CN116523051A - 一种模型混精推理方法、装置、设备及存储介质 - Google Patents
一种模型混精推理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116523051A CN116523051A CN202310524663.2A CN202310524663A CN116523051A CN 116523051 A CN116523051 A CN 116523051A CN 202310524663 A CN202310524663 A CN 202310524663A CN 116523051 A CN116523051 A CN 116523051A
- Authority
- CN
- China
- Prior art keywords
- precision
- segment
- model
- calculation
- computing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000004364 calculation method Methods 0.000 claims abstract description 91
- 238000002156 mixing Methods 0.000 claims abstract description 40
- 238000013136 deep learning model Methods 0.000 claims abstract description 36
- 230000011218 segmentation Effects 0.000 claims abstract description 12
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 11
- 230000004992 fission Effects 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 13
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012821 model calculation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 210000000582 semen Anatomy 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种模型混精推理方法、装置、设备及存储介质，包括：将输入样本输入至芯片内的深度学习模型中，通过芯片内的计算节点对输入样本进行计算，得到float32类型的目标结果；获取模型的分段列表，根据模型针对各分段在预设精度选择参数下的混精结果及目标结果，对各分段的精度选择参数进行调整；将每个分段中各计算节点的目标精度选择参数，作为控制信号输入至控制节点中，通过芯片内的控制节点选择匹配的精度计算分支，并通过计算节点根据精度计算分支完成混精推理。本发明实施例的技术方案可以有效获取满足模型精度要求的混精推理方案，提高模型的混精推理效率。
Description
技术领域
本发明涉及计算机技术领域，尤其涉及一种模型混精推理方法、装置、设备及存储介质。
背景技术
深度学习模型混合精度推理方法是指，通过混合使用float16和float32数据类型来加速深度神经网络推理的过程，并减少内存使用和存取，从而可以推理更大的神经网络。
现有芯片的计算框架(如Tensorflow或Pytorch)在混精推理时，通常有两种方式，第一种是由用户自定义模型中每个计算节点使用的推理精度(如float32或float16)；第二种是根据框架定义的黑白名单进行选择。
但是，第一种方式需要用户具备较强的模型计算理论知识，第二种方式并不一定可以找到满足精度要求的混精推理方案；并且现有的推理框架(如TensorRT等)在做混精推理方案构建时，需要使用迭代方式寻找有效的混精方案，每次迭代都需要芯片对模型进行编译，随着迭代次数上升，编译时间相应成倍增加。
发明内容
本发明提供了一种模型混精推理方法、装置、设备及存储介质，可以有效获取满足模型精度要求的混精推理方案，提高模型的混精推理效率；节省芯片在模型混精推理过程中的计算资源。
根据本发明的一方面，提供了一种模型混精推理方法，所述方法包括：
将输入样本输入至芯片内的深度学习模型中，通过芯片内与深度学习模型对应的多个计算节点对输入样本进行计算，得到float32类型的目标结果；每个计算节点的初始精度选择参数为true；
获取所述模型对应的分段列表，根据模型针对各分段在预设精度选择参数下的混精结果，以及所述目标结果，对各分段对应的精度选择参数进行调整；其中，每个分段中包括至少一个计算节点；
将每个分段中各计算节点对应的目标精度选择参数，作为控制信号输入至各计算节点对应的控制节点中，通过所述芯片内的控制节点根据所述控制信号选择与计算节点匹配的精度计算分支，并通过计算节点根据所述精度计算分支完成混精推理；
其中，每个计算节点预先对应float32精度计算分支以及float16精度计算分支。
可选的，在将输入样本输入至芯片内的深度学习模型之前，还包括：
对所述模型中包括的多个拓扑结构进行排序；
根据拓扑排序结果，对各拓扑结构对应的计算节点添加float16精度计算分支。
可选的，在获取所述模型对应的分段列表之后，还包括：
根据各所述分段对应的分段类型，对各所述分段对应的精度选择参数进行预设；
将所述输入样本输入至深度学习模型，通过所述模型根据各所述分段对应的预设精度选择参数，对所述输入样本进行处理得到混精结果。
可选的，根据各所述分段对应的分段类型，对各所述分段对应的精度选择参数进行预设，包括：
在所述分段列表中获取最长分段、已知数据类型分段以及未知数据类型分段；
将所述最长分段对应的精度选择参数设为false；
根据所述已知数据类型分段对应的目标数据类型，将所述已知数据类型分段对应的精度选择参数设为true或false；
将所述未知数据类型分段对应的精度选择参数设为true。
可选的，根据模型针对各分段在预设精度选择参数下的混精结果，以及所述目标结果，对各分段对应的精度选择参数进行调整，包括：
根据所述混精结果以及所述目标结果，构建评价标准；
根据所述评价标准，判断所述混精结果是否合格；
若是，则将所述最长分段中各计算节点对应的精度选择参数设为false，并在分段列表中将所述最长分段进行移除，然后返回执行在所述分段列表中获取最长分段的操作。
可选的，在根据所述评价标准，判断所述混精结果是否合格之后，还包括：
若否，则判断所述最长分段是否具备裂变条件；
若是，则将所述最长分段裂变为第一分段和第二分段，并将所述第一分段和第二分段添加至分段列表中，然后返回执行在所述分段列表中获取最长分段的操作。
可选的，在将每个分段中各计算节点对应的目标精度选择参数，作为控制信号输入至各计算节点对应的控制节点之前，还包括：
判断所述分段列表是否为空；
若是，则获取每个分段中各计算节点对应的当前精度选择参数，并将所述当前精度选择参数作为目标精度选择参数。
根据本发明的另一方面，提供了一种模型混精推理装置，所述装置包括：
目标结果生成模块，用于将输入样本输入至芯片内的深度学习模型中，通过芯片内与深度学习模型对应的多个计算节点对输入样本进行计算，得到float32类型的目标结果；每个计算节点的初始精度选择参数为true；
参数调整模块，用于获取所述模型对应的分段列表，根据所述模型针对各分段在预设精度选择参数下的混精结果，以及所述目标结果，对各分段对应的精度选择参数进行调整；其中，每个分段中包括至少一个计算节点；
分支选择模块，用于将每个分段中各计算节点对应的目标精度选择参数，作为控制信号输入至各计算节点对应的控制节点中，通过所述芯片内的控制节点根据所述控制信号选择与计算节点匹配的精度计算分支，并通过计算节点根据所述精度计算分支完成混精推理；
其中，每个计算节点预先对应float32精度计算分支以及float16精度计算分支。
根据本发明的另一方面，提供了一种电子设备，所述设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的模型混精推理方法。
根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的模型混精推理方法。
本发明实施例提供的技术方案，通过将输入样本输入至芯片内的深度学习模型中，通过芯片内与深度学习模型对应的多个计算节点对输入样本进行计算，得到float32类型的目标结果，获取模型对应的分段列表，根据模型针对各分段在预设精度选择参数下的混精结果，以及目标结果对各分段对应的精度选择参数进行调整，将每个分段中各计算节点对应的目标精度选择参数，作为控制信号输入至各计算节点对应的控制节点中，通过所述芯片内的控制节点根据控制信号选择与计算节点匹配的精度计算分支，并通过计算节点根据精度计算分支完成混精推理的技术手段，可以有效获取满足模型精度要求的混精推理方案，提高模型的混精推理效率，节省芯片在模型混精推理过程中的计算资源。
本发明实施例提供的技术方案，可以应用于文本检测、以及图像识别领域中。当深度学习模型在fp16精度推理下，出现上溢出和下溢出导致推理错误时，通过本实施例的技术方案可以自动校正溢出部分，将溢出节点使用fp32精度进行推理。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例提供的一种模型混精推理方法的流程图；
图2是根据本发明实施例提供的另一种模型混精推理方法的流程图；
图3是根据本发明实施例提供的另一种模型混精推理方法的流程图；
图4是根据本发明实施例提供的一种模型混精推理装置的结构示意图；
图5是实现本发明实施例的模型混精推理方法的电子设备结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明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数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。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，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，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步骤或单元。
图1为本发明实施例一提供的一种模型混精推理方法的流程图，本实施例可适用于对深度学习模型进行混合精度推理的情况，该方法可以由模型混精推理装置来执行，该模型混精推理装置可以采用硬件和/或软件的形式实现，该模型混精推理装置可配置于电子设备中。如图1所示，该方法包括：
步骤110、将输入样本输入至芯片内的深度学习模型中，通过芯片内与深度学习模型对应的多个计算节点对输入样本进行计算，得到float32类型的目标结果。
在本实施例中，所述输入样本可以为用户选择的，深度学习模型对应的学习样本。获取到输入样本后，可以将所述输入样本输入至模型中，通过芯片内的各计算节点，按照初始精度选择参数对所述输入样本进行计算，得到float32类型的目标结果。具体的，所述精度选择参数用于表征计算节点在处理数据时采用的计算精度。
在一个具体的实施例中，每个计算节点预先对应float32精度计算分支以及float16精度计算分支。每个计算节点的初始精度选择参数可以为true，也即在此步骤中，每个计算节点可以采用float32精度计算分支对输入样本进行计算。
步骤120、获取所述模型对应的分段列表，根据模型针对各分段在预设精度选择参数下的混精结果，以及所述目标结果，对各分段对应的精度选择参数进行调整。
在本实施例中，所述模型中的多个计算节点可以构成多个分段，多个分段形成了所述分段列表。其中，每个分段中可以包括至少一个计算节点。
在此步骤中，获取到模型对应的分段列表后，可以对每个分段中计算节点的精度选择参数进行预设(例如设置为true或false)，然后通过各计算节点在预设精度选择参数下，混合使用float16和float32精度计算分支，对输入样本进行处理，得到混精结果。
在一个具体的实施例中，可选的，获取到上述混精结果后，可以根据目标结果判断混精结果是否满足预设标准，若否，则对各分段对应的精度选择参数进行调整，并重新获取新的混精结果，直至混精结果满足预设标准为止。
步骤130、将每个分段中各计算节点对应的目标精度选择参数，作为控制信号输入至各计算节点对应的控制节点中，通过所述芯片内的控制节点根据所述控制信号选择与计算节点匹配的精度计算分支，并通过所述精度计算分支完成混精推理。
在本实施例中，可以将各分段经过调整后的精度选择参数，作为各分段中计算节点对应的目标精度选择参数。在获取到计算节点对应的目标精度选择参数后，可以将所述目标精度选择参数作为控制信号，输入到与该计算节点对应的控制节点中。
在一个具体的实施例中，如果所述目标精度选择参数为“true”，则控制节点可以选择与计算节点匹配的float32精度计算分支，并通过该计算分支对数据进行处理；反之，如果所述目标精度选择参数为“false”，则控制节点可以选择与计算节点匹配的float16精度计算分支，并通过该计算分支对数据进行处理，由此完成混精推理。
在本实施例中，通过在模型混精推理之前，预先确定好模型中各计算节点匹配的精度计算分支，可以实现在模型混精推理过程中，对模型进行一次编译，由此可以避免芯片对模型进行多次编译造成的时间消耗；其次，通过根据目标结果以及混精结果，对各分段的精度选择参数进行调整的实施方式，可以有效获取满足模型精度要求的混精推理方案，无需用户具备较强的模型计算理论知识。
通过将输入样本输入至芯片内的深度学习模型中，通过芯片内与深度学习模型对应的多个计算节点对输入样本进行计算，得到float32类型的目标结果，获取模型对应的分段列表，根据模型针对各分段在预设精度选择参数下的混精结果，以及目标结果对各分段对应的精度选择参数进行调整，将每个分段中各计算节点对应的目标精度选择参数，作为控制信号输入至各计算节点对应的控制节点中，通过所述芯片内的控制节点根据控制信号选择与计算节点匹配的精度计算分支，并通过计算节点根据精度计算分支完成混精推理的技术手段，可以有效获取满足模型精度要求的混精推理方案，提高模型的混精推理效率，节省芯片在模型混精推理过程中的计算资源。
图2为本发明实施例二提供的一种模型混精推理方法的流程图，本实施例是对上述实施例的进一步细化。如图2所示，该方法包括：
步骤210、对模型中包括的多个拓扑结构进行排序，根据拓扑排序结果，对各拓扑结构对应的计算节点添加float16精度计算分支。
在此步骤中，可以先获取模型中包括的多个拓扑结构，然后对多个拓扑结构进行排序，并根据拓扑排序结果，依次获取每个拓扑结构对应的多个计算节点。其中，每个计算节点预先对应一个float32精度节点，所述计算节点与float32精度节点构成了float32精度计算分支。
在获取到多个计算节点后，可以对每个计算节点添加一个精度转换节点(即f32/f16数据类型转换节点)，由此形成了计算节点的float16精度计算分支。
在本实施例中，芯片中的每个计算节点可以对应一个控制节点。所述控制节点可以与，计算节点对应的高低精度两个计算分支融合为一个算子来执行，由此避免芯片的算力和存储资源造成浪费。
步骤220、将输入样本输入至芯片内的深度学习模型中，通过芯片内与深度学习模型对应的多个计算节点对输入样本进行计算，得到float32类型的目标结果；每个计算节点的初始精度选择参数为true。
步骤230、获取模型对应的分段列表，根据各所述分段对应的分段类型，对各所述分段对应的精度选择参数进行预设。
在此步骤中，可选的，可以根据不同的分段类型，对各分段预设不同的精度选择参数，以使各计算节点在预设精度选择参数下，混合使用float16和float32精度计算分支，对输入样本进行处理，得到混精结果。
步骤240、将所述输入样本输入至深度学习模型，通过所述模型根据各所述分段对应的预设精度选择参数，对所述输入样本进行处理得到混精结果。
步骤250、根据模型针对各分段在预设精度选择参数下的混精结果，以及所述目标结果，对各分段对应的精度选择参数进行调整。
步骤260、将每个分段中各计算节点对应的目标精度选择参数，作为控制信号输入至各计算节点对应的控制节点中，通过芯片内的控制节点根据所述控制信号选择与计算节点匹配的精度计算分支，并通过计算节点根据所述精度计算分支完成混精推理。
本发明实施例提供的技术方案，通过对模型中包括的多个拓扑结构进行排序，根据拓扑排序结果对各拓扑结构对应的计算节点添加float16精度计算分支，将预设的输入样本输入至模型中，通过芯片内与深度学习模型对应的多个计算节点对输入样本进行计算，得到float32类型的目标结果，获取模型的分段列表，根据各分段的分段类型对各分段的精度选择参数进行预设，将输入样本输入至深度学习模型，通过模型根据各分段的预设精度选择参数，对输入样本进行处理得到混精结果，根据混精结果以及所述目标结果，对各分段对应的精度选择参数进行调整，将各计算节点的目标精度选择参数作为控制信号输入至控制节点中，通过芯片内的控制节点选择精度计算分支，并通过精度计算分支完成混精推理的技术手段，可以有效获取满足模型精度要求的混精推理方案，提高模型的混精推理效率；节省芯片在模型混精推理过程中的计算资源。
图3为本发明实施例三提供的另一种模型混精推理方法的流程图，本实施例是对上述实施例的进一步细化。如图3所示，该方法包括：
步骤310、将输入样本输入至芯片内的深度学习模型中，通过芯片内与深度学习模型对应的多个计算节点对输入样本进行计算，得到float32类型的目标结果；每个计算节点的初始精度选择参数为true。
步骤320、获取所述模型对应的分段列表，在所述分段列表中获取最长分段、已知数据类型分段以及未知数据类型分段。
在本实施例中，已知数据类型分段可以为，已经确定使用特定计算精度的分段。未知数据类型分段可以为，计算精度未知并且等待进行精度选择参数调整的分段。
步骤330、将所述最长分段对应的精度选择参数设为false；根据所述已知数据类型分段对应的目标数据类型，将所述已知数据类型分段对应的精度选择参数设为true或false；将所述未知数据类型分段对应的精度选择参数设为true。
在此步骤中，可以将最长分段的精度选择参数设为false，也即最长分段中每个计算节点采用float16精度计算分支进行计算。
如果已知数据类型分段中确定使用float16精度，则对应的精度选择参数可以设为false，反之，如果确定使用float32精度，则对应的精度选择参数可以设为true。
步骤340、将输入样本输入至深度学习模型，通过所述模型根据各所述分段对应的预设精度选择参数，对所述输入样本进行处理得到混精结果。
步骤350、根据所述混精结果以及所述目标结果，构建评价标准，并根据所述评价标准，判断所述混精结果是否合格，若是，执行步骤360，若否，执行步骤370。
步骤360、将最长分段中各计算节点对应的精度选择参数设为false，并在分段列表中将所述最长分段进行移除，然后返回执行步骤320中在所述分段列表中获取最长分段的操作。
在此步骤中，如果上述混精结果合格，则可以将所述最长分段进行移除，然后在分段列表中重新获取最长分段，得到新的混精结果。
步骤370、如果最长分段是否具备裂变条件，则将所述最长分段裂变为第一分段和第二分段，并将所述第一分段和第二分段添加至分段列表中，然后返回执行步骤320中在所述分段列表中获取最长分段的操作。
在本实施例的一个实施方式中，如果最长分段的分段长度(也即该分段中计算节点的数量)大于1，则可以认为最长分段具备裂变条件。在这种情况下，可以采用二分法对最长分段进行裂变，得到第一分段和第二分段，然后将所述第一分段和第二分段添加至分段列表中，重新在分段列表中获取最长分段，得到新的混精结果，直至混精结果合格为止。
在本实施例的一个实施方式中，如果最长分段的分段长度等于1，则可以认为最长分段不具备裂变条件。在这种情况下，可以将所述最长分段的精度选择参数设为true，并在分段列表中将所述最长分段进行移除。
步骤380、如果分段列表为空，则将每个分段中各计算节点对应的目标精度选择参数，作为控制信号输入至各计算节点对应的控制节点中，通过所述控制节点根据所述控制信号选择与计算节点匹配的精度计算分支，并通过所述精度计算分支完成混精推理。
在本实施例中，每处理完一个分段，则可以判断分段列表是否为空，若是，则可以获取每个分段中各计算节点对应的当前精度选择参数，并将所述当前精度选择参数作为目标精度选择参数。
本发明实施例提供的技术方案，通过将输入样本输入至模型中得到float32类型的目标结果，将最长分段的精度选择参数设为false，将已知数据类型分段的精度选择参数设为true或false，将未知数据类型分段的精度选择参数设为true，通过模型根据预设精度选择参数对输入样本进行处理得到混精结果，如果混精结果合格则将最长分段中各计算节点的精度选择参数设为false，并将最长分段进行移除然后返回执行获取最长分段的操作，如果不合格则判断最长分段是否具备裂变条件，若是，则将最长分段裂变为第一分段和第二分段，并将第一分段和第二分段添加至分段列表中，然后返回获取最长分段的操作，如果分段列表为空，则将各计算节点的目标精度选择参数作为控制信号输入至控制节点中，通过控制节点选择精度计算分支，并通过精度计算分支完成混精推理的技术手段，可以有效获取满足模型精度要求的混精推理方案，提高模型的混精推理效率。
图4为本发明实施例四提供的一种模型混精推理装置的结构示意图，所述装置应用于电子设备中。如图4所示，该装置包括：目标结果生成模块410、参数调整模块420和分支选择模块430。
其中，目标结果生成模块410，用于将输入样本输入至芯片内的深度学习模型中，通过芯片内与深度学习模型对应的多个计算节点对输入样本进行计算，得到float32类型的目标结果；每个计算节点的初始精度选择参数为true；
参数调整模块420，用于获取所述模型对应的分段列表，根据所述模型针对各分段在预设精度选择参数下的混精结果，以及所述目标结果，对各分段对应的精度选择参数进行调整；其中，每个分段中包括至少一个计算节点；
分支选择模块430，用于将每个分段中各计算节点对应的目标精度选择参数，作为控制信号输入至各计算节点对应的控制节点中，通过所述芯片内的控制节点根据所述控制信号选择与计算节点匹配的精度计算分支，并通过计算节点根据所述精度计算分支完成混精推理；
其中，每个计算节点预先对应float32精度计算分支以及float16精度计算分支。
本发明实施例提供的技术方案，通过将输入样本输入至芯片内的深度学习模型中，通过芯片内与深度学习模型对应的多个计算节点对输入样本进行计算，得到float32类型的目标结果，获取模型对应的分段列表，根据模型针对各分段在预设精度选择参数下的混精结果，以及目标结果对各分段对应的精度选择参数进行调整，将每个分段中各计算节点对应的目标精度选择参数，作为控制信号输入至各计算节点对应的控制节点中，通过所述芯片内的控制节点根据控制信号选择与计算节点匹配的精度计算分支，并通过计算节点根据精度计算分支完成混精推理的技术手段，可以有效获取满足模型精度要求的混精推理方案，提高模型的混精推理效率，节省芯片在模型混精推理过程中的计算资源。
在上述实施例的基础上，所述装置还包括：
拓扑排序模块，用于对所述模型中包括的多个拓扑结构进行排序；
分支添加模块，用于根据拓扑排序结果，对各拓扑结构中的计算节点添加float16精度计算分支。
参数调整模块420包括：
参数预设单元，用于根据各所述分段对应的分段类型，对各所述分段对应的精度选择参数进行预设；
样本输入单元，用于将所述输入样本输入至深度学习模型，通过所述模型根据各所述分段对应的预设精度选择参数，对所述输入样本进行处理得到混精结果；
分段获取单元，用于在所述分段列表中获取最长分段、已知数据类型分段以及未知数据类型分段；
分段参数设置单元，用于将所述最长分段对应的精度选择参数设为false；根据所述已知数据类型分段对应的目标数据类型，将所述已知数据类型分段对应的精度选择参数设为true或false；将所述未知数据类型分段对应的精度选择参数设为true；
评价标准构建单元，用于根据所述混精结果以及所述目标结果，构建评价标准；
混精结果判断单元，用于根据所述评价标准，判断所述混精结果是否合格；
分段移除单元，用于当混精结果合格时，则将所述最长分段中各计算节点对应的精度选择参数设为false，并在分段列表中将所述最长分段进行移除，然后返回执行在所述分段列表中获取最长分段的操作；
分段判断单元，用于判断所述最长分段是否具备裂变条件；
裂变单元，用于当最长分段具备裂变条件时，则将所述最长分段裂变为第一分段和第二分段，并将所述第一分段和第二分段添加至分段列表中，然后返回执行在所述分段列表中获取最长分段的操作；
分段列表判断单元，用于判断所述分段列表是否为空；若是，则获取每个分段中各计算节点对应的当前精度选择参数，并将所述当前精度选择参数作为目标精度选择参数。
上述装置可执行本发明前述所有实施例所提供的方法，具备执行上述方法相应的功能模块和有益效果。未在本发明实施例中详尽描述的技术细节，可参见本发明前述所有实施例所提供的方法。
图5示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图5所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如模型混精推理方法。
在一些实施例中，模型混精推理方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的模型混精推理方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行模型混精推理方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的***和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将***的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (10)
1.一种模型混精推理方法，其特征在于，所述方法包括：
将输入样本输入至芯片内的深度学习模型中，通过芯片内与深度学习模型对应的多个计算节点对输入样本进行计算，得到float32类型的目标结果；每个计算节点的初始精度选择参数为true；
获取所述模型对应的分段列表，根据模型针对各分段在预设精度选择参数下的混精结果，以及所述目标结果，对各分段对应的精度选择参数进行调整；其中，每个分段中包括至少一个计算节点；
将每个分段中各计算节点对应的目标精度选择参数，作为控制信号输入至各计算节点对应的控制节点中，通过所述芯片内的控制节点根据所述控制信号选择与计算节点匹配的精度计算分支，并通过计算节点根据所述精度计算分支完成混精推理；
其中，每个计算节点预先对应float32精度计算分支以及float16精度计算分支。
2.根据权利要求1所述的方法，其特征在于，在将输入样本输入至芯片内的深度学习模型之前，还包括：
对所述模型中包括的多个拓扑结构进行排序；
根据拓扑排序结果，对各拓扑结构对应的计算节点添加float16精度计算分支。
3.根据权利要求1所述的方法，其特征在于，在获取所述模型对应的分段列表之后，还包括：
根据各所述分段对应的分段类型，对各所述分段对应的精度选择参数进行预设；
将所述输入样本输入至深度学习模型，通过所述模型根据各所述分段对应的预设精度选择参数，对所述输入样本进行处理得到混精结果。
4.根据权利要求3所述的方法，其特征在于，根据各所述分段对应的分段类型，对各所述分段对应的精度选择参数进行预设，包括：
在所述分段列表中获取最长分段、已知数据类型分段以及未知数据类型分段；
将所述最长分段对应的精度选择参数设为false；
根据所述已知数据类型分段对应的目标数据类型，将所述已知数据类型分段对应的精度选择参数设为true或false；
将所述未知数据类型分段对应的精度选择参数设为true。
5.根据权利要求4所述的方法，其特征在于，根据模型针对各分段在预设精度选择参数下的混精结果，以及所述目标结果，对各分段对应的精度选择参数进行调整，包括：
根据所述混精结果以及所述目标结果，构建评价标准；
根据所述评价标准，判断所述混精结果是否合格；
若是，则将所述最长分段中各计算节点对应的精度选择参数设为false，并在分段列表中将所述最长分段进行移除，然后返回执行在所述分段列表中获取最长分段的操作。
6.根据权利要求5所述的方法，其特征在于，在根据所述评价标准，判断所述混精结果是否合格之后，还包括：
若否，则判断所述最长分段是否具备裂变条件；
若是，则将所述最长分段裂变为第一分段和第二分段，并将所述第一分段和第二分段添加至分段列表中，然后返回执行在所述分段列表中获取最长分段的操作。
7.根据权利要求1所述的方法，其特征在于，在将每个分段中各计算节点对应的目标精度选择参数，作为控制信号输入至各计算节点对应的控制节点之前，还包括：
判断所述分段列表是否为空；
若是，则获取每个分段中各计算节点对应的当前精度选择参数，并将所述当前精度选择参数作为目标精度选择参数。
8.一种模型混精推理装置，其特征在于，所述装置包括：
目标结果生成模块，用于将输入样本输入至芯片内的深度学习模型中，通过芯片内与深度学习模型对应的多个计算节点对输入样本进行计算，得到float32类型的目标结果；每个计算节点的初始精度选择参数为true；
参数调整模块，用于获取所述模型对应的分段列表，根据所述模型针对各分段在预设精度选择参数下的混精结果，以及所述目标结果，对各分段对应的精度选择参数进行调整；其中，每个分段中包括至少一个计算节点；
分支选择模块，用于将每个分段中各计算节点对应的目标精度选择参数，作为控制信号输入至各计算节点对应的控制节点中，通过所述芯片内的控制节点根据所述控制信号选择与计算节点匹配的精度计算分支，并通过计算节点根据所述精度计算分支完成混精推理；
其中，每个计算节点预先对应float32精度计算分支以及float16精度计算分支。
9.一种电子设备，其特征在于，所述设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的模型混精推理方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的模型混精推理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310524663.2A CN116523051A (zh) | 2023-05-10 | 2023-05-10 | 一种模型混精推理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310524663.2A CN116523051A (zh) | 2023-05-10 | 2023-05-10 | 一种模型混精推理方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116523051A true CN116523051A (zh) | 2023-08-01 |
Family
ID=87408020
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310524663.2A Pending CN116523051A (zh) | 2023-05-10 | 2023-05-10 | 一种模型混精推理方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116523051A (zh) |
-
2023
- 2023-05-10 CN CN202310524663.2A patent/CN116523051A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116126346B (zh) | Ai模型的代码编译方法、装置、计算机设备及存储介质 | |
| CN117032938A (zh) | 一种算子的并行调度方法、装置、电子设备及存储介质 | |
| CN116382658A (zh) | Ai模型的编译方法、装置、计算机设备及存储介质 | |
| CN116303013A (zh) | 源码分析方法、装置、电子设备及存储介质 | |
| CN116126719A (zh) | 接口测试方法、装置、电子设备及存储介质 | |
| CN116523051A (zh) | 一种模型混精推理方法、装置、设备及存储介质 | |
| CN117827710B (zh) | 基于ai芯片的dma带宽确定方法、装置、设备及介质 | |
| CN115293083B (zh) | 集成电路时序预测方法、装置、电子设备及存储介质 | |
| CN115878783B (zh) | 文本处理方法、深度学习模型训练方法以及样本生成方法 | |
| CN116629810B (zh) | 基于建筑办公***的操作推荐方法、装置、设备和介质 | |
| CN115511047B (zh) | Softmax模型的量化方法、装置、设备及介质 | |
| CN116108589B (zh) | 一种型芯模型构建方法、装置、设备及介质 | |
| CN116933896B (zh) | 一种超参数确定及语义转换方法、装置、设备及介质 | |
| CN116205279A (zh) | 深度学习模型的硬件调度执行方法、装置、设备及介质 | |
| CN116932348A (zh) | 一种智能算法性能分析方法、装置、电子设备及介质 | |
| CN117608589A (zh) | 代码生成方法、装置、电子设备及存储介质 | |
| CN118300997A (zh) | 一种基于深度神经学习模型的dma带宽确定方法及介质 | |
| CN117194018A (zh) | 一种多核多芯片环境下***控温算法的处理方法及装置 | |
| CN114816758A (zh) | 资源分配方法和装置 | |
| CN117271113A (zh) | 任务执行方法、装置、电子设备和存储介质 | |
| CN117576422A (zh) | 一种数据处理方法、装置、电子设备及存储介质 | |
| CN117632748A (zh) | 冒烟测试用例的确定方法、装置、电子设备及存储介质 | |
| CN118261303A (zh) | 碳减排方案大模型的优化方法、设备及存储介质 | |
| CN116820041A (zh) | 控制器控制逻辑功能的比较方法、装置、设备及存储介质 | |
| CN117472774A (zh) | 界面测试方法、装置、电子设备和存储介质 |
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 |