一个处理组件。又例如,如果某个处理节点组的输出数据量较大,且需要分别输出至多个其他处理组件,则可对该处理节点组进行复制,并可使复制后的处理节点组分别映射至两个或多个处理组件,从而使得两个或多个处理组件输出的数据可同时传输至所述多个其他处理组件,从而减少了在数据传输过程中的等待时间,提高传输效率。
在一种可能的实现方式中,在映射过程中,可考虑多种因素,来确定处理节点组与处理组件之间的映射关系。所述述处理组件的性能参数包括处理组件的功能和算力。所述步骤S13可包括以下中的一种:根据所述处理节点组中各处理节点的类型以及所述各处理组件的功能,确定所述目标处理组件;根据所述处理节点组的资源需求和所述各处理组件的算力,确定所述目标处理组件;根据所述处理节点组的资源需求和所述各处理组件的资源利用率,确定所述目标处理组件;根据所述处理节点组的资源需求和所述各处理组件的能耗,确定所述目标处理组件;根据所述处理节点组的资源需求和所述各处理组件的处理时间,确定所述目标处理组件。即,在确定目标处理组件,换言之,确定处理组件和处理节点组之间的映射关系时,可基于以上因素中的任意一种或多种来进行映射。
在一种可能的实现方式中,在确定映射关系时,可考虑处理节点组中各处理节点的类型以及各处理组件的功能。在示例中,所述处理节点组中的各处理节点可包括多种节点,执行处理节点的处理步骤所需的算法也可包括多种,因此,可在处理组件中确定具有对处理节点组中所有处理节点进行处理的功能的处理组件。
在一种可能的实现方式中,在确定映射关系时,可考虑处理节点组的资源需求和各处理组件的算力(即,处理资源)。每个处理组件的处理资源是有限的,因此,处理节点组中处理节点所需的处理资源需求不应大于处理组件所能提供的处理资源。如果处理组件的能提供的处理资源互不相同,则需要考虑在映射时,某处理组件所能提供的处理资源是否大于处理节点组中的各处理节点所需的处理资源。
在一种可能的实现方式中,在确定映射关系时,可考虑处理节点组的资源需求和各处理组件的资源利用率。所述资源需求可包括存储资源需求和处理资源需求,所述资源利用率包括处理资源利用率和存储资源利用率。在示例中,可在确定映射关系时,使得每个处理组件在对处理节点组中的处理节点进行处理时,资源利用率较为均衡,各处理组件的空闲时间较少,即,减少出现一部分处理组件运算,另一部分处理组件空闲的场景,以及等待传输数据和/或等待存储数据的场景,使得处理资源整体的资源利用率和处理效率提高。
在一种可能的实现方式中,在确定映射关系时,可考虑处理节点组的资源需求和各处理组件的能耗。处理节点的资源需求可包括能耗需求,例如,所需的计算步骤越多,计算越复杂,所需调用的运算资源量越大,能耗也越高。在示例中,可使各处理组件的处理复杂度相对均衡,使得处理资源整体的能耗均衡,以减少处理资源的整体能耗。
在一种可能的实现方式中,在确定映射关系时,可考虑处理节点组的资源需求和各处理组件的处理时间。处理节点组的资源需求包括运算时间的需求,例如,对于某种类型的运算,以及处理节点组所能提供的运算资源,可预执行该运算所需的时间。可使得在相同时序中的各个处理组件的处理时间接近或相等,以减少在相同时序中,部分处理组件的等待时间,提升处理资源的整体处理效率。
在示例中,所述相同时序中的处理组件可包括多个,例如,处理节点组A和处理节点组B的处理结果均发送至处理节点组C,即,处理节点组C的执行依赖于处理节点组A和处理节点组B的处理结果,则与处理节点组A对应的处理组件以及与处理节点组B对应的处理组件处于相同的时序中,处理节点组C对应的处理组件的时序在处理节点组A对应的处理组件以及与处理节点组B对应的处理组件的时序之后。因此,相同时序的处理节点组A和处理节点组B在映射时可考虑处理时间的问题,使得两个处理组件中的处理时间接近或相等,以减少其中一个处理组件等待另一个处理组件运算完成,才可进行下一个时序的处理的情况。
在示例中,处理节点组A所需运算时间为1毫秒,处理节点组B所需运算时间为0.5毫秒,则可将处理节点组A映射至一个单独的处理组件A中,可将处理节点组B映射至处理其他需要运算时间为0.5毫秒的处理节点组的处理组件B中,在处理组件A开始执行时,处理组件B开始执行其他处理节点组,所述其他处理节点组执行完毕时,开始执行处理节点组B,在处理节点组B执行完成时,处理组件B执行两组处理节点组共用时1毫秒,处理组件A的总用时也为1毫秒,使得二者用时相等,从而可减少一个处理组件等待另一个处理组件的情况,提升处理资源整体的处理效率。
在一种可能的实现方式中,以上确定映射关系时的参考因素均为示例,在确定映射关系时,可参考以上一种或多种因素进行映射,也可参考其他合理的因素进行映射,本公开对确定映射关系的参考因素不做限制。
在一种可能的实现方式中,在确定处理节点组和处理组件之间的映射关系后,即,确定用于对各处理节点组进行处理的目标处理组件后,还可确定各目标处理组件的第一映射方式。所述第一映射方式表示各目标处理组件与所述处理节点组之间的具体对应关系以及所述目标处理组件的工作的时序。
图5示出根据本公开的实施例的时空单元的示意图,如图5所示,图5的横坐标可表示空间单元,可表示为各个层级的处理资源,例如,在较大尺度的空间单元中可表示芯片阵列,在中等尺度的空间单元中,可表示芯片,例如,处理组件或众核芯片,在较小尺度的空间单元中,可表示处理核心(即0图5中的“核”)。图5的纵坐标可表示时间单元,可表示各个层级的处理资源的处理时序,例如,在较大尺度的时间单元(例如,时间单元3)中,可表示芯片对处理节点组进行处理的时序,在中等尺度的时间单元(例如,时间单元2)中,可表示处理核心对处理节点的处理时序,在较小尺度的时间单元中,可表示处理核心内的PE阵列或MAC阵列对处理节点中的算子的处理时序。
图6示出根据本公开的实施例的时序的示意图。如图6所示,图6最左侧的时空图中,两个点可表示具有依赖关系的两个处理节点组或处理节点。中间和右侧的两个时空图可分别表示两种映射关系。如图6中间的时空图所示,在左上角的处理节点组或处理节点由第1个处理组件或处理核心在第1个时间单元中进行处理,在处理完成后,可在第1个时间单元中直接将处理结果发送至第3个处理组件或处理核心,并保存在第3个处理组件或处理核心中等待,直到第4个时间单元时,由第3个处理组件或处理核心基于所述处理结果对另一个处理节点组或处理节点进行处理。如图6右侧的时空图所述,左上角的处理节点组或处理节点由第1个处理组件或处理核心在第1个时间单元中进行处理,在处理完成后将处理结果直接保存,等待至第2个时间单元时,发送至第2个处理组件或处理核心,第2个处理组件或处理核心可保存处理结果并等待至第4个时间单元时,发送至第3个处理组件或处理核心,从而可由第3个处理组件或处理核心基于所述处理结果对另一个处理节点组或处理节点进行处理。以上时序仅为示例,本公开度具体的处理时序和数据传输时序不做限制。
在一种可能的实现方式中,由以上示例可知,对处理节点或处理节点组的处理,以及对数据的传递,均可通过时序来约束,且在确定时序的过程中,各个处理组件或处理核心对处理节点或处理节点组的处理顺序,处理组件或处理核心中是否有足够的存储资源来存储数据等因素,均为确定时序的过程中可考虑的因素。
在一种可能的实现方式中,步骤S13可包括:根据所述处理资源中所述各处理组件的存储资源、所述各处理组件的资源利用率以及所述各处理组件的处理进程是否产生死锁中的至少一种,以及所述处理节点之间的连接关系,确定所述目标处理组件之间的数据传输路径;根据所述目标处理组件的数据传输路径,确定所述第一映射方式。
在一种可能的实现方式中,在确定第一映射方式时,可考虑各处理组件的存储资源,例如,在某个处理组件生成数据后,需要发送至另一时间单元中的另一处理组件,则需要考虑自身的存储资源或其他处理组件的存储资源是否能够存储这些数据,直至所述另一处理组件在所述另一时间单元中使用该数据。因此,可基于各处理组件的存储资源来确定数据的传输方向和存储位置,从而确定所述第一映射方式。
在一种可能的实现方式中,在确定第一映射方式时,可考虑各处理组件的资源利用率。例如,在某个处理组件生成数据后,需要发送至另一时间单元中的另一处理组件,需要考虑自身即其他处理组件的资源利用率,如果自身的处理资源利用率较高,没有多于的存储资源将数据存储至另一时间单元,则可发送至存储资源利用率较低的处理组件中存储。又例如,如果当前时间单元中的通信宽带繁忙,而在所述另一时间单元之间的某个时间单元中,通信宽带不繁忙,则可不在当前时间单元中传输所述数据,而是在所述另一时间单元之间的某个时间单元中传输数据,以减小当前时间单元的通信压力,且不会耽误另一处理组件在另一时间单元中使用数据。
在一种可能的实现方式中,在确定第一映射方式时,可考虑处理进程是否产生死锁,如果对处理节点组的处理过程或者对数据的传输过程产生了死锁,则可改变第一映射方式,避免死锁,减小处理进程无法继续的概率。
在一种可能的实现方式中,以上因素均为示例,在确定第一映射方式时,也可考虑其他合理因素。本公开对确定第一映射方式的因素不做限制。可基于上述因素中的至少一种以及处理节点之间的连接关系来确定数据传输路径,即,数据的传输方向,及在每个处理组件中的等待时间,使得数据在各个处理组件中进行传输和处理。并可基于数据传输路径确定第一映射方式,即,数据在各处理组件之间传输、保存和处理的时序。
在一种可能的实现方式中,在步骤S14中,可采用与以上确定目标处理组件相似的方式确定各个处理组件中的处理核心与各处理节点组中的处理节点之间的映射关系,以及采用与以上第一映射方式相似的方式确定处理核心的第二映射方式。
在示例中,在确定处理核心与处理节点之间的映射关系时,可考虑以下因素中的至少一种:处理节点类型以及处理核心的功能;处理节点的资源需求和处理核心的算力;处理节点的资源需求和处理核心的资源利用率;处理节点的资源需求和处理核心的能耗;处理节点的资源需求和处理核心的处理时间。以上映射中考虑的因素仅为示例,也可在确定映射关系时考虑其他合理因素,本公开对此不做限制。
在另一示例中,确定处理核心的第二映射方式可考虑处理和的存储资源、处理核心的资源利用率以及处理核心的处理进程是否产生死锁中的至少一种,从而可基于以上因素和处理节点之间的连接关系,确定处理核心之间的数据传输路径。进而基于数据传输路径确定第二映射方式,即,数据在各处理核心之间传输、保存和处理的时序。
在一种可能的实现方式中,在步骤S15中,可基于以上确定的第一映射方式、第二映射方式和目标处理核心进行处理,例如,可按照第一映射方式,确定各目标处理组件的处理顺序和数据传输路径,随后,可逐层进行细化,即,在第一映射方式的更细化的时间单元中,按照第二映射方式确定目标处理组件中各处理核心的处理顺序和数据传输路径。从而,可确定各个处理核心的详细的处理顺序和数据传输路径。进而,可利用各个处理核心对待处理任务的各个处理节点进行处理。
在示例中,处理节点在处理核心内的PE阵列,或MAC阵列上仍存在复杂多样的执行方式。在示例中,可将某个处理核心在某个时刻需要执行的一个或多个处理节点(例如,神经网络模型的算子)表达成多层循环控制的形式,处理核心内的映射过程可表示为对每一层循环进行变换,例如,将一层循环变为两层循环、将一层循环完全展开并行运算、融合两层循环、倾斜多层循环(skew)、交换两层循环的顺序、改变循环中数据缓存的位置等,通过上述映射处理,可将每层循环执行的处理通过PE阵列或MAC阵列以更高的并行度执行,从而提升执行效率。通过上述变换可确定这一个或多个算子在PE阵列或MAC阵列上的映射与数据传输路径,例如,将每层循环执行的处理映射至PE阵列或MAC阵列上的各运算单元。
在一种可能的实现方式中,以上的映射、确定处理时序和执行的过程,可通过计算机来自动完成,但在映射和确定处理时序的过程中,也许存在处理节点分组、处理节点组与处理组件之间的映射、第一映射方式的确定、处理节点与处理核心之间的映射、第二映射方式的确定等过程中的问题,例如,分组不合理导致处理效率较低,映射不合理导致处理效率较低或时序不合理导致处理效率较低等。因此,可调整上述过程,以提升分组、映射和确定时序过程中的合理性,并提高处理效率。
在一种可能的实现方式中,所述方法还包括:根据所述待处理任务处理过程中的进程参数,对所述目标处理组件、所述第一映射方式、所述目标处理核心和所述第二映射方式中的至少一种进行调整,其中,所述进程参数包括目标处理组件的资源利用率、目标处理组件的能耗、目标处理组件的处理时间、目标处理组件之间的数据传输时间、目标处理核心资源利用率、目标处理核心的处理时间、目标处理核心之间的数据传输时间中的至少一种。
在一种可能的实现方式中,基于进程参数,可确定各个处理核心和各个处理组件中所进行的处理的效率、在数据传输和数据存储过程中的资源利用率,以及能耗等参数。如果某些处理核心或处理组件中的处理不合理,则可能是处理时序或映射过程不合理导致的,因此,可基于上述进程参数,调整映射过程和/或处理时序,例如,可人工调节,或者基于进程参数由计算机自动调节,在示例中,可参照神经网络模型的训练方式,进行反馈调节等,本公开对调节方式不做限制。通过调节过程,可提高处理资源的整体处理效率。
在一种可能的实现方式中,所述方法还包括:根据所述待处理任务处理过程中的进程参数,对所述处理节点组进行调整,其中,所述进程参数包括目标处理组件的资源利用率、目标处理组件的能耗、目标处理组件的处理时间、目标处理组件之间的数据传输时间、目标处理核心资源利用率、目标处理核心的处理时间、目标处理核心之间的数据传输时间中的至少一种。
在一种可能的实现方式中,除了上述对时序和映射关系的调节外,还可基于以上进程参数,调整处理节点的分组。类似地,可进行人工调节,或者基于进程参数由计算机自动调节,使得对分组进行调节后,处理资源的整体处理效率可得到提高。
在一种可能的实现方式中,除了上述由计算机来自动完成分组、映射、确定时序和处理的过程外,还可通过人工来进行分组、映射和确定时序的处理。并由处理资源基于人工的分组、映射和确定时序的结果来执行待处理任务。所述方法还包括:接收映射指令,其中,所述映射指令包括确定所述目标处理组件、所述第一映射方式、所述目标处理核心和所述第二映射方式的指令;根据所述映射指令,对所述待处理任务进行处理,获得处理结果。
在示例中,可将映射指令人工输入至计算机中,并基于映射指令来进行分组、映射和确定时序的处理。例如,计算机可显示时空状态,例如,上述时空图来供操作者参考。操作者可在时空图中填入处理节点组,处理节点,以及处理时序,计算机可实时返回填入上述信息后的时空图以供操作者参考,将各个处理节点均映射至处理核心,并确定时序后,可通过处理资源基于该人工确定的映射关系和处理时序对待处理任务进行处理,获得处理结果。
根据本公开的实施例的任务处理方法,可将待处理任务进行分组,并确定处理节点组的目标处理组件以及第一映射方式,使得对待处理任务的映射适用于高于处理核心的层次的处理资源,并且,可确定处理节点的目标处理核心和第二映射方式,实现了在处理资源的各个层次的映射,使得任务处理流程的通用性更强,并且在分组、确定映射关系和处理时序的过程中,考虑到多种因素,使得处理资源的整体执行效率更高。进一步地,还可基于执行处理任务过程中的进程参数来调整上述分组、映射关系和处理时序,以获得更高的整体处理效率。
图7示出根据本公开实施例的任务处理方法的应用示意图,如图7所示,神经网络模型1可包括处理节点1、处理节点2、处理节点4、处理节点4和处理节点5。神经网络模型2可包括处理节点1、处理节点2、处理节点3和处理节点4。
在一种可能的实现方式中,可参照以上分组因素,对上述处理节点进行分组,例如,可将神经网络模型1的处理节点1和处理节点2分为处理节点组A,将神经网络模型1的处理节点3、处理节点4和处理节点5分为处理节点组B,将神经网络模型2的处理节点1和处理节点2分为处理节点组C,将神经网络模型2的处理节点3和处理节点4分为处理节点组D。
在一种可能的实现方式中,可参考以上映射因素,确定处理节点组与芯片之间的映射关系,并参考以上确定时序的因素,确定各芯片的第一映射方式。例如,可将处理节点组A映射至芯片A中,将处理节点组C映射至芯片C中,将处理节点组D映射至芯片D中,将处理节点组B映射至芯片B中。并且,芯片A和芯片处于同一个时间单元,即,同时执行,芯片B和芯片D处于同一个时间单元,即,在芯片A和芯片C执行完毕后执行。进一步地,可确定各芯片之间的第一映射方式,例如,基于芯片的存储资源等因素,以及各芯片之间的数据依赖关系,确定所述第一映射方式,例如,芯片A和芯片C之间的相互的数据依赖关系,芯片B对芯片A的数据依赖关系,芯片D对芯片C的数据依赖关系等。
在一种可能的实现方式中,进一步地,还可确定各芯片内的处理核心与各处理节点组中的处理节点之间的映射关系,以及处理核心的第二映射方式。以芯片B为例,可利用与以上相似的因素确定各个节点与芯片内的处理核心之间的映射关系,并基于与以上相似的因素确定第二映射方式。例如,两个处理节点在第1个时间单元中分别由两个处理核心开始执行,且将另一个处理节点进行分割,并分别在第3个时间单元和第4个时间单元中分别由两个时间单元依据所述两个处理节点产生的数据进行执行。在每个处理核心执行处理节点的过程中,可通过MAC阵列进行乘加运算,或者通过PE阵列进行数据运算,可将处理节点的算子进行展开,并通过MAC阵列或PE阵列中的运算单元进行高度并行的运算,以提升处理效率。从而获得最终的任务处理结果。
图8示出根据本公开实施例的任务处理装置的框图,如图8所示,所述装置包括:中间表示模型获取模块11,用于获取待处理任务的中间表示模型,其中,所述中间表示模型包括待处理任务的处理节点,以及所述处理节点之间的连接关系;分组模块12,用于对所述中间表示模型中的各处理节点进行分组,获得处理节点组;第一映射模块13,用于根据处理资源中各处理组件的性能参数、所述处理节点组的资源需求以及所述处理节点之间的连接关系,确定用于处理所述处理节点组的目标处理组件,并确定所述目标处理组件的第一映射方式,所述第一映射方式表示各目标处理组件与所述处理节点组之间的具体对应关系以及所述目标处理组件的工作的时序;第二映射模块14,用于根据所述目标处理组件中处理核心的性能参数、所述处理节点组中各处理节点的资源需求以及所述处理节点之间的连接关系,在所述目标处理组件中确定目标处理核心,并确定所述目标处理核心的第二映射方式,其中,所述目标处理核心用于处理所述处理节点组中的各处理节点,所述第二映射方式表示各目标处理核心与所述处理节点之间的具体对应关系以及所述目标处理核心的工作的时序;处理模块15,用于根据所述第一映射方式、所述第二映射方式和所述目标处理核心,对所述待处理任务进行处理,获得处理结果。
在一种可能的实现方式中,所述分组模块进一步用于:根据所述连接关系中的数据传输量、所述各处理节点的处理资源需求、所述各处理节点的存储资源需求、各所述处理节点的类型以及处理节点组之间的通信次数中的至少一种进行分组,获得所述处理节点组。
在一种可能的实现方式中,所述待处理任务包括通过至少一个神经网络模型进行处理的任务,所述分组模块进一步用于:根据所述处理节点所属的神经网络模型进行分组,获得所述处理节点组,或者将每个处理节点分别划分为一个处理节点组。
在一种可能的实现方式中,所述处理组件的性能参数包括处理组件的功能和算力,所述第一映射模块进一步用于以下中的至少一种:根据所述处理节点组中各处理节点的类型以及所述各处理组件的功能,确定所述目标处理组件;根据所述处理节点组的资源需求和所述各处理组件的算力,确定所述目标处理组件;根据所述处理节点组的资源需求和所述各处理组件的资源利用率,确定所述目标处理组件;根据所述处理节点组的资源需求和所述各处理组件的能耗,确定所述目标处理组件;根据所述处理节点组的资源需求和所述各处理组件的处理时间,确定所述目标处理组件。
在一种可能的实现方式中,所述第一映射模块进一步用于:根据所述处理资源中所述各处理组件的存储资源、所述各处理组件的资源利用率以及所述各处理组件的处理进程是否产生死锁中的至少一种,以及所述处理节点之间的连接关系,确定所述目标处理组件之间的数据传输路径;根据所述目标处理组件的数据传输路径,确定所述第一映射方式。
在一种可能的实现方式中,所述装置还包括:第一调整模块,用于根据所述待处理任务处理过程中的进程参数,对所述目标处理组件、所述第一映射方式、所述目标处理核心和所述第二映射方式中的至少一种进行调整,其中,所述进程参数包括目标处理组件的资源利用率、目标处理组件的能耗、目标处理组件的处理时间、目标处理组件之间的数据传输时间、目标处理核心资源利用率、目标处理核心的处理时间、目标处理核心之间的数据传输时间中的至少一种。
在一种可能的实现方式中,所述装置还包括:第二调整模块,用于根据所述待处理任务处理过程中的进程参数,对所述处理节点组进行调整,其中,所述进程参数包括目标处理组件的资源利用率、目标处理组件的能耗、目标处理组件的处理时间、目标处理组件之间的数据传输时间、目标处理核心资源利用率、目标处理核心的处理时间、目标处理核心之间的数据传输时间中的至少一种。
在一种可能的实现方式中,所述装置还包括:输入模块,用于接收映射指令,其中,所述映射指令包括确定所述目标处理组件、所述第一映射方式、所述目标处理核心和所述第二映射方式的指令;根据所述映射指令,对所述待处理任务进行处理,获得处理结果。
可以理解,本公开提及的上述各个方法实施例,在不违背原理逻辑的情况下,均可以彼此相互结合形成结合后的实施例,限于篇幅,本公开不再赘述。本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外,本公开还提供了装置、电子设备、计算机可读存储介质、程序,上述均可用来实现本公开提供的任一种方法,相应技术方案和描述和参见方法部分的相应记载,不再赘述。
在一些实施例中,本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述。
本公开实施例还提出一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为调用所述存储器存储的指令,以执行上述方法。
本公开实施例还提供了一种计算机程序产品,包括计算机可读代码,当计算机可读代码在设备上运行时,设备中的处理器执行用于实现如上任一实施例提供的神经网络处理方法的指令。
本公开实施例还提供了另一种计算机程序产品,用于存储计算机可读指令,指令被执行时使得计算机执行上述任一实施例提供的神经网络处理方法的操作。
电子设备可以被提供为终端、服务器或其它形态的设备。
图9示出根据本公开实施例的一种电子设备800的框图。例如,电子设备800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等终端。
参照图9,电子设备800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制电子设备800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理***,一个或多个电源,及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边缘,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜***或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当电子设备800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和***接口模块之间提供接口,上述***接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为电子设备800提供各个方面的状态评估。例如,传感器组件814可以检测到电子设备800的打开/关闭状态,组件的相对定位,例如所述组件为电子设备800的显示器和小键盘,传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变,用户与电子设备800接触的存在或不存在,电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理***的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器804,上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图10示出根据本公开实施例的一种电子设备1900的框图。例如,电子设备1900可以被提供为一服务器。参照图10,电子设备1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理,一个有线或无线网络接口1950被配置为将电子设备1900连接到网络,和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作***,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器1932,上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是***、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(***)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中,所述计算机程序产品具体体现为计算机存储介质,在另一个可选实施例中,计算机程序产品具体体现为软件产品,例如软件开发包(Software Development Kit,SDK)等等。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (7)
1.一种任务处理方法,其特征在于,包括:
获取待处理任务的中间表示模型,其中,所述中间表示模型包括待处理任务的处理节点,以及所述处理节点之间的连接关系;
对所述中间表示模型中的各处理节点进行分组,获得处理节点组;
根据处理资源中各处理组件的性能参数、所述处理节点组的资源需求以及所述处理节点之间的连接关系,确定用于处理所述处理节点组的目标处理组件,并确定所述目标处理组件的第一映射方式,所述第一映射方式表示各目标处理组件与所述处理节点组之间的具体对应关系以及所述目标处理组件的工作的时序;
根据所述目标处理组件中处理核心的性能参数、所述处理节点组中各处理节点的资源需求以及所述处理节点之间的连接关系,在所述目标处理组件中确定目标处理核心,并确定所述目标处理核心的第二映射方式,其中,所述目标处理核心用于处理所述处理节点组中的各处理节点,所述第二映射方式表示各目标处理核心与所述处理节点之间的具体对应关系以及所述目标处理核心的工作的时序;
根据所述第一映射方式、所述第二映射方式和所述目标处理核心,对所述待处理任务进行处理,获得处理结果;
所述处理组件的性能参数包括处理组件的功能和算力,
其中,根据处理资源中各处理组件的性能参数、所述处理节点组的资源需求以及所述处理节点之间的连接关系,确定用于处理所述处理节点组的目标处理组件,包括以下中的至少一种:
根据所述处理节点组中各处理节点的类型以及所述各处理组件的功能,确定所述目标处理组件;
根据所述处理节点组的资源需求和所述各处理组件的算力,确定所述目标处理组件;
根据所述处理节点组的资源需求和所述各处理组件的资源利用率,确定所述目标处理组件;
根据所述处理节点组的资源需求和所述各处理组件的能耗,确定所述目标处理组件;
根据所述处理节点组的资源需求和所述各处理组件的处理时间,确定所述目标处理组件;
所述确定所述目标处理组件的第一映射方式,包括:
根据所述处理资源中所述各处理组件的存储资源、所述各处理组件的资源利用率以及所述各处理组件的处理进程是否产生死锁中的至少一种,以及所述处理节点之间的连接关系,确定所述目标处理组件之间的数据传输路径;
根据所述目标处理组件的数据传输路径,确定所述第一映射方式;
根据所述待处理任务处理过程中的进程参数,对所述目标处理组件、所述第一映射方式、所述目标处理核心和所述第二映射方式中的至少一种进行调整,其中,所述进程参数包括目标处理组件的资源利用率、目标处理组件的能耗、目标处理组件的处理时间、目标处理组件之间的数据传输时间、目标处理核心资源利用率、目标处理核心的处理时间、目标处理核心之间的数据传输时间中的至少一种;
根据所述待处理任务处理过程中的进程参数,对所述处理节点组进行调整,其中,所述进程参数包括目标处理组件的资源利用率、目标处理组件的能耗、目标处理组件的处理时间、目标处理组件之间的数据传输时间、目标处理核心资源利用率、目标处理核心的处理时间、目标处理核心之间的数据传输时间中的至少一种。
2.根据权利要求1所述的方法,其特征在于,对所述中间表示模型中的各处理节点进行分组,获得处理节点组,包括:
根据所述连接关系中的数据传输量、所述各处理节点的处理资源需求、所述各处理节点的存储资源需求、各所述处理节点的类型以及处理节点组之间的通信次数中的至少一种进行分组,获得所述处理节点组。
3.根据权利要求1所述的方法,其特征在于,所述待处理任务包括通过至少一个神经网络模型进行处理的任务,
其中,对所述中间表示模型中的各处理节点进行分组,获得多个处理节点组,包括:
根据所述处理节点所属的神经网络模型进行分组,获得所述处理节点组,或者
将每个处理节点分别划分为一个处理节点组。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
接收映射指令,其中,所述映射指令包括确定所述目标处理组件、所述第一映射方式、所述目标处理核心和所述第二映射方式的指令;
根据所述映射指令,对所述待处理任务进行处理,获得处理结果。
5.一种任务处理装置,其特征在于,包括:
中间表示模型获取模块,用于获取待处理任务的中间表示模型,其中,所述中间表示模型包括待处理任务的处理节点,以及所述处理节点之间的连接关系;
分组模块,用于对所述中间表示模型中的各处理节点进行分组,获得处理节点组;
第一映射模块,用于根据处理资源中各处理组件的性能参数、所述处理节点组的资源需求以及所述处理节点之间的连接关系,确定用于处理所述处理节点组的目标处理组件,并确定所述目标处理组件的第一映射方式,所述第一映射方式表示各目标处理组件与所述处理节点组之间的具体对应关系以及所述目标处理组件的工作的时序;
第二映射模块,用于根据所述目标处理组件中处理核心的性能参数、所述处理节点组中各处理节点的资源需求以及所述处理节点之间的连接关系,在所述目标处理组件中确定目标处理核心,并确定所述目标处理核心的第二映射方式,其中,所述目标处理核心用于处理所述处理节点组中的各处理节点,所述第二映射方式表示各目标处理核心与所述处理节点之间的具体对应关系以及所述目标处理核心的工作的时序;
处理模块,用于根据所述第一映射方式、所述第二映射方式和所述目标处理核心,对所述待处理任务进行处理,获得处理结果;
所述处理组件的性能参数包括处理组件的功能和算力,所述第一映射模块进一步用于以下中的至少一种:根据所述处理节点组中各处理节点的类型以及所述各处理组件的功能,确定所述目标处理组件;根据所述处理节点组的资源需求和所述各处理组件的算力,确定所述目标处理组件;根据所述处理节点组的资源需求和所述各处理组件的资源利用率,确定所述目标处理组件;根据所述处理节点组的资源需求和所述各处理组件的能耗,确定所述目标处理组件;根据所述处理节点组的资源需求和所述各处理组件的处理时间,确定所述目标处理组件;
所述第一映射模块进一步用于:根据所述处理资源中所述各处理组件的存储资源、所述各处理组件的资源利用率以及所述各处理组件的处理进程是否产生死锁中的至少一种,以及所述处理节点之间的连接关系,确定所述目标处理组件之间的数据传输路径;根据所述目标处理组件的数据传输路径,确定所述第一映射方式;
第一调整模块,用于根据所述待处理任务处理过程中的进程参数,对所述目标处理组件、所述第一映射方式、所述目标处理核心和所述第二映射方式中的至少一种进行调整,其中,所述进程参数包括目标处理组件的资源利用率、目标处理组件的能耗、目标处理组件的处理时间、目标处理组件之间的数据传输时间、目标处理核心资源利用率、目标处理核心的处理时间、目标处理核心之间的数据传输时间中的至少一种;
第二调整模块,用于根据所述待处理任务处理过程中的进程参数,对所述处理节点组进行调整,其中,所述进程参数包括目标处理组件的资源利用率、目标处理组件的能耗、目标处理组件的处理时间、目标处理组件之间的数据传输时间、目标处理核心资源利用率、目标处理核心的处理时间、目标处理核心之间的数据传输时间中的至少一种。
6.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行权利要求1至4中任意一项所述的方法。
7.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至4中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210667202.6A CN114968594B (zh) | 2022-06-13 | 2022-06-13 | 任务处理方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210667202.6A CN114968594B (zh) | 2022-06-13 | 2022-06-13 | 任务处理方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114968594A CN114968594A (zh) | 2022-08-30 |
CN114968594B true CN114968594B (zh) | 2024-04-23 |
Family
ID=82961404
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210667202.6A Active CN114968594B (zh) | 2022-06-13 | 2022-06-13 | 任务处理方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114968594B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116501504B (zh) * | 2023-06-27 | 2023-09-12 | 上海燧原科技有限公司 | 数据流的时空映射方法、装置、电子设备及存储介质 |
CN116501503B (zh) * | 2023-06-27 | 2023-09-15 | 上海燧原科技有限公司 | 负载任务的架构映射方法、装置、计算机设备及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107135257A (zh) * | 2017-04-28 | 2017-09-05 | 东方网力科技股份有限公司 | 一种节点集群中任务分配的方法、节点和*** |
CN111931253A (zh) * | 2020-09-15 | 2020-11-13 | 腾讯科技(深圳)有限公司 | 基于节点群的数据处理方法、***、设备和介质 |
CN111949170A (zh) * | 2020-07-17 | 2020-11-17 | 上海淇馥信息技术有限公司 | 一种配置任务流程的方法、装置和电子设备 |
GB202101506D0 (en) * | 2021-02-03 | 2021-03-17 | Deep Science Ventures Ltd | Allocating computational tasks to computer hardware |
CN114546630A (zh) * | 2020-11-24 | 2022-05-27 | 北京灵汐科技有限公司 | 任务处理方法及分配方法、装置、电子设备、介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ES2930550T3 (es) * | 2017-04-07 | 2022-12-16 | Intel Corp | Métodos y aparatos para canalización de ejecución de red de aprendizaje profundo en plataforma multiprocesador |
-
2022
- 2022-06-13 CN CN202210667202.6A patent/CN114968594B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107135257A (zh) * | 2017-04-28 | 2017-09-05 | 东方网力科技股份有限公司 | 一种节点集群中任务分配的方法、节点和*** |
CN111949170A (zh) * | 2020-07-17 | 2020-11-17 | 上海淇馥信息技术有限公司 | 一种配置任务流程的方法、装置和电子设备 |
CN111931253A (zh) * | 2020-09-15 | 2020-11-13 | 腾讯科技(深圳)有限公司 | 基于节点群的数据处理方法、***、设备和介质 |
CN114546630A (zh) * | 2020-11-24 | 2022-05-27 | 北京灵汐科技有限公司 | 任务处理方法及分配方法、装置、电子设备、介质 |
GB202101506D0 (en) * | 2021-02-03 | 2021-03-17 | Deep Science Ventures Ltd | Allocating computational tasks to computer hardware |
Also Published As
Publication number | Publication date |
---|---|
CN114968594A (zh) | 2022-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114968594B (zh) | 任务处理方法、装置、电子设备和存储介质 | |
CN113378862B (zh) | 一种图像处理方法及装置、电子设备和存储介质 | |
JP7096888B2 (ja) | ネットワークモジュール、割り当て方法及び装置、電子機器並びに記憶媒体 | |
CN111400000B (zh) | 网络请求处理方法、装置、设备和存储介质 | |
CN113032112A (zh) | 资源调度方法及装置、电子设备和存储介质 | |
CN107590534B (zh) | 训练深度卷积神经网络模型的方法、装置及存储介质 | |
CN109120862A (zh) | 高动态范围图像获取方法、装置及移动终端 | |
CN110188865B (zh) | 信息处理方法及装置、电子设备和存储介质 | |
CN112668707B (zh) | 运算方法、装置及相关产品 | |
CN113378863B (zh) | 一种图像处理方法及装置、电子设备和存储介质 | |
CN113110931A (zh) | 内核运算优化方法、装置及*** | |
CN115098262B (zh) | 一种多神经网络任务处理方法及装置 | |
CN108984294B (zh) | 资源调度方法、装置及存储介质 | |
EP4021064B1 (en) | Data processing method and apparatus, electronic device and computer-readable storage medium | |
CN110727462B (zh) | 数据处理器和数据处理方法 | |
CN115086232B (zh) | 任务处理及数据流生成方法和装置 | |
CN113905083A (zh) | 用户代码运行方法及装置、电子设备和存储介质 | |
EP3809336B1 (en) | Method, device and storage medium for processing overhead of memory access | |
CN116432737A (zh) | 基于深度学习的模型压缩训练的方法、装置和设备 | |
CN115098107B (zh) | 神经网络任务的代码生成方法和装置 | |
CN114118397A (zh) | 神经网络方法及装置、电子设备和存储介质 | |
CN113886053B (zh) | 一种任务调度方法、装置和用于任务调度的装置 | |
CN113094171B (zh) | 数据处理方法、装置、电子设备和存储介质 | |
CN115099391A (zh) | 神经网络任务处理方法、装置、电子设备以及存储介质 | |
WO2023240420A1 (zh) | 提供ai服务的方法、装置、设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |