CN116561075A - 动态链接库文件的生成方法、算子的调用方法及装置 - Google Patents
动态链接库文件的生成方法、算子的调用方法及装置 Download PDFInfo
- Publication number
- CN116561075A CN116561075A CN202310546370.4A CN202310546370A CN116561075A CN 116561075 A CN116561075 A CN 116561075A CN 202310546370 A CN202310546370 A CN 202310546370A CN 116561075 A CN116561075 A CN 116561075A
- Authority
- CN
- China
- Prior art keywords
- operator
- target
- file
- link library
- dynamic link
- 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
- 238000000034 method Methods 0.000 title claims abstract description 84
- 230000006870 function Effects 0.000 claims abstract description 74
- 238000013135 deep learning Methods 0.000 claims abstract description 51
- 238000004590 computer program Methods 0.000 claims description 14
- 238000013507 mapping Methods 0.000 claims description 12
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 43
- 230000003068 static effect Effects 0.000 description 26
- 230000004069 differentiation Effects 0.000 description 13
- 238000004891 communication Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 9
- 238000013136 deep learning model Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 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
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/10—File systems; File servers
- G06F16/16—File or folder operations, e.g. details of user interfaces specifically adapted to file systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/10—File systems; File servers
- G06F16/17—Details of further file system functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/10—File systems; File servers
- G06F16/17—Details of further file system functions
- G06F16/172—Caching, prefetching or hoarding of files
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/166—Editing, e.g. inserting or deleting
- G06F40/186—Templates
-
- 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)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Human Computer Interaction (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Stored Programmes (AREA)
Abstract
本公开提供了动态链接库文件的生成方法、算子的调用方法及装置,涉及人工智能技术领域,尤其涉及深度学习技术领域。动态链接库文件的生成方法的具体实现方案为:获取可执行文件生成模板;从张量配置信息中得到算子核函数的名称信息;根据算子核函数的名称信息,从算子配置信息中得到算子核函数的参数信息;以及根据名称信息、参数信息和可执行文件生成模板,生成动态链接库文件,其中,动态链接库文件包括同一算子在不同运行场景的多个可执行文件。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及深度学习技术领域,具体涉及一种动态链接库文件的生成方法、算子的调用方法及装置。
背景技术
张量作为深度学习框架中的基本数据单元,在利用深度学习框架搭建人工智能模型时,通常是将张量作为输入,通过调用深度学习框架中的算子以完成特定的运算逻辑。
发明内容
本公开提供了一种动态链接库文件的生成方法、算子的调用方法及装置。
根据本公开的一方面,提供了一种动态链接库文件的生成方法,包括:获取可执行文件生成模板;从张量配置信息中得到算子核函数的名称信息;根据算子核函数的名称信息,从算子配置信息中得到算子核函数的参数信息;以及根据名称信息、参数信息和可执行文件生成模板,生成动态链接库文件,其中,动态链接库文件包括同一算子在不同运行场景的多个可执行文件。
根据本公开的另一方面,提供了一种深度学习框架算子的调用方法,包括:根据用于调用目标算子的源代码,确定目标运行场景和目标算子,其中,目标运行场景指示了目标算子的调用方式和目标算子的运行模式;根据目标运行场景和目标算子,从动态链接库文件中得到目标可执行文件,其中,动态链接库文件是利用上述动态链接库文件的生成方法生成的;以及通过运行目标可执行文件,以执行目标算子的运算逻辑。
根据本公开的另一方面,提供了一种动态链接库文件的生成装置,包括:获取模块、第一获得模块、第二获得模块和生成模块。获取模块,用于获取可执行文件生成模板。第一获得模块,用于从张量配置信息中得到算子核函数的名称信息。第二获得模块,用于根据算子核函数的名称信息,从算子配置信息中得到算子核函数的参数信息。生成模块,用于根据名称信息、参数信息和可执行文件生成模板,生成动态链接库文件,其中,动态链接库文件包括同一算子在不同运行场景的多个可执行文件。
根据本公开的另一方面,提供了一种深度学习框架算子的调用装置,包括:确定模块、第三获得模块和运行模块。确定模块,用于根据用于调用目标算子的源代码,确定目标运行场景和目标算子,其中,目标运行场景指示了目标算子的调用方式和目标算子的运行模式。第三获得模块,用于根据目标运行场景和目标算子,从动态链接库文件中得到目标可执行文件,其中,动态链接库文件是利用上述动态链接库文件的生成方法生成的。运行模块,用于通过运行目标可执行文件,以执行目标算子的运算逻辑。
根据本公开的另一方面,提供了一种电子设备,包括:至少一个处理器;以及与上述至少一个处理器通信连接的存储器;其中,上述存储器存储有可被上述至少一个处理器执行的指令,上述指令被上述至少一个处理器执行,以使上述至少一个处理器能够执行如上的方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使上述计算机执行如上所述的方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,上述计算机程序在被处理器执行时实现如上的方法。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1示意性示出了根据本公开实施例的可以应用动态链接库文件的生成方法或深度学习框架算子的调用方法及装置的示例性***架构;
图2示意性示出了根据本公开实施例的动态链接库文件的生成方法的流程图;
图3示意性示出了根据本公开实施例的根据张量配置信息和算子配置信息生成动态链接库文件的示意图;
图4示意性示出了根据本公开实施例的按照算子的运行场景对源代码文件进行分别编译得到不同运行场景的动态链接库文件的示意图;
图5示意性示出了根据本公开实施例的深度学习框架算子的调用方法的流程图;
图6示意性示出了根据本公开实施例的深度学习框架算子的调用方法的示意图;
图7示意性示出了根据本公开实施例的动态链接库文件的生成装置的框图;
图8示意性示出了根据本公开实施例的深度学习框架算子的调用装置的框图;以及
图9示意性示出了根据本公开实施例的适于实现动态链接库文件的生成方法或深度学习框架算子的调用方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
张量作为深度学习框架中基本的数据单元,在利用深度学习框架搭建人工智能模型的过程中,通常会对张量频繁操作,例如:将一个或多个张量作为输入,然后调用一个或多个算子,以完成特定的运算逻辑。
相关技术中,由于运行场景的不同,对张量操作的方法也存在差异。例如:在前向运算的动态图场景中,通常采用的是函数式调用。但是,在前向运算的静态图场景中,通常采用的是结构体式调用。因此,当利用现有的深度学习框架搭建人工智能模型时,需要根据不同的运行场景对算子调用方式的要求,编写用于调用算子的源代码,容易导致源代码冗长,提高了深度学习框架的应用难度,降低了用户体验。
有鉴于此,本公开实施例提供了一种动态链接库文件的生成方法,根据张量配置信息、算子配置信息和可执行文件生成模板,生成包括同一算子在不同运行场景的多个可执行文件的动态链接库文件,以便可以根据当前的运行场景自动适配用于调用算子的可执行文件,降低了用于调用算子的源代码的编写难度和深度学习框架的应用难度,能够有效提高用户体验。
图1示意性示出了根据本公开实施例的可以应用动态链接库文件的生成方法或深度学习框架算子的调用方法及装置的示例性***架构。
需要注意的是,图1所示仅为可以应用本公开实施例的***架构的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、***、环境或场景。例如,在另一实施例中,可以应用动态链接库文件的生成方法或深度学习框架算子的调用方法及装置的示例性***架构可以包括终端设备,但终端设备可以无需与服务器进行交互,即可实现本公开实施例提供的动态链接库文件的生成方法或深度学习框架算子的调用方法及装置。
如图1所示,根据该实施例的***架构1 00可以包括第一终端设备101、第二终端设备102、第三终端设备103,网络104和服务器105。网络104用以在第一终端设备101、第二终端设备102、第三终端设备103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线和/或无线通信链路等等。
用户可以使用第一终端设备101、第二终端设备102、第三终端设备103通过网络104与服务器105交互,以接收或发送消息等。第一终端设备101、第二终端设备102、第三终端设备103上可以安装有各种通讯客户端应用,例如知识阅读类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端和/或社交平台软件等(仅为示例)。
第一终端设备101、第二终端设备102、第三终端设备103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对用户利用第一终端设备101、第二终端设备102、第三终端设备103所浏览的内容提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理,并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
需要说明的是,本公开实施例所提供的动态链接库文件的生成方法或深度学习框架算子的调用方法一般可以由第一终端设备101、第二终端设备102、第三终端设备103执行。相应地,本公开实施例所提供的动态链接库文件的生成方法或深度学习框架算子的调用装置也可以设置于第一终端设备101、第二终端设备102、第三终端设备103中。
或者,本公开实施例所提供的动态链接库文件的生成方法或深度学习框架算子的调用方法一般也可以由服务器105执行。相应地,本公开实施例所提供的动态链接库文件的生成方法或深度学习框架算子的调用装置一般可以设置于服务器105中。本公开实施例所提供的动态链接库文件的生成方法或深度学习框架算子的调用方法也可以由不同于服务器105且能够与第一终端设备101、第二终端设备102、第三终端设备103和/或服务器105通信的服务器或服务器集群执行。相应地,本公开实施例所提供的动态链接库文件的生成方法或深度学习框架算子的调用装置也可以设置于不同于服务器1 05且能够与第一终端设备101、第二终端设备102、第三终端设备103和/或服务器105通信的服务器或服务器集群中。
例如:服务器105可以从第一终端设备101、第二终端设备102、第三终端设备103获取可执行文件的生成模板、张量配置信息和算子配置信息。然后根据从张量配置信息中得到算子核函数的名称信息,根据算子的核函数的名称信息,从算子配置信息中得到算子核函数的参数信息。最后根据算子核函数的名称信息、参数信息和可执行文件生成模板,生成动态链接库文件。或者由能够与第一终端设备101、第二终端设备102、第三终端设备103和/或服务器105通信的服务器或服务器集群获取可执行文件的生成模板、张量配置信息和算子配置信息,并最终生成动态链接库文件。
例如,在用户输入用于调用目标算子的源代码时,第一终端设备101、第二终端设备102、第三终端设备103可以获取用于调用目标算子的源代码,然后将获取的用于调用目标算子的源代码发送给服务器105,由服务器105对用于调用目标算子的源代码进行分析,确定目标运行场景和目标算子;根据目标运行场景和目标算子,从动态链接库文件中得到目标可执行文件;并运行所述目标可执行文件,以执行目标算子的运算逻辑。或者由能够与第一终端设备101、第二终端设备102、第三终端设备103和/或服务器105通信的服务器或服务器集群对用于调用目标算子的源代码进行分析,并最终实现运行目标可执行文件,以执行目标算子的运算逻辑。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
在本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供、公开和应用等处理,均符合相关法律法规的规定,采取了必要保密措施,且不违背公序良俗。
在本公开的技术方案中,在获取或采集用户个人信息之前,均获取了用户的授权或同意。
图2示意性示出了根据本公开实施例的动态链接库文件的生成方法或深度学习框架算子的调用方法的流程图。
如图2所示,该方法包括操作S210~S240。
在操作S210,获取可执行文件生成模板。
在操作S220,从张量配置信息中得到算子核函数的名称信息。
在操作S230,根据算子核函数的名称信息,从算子配置信息中得到算子核函数的参数信息。
在操作S240,根据名称信息、参数信息和可执行文件生成模板,生成动态链接库文件,其中,动态链接库文件包括同一算子在不同运行场景的多个可执行文件。
根据本公开的实施例,算子可以是张量运算的处理单元。张量可以是深度学习框架中基本的数据单元。
例如:在加法运算add(x,y)中,add表示加法算子;x、y均表示张量。
根据本公开的实施例,张量配置信息可以包括不同算子的算子核函数的名称信息。算子核函数可以包括四则运算函数、位运算函数、比较运算函数、幂指运算函数、对数运算函数等运算函数。算子配置信息中可以包括算子核函数的参数信息。
根据本公开的实施例,在可执行文件的生成模板中可以包括不同运行场景下的多个可执行文件的生成模板。运行场景可以包括运行状态和运行模式。运行状态可以指深度学习框架的运行状态,例如:静态图运行状态、动态图运行状态。运行模式可以指深度学习框架的开发模式,例如:侵入式开发模式、插件式开发模式。
根据本公开的实施例,侵入式开发模式可以是在深度学习框架的内部实现源代码的运行逻辑,通常调用的是深度学习框架内部的算子,也可以称之为自动微分模式。
根据本公开的实施例,插件式开发模式可以是在深度学习框架的外部实现源代码的运行逻辑,通常调用的是自定义算子,也可以称之为前向运算模式。
根据本公开的实施例,运行场景可以包括动态图自动微分场景、静态图自动微分场景、动态图前向运算场景和静态图前向运算场景。不同的运行场景对应不同的可执行文件生成模板。
根据本公开的实施例,根据名称信息、参数信息,可以通过调用不同运行场景的可执行文件生成模板,生成同一算子在不同运行场景的动态链接库文件。
例如:对于加法算子add,可以从张量配置信息中得到加法算子的算子核函数的名称“add”。然后,根据算子核函数的名称“add”,从算子配置信息“add(x,y)”中得到加法算子的算子核函数的参数“(x,y)”。
动态图前向运算场景的可执行文件模板可以是“***XXX(+++)”。通过调用前向运算模式的可执行文件模板,将算子核函数的名称“add”填入“***”字段,将算子核函数的参数“(x,y)”填入“(+++)”字段,得到加法算子在动态图前向运算场景的可执行文件。
根据本公开的实施例,通过张量配置信息、算子配置信息和可执行文件生成模板,生成包括同一算子在不同运行场景的多个可执行文件的动态链接库文件,以便可以根据当前的运行场景自动适配用于调用算子的可执行文件,降低了用于调用算子的源代码的编写难度和深度学习框架的应用难度,能够有效提高用户体验。
由于在算子配置文件中,同一算子核函数的参数信息是相同,例如:对于加法算子add,加法算子的算子核函数的参数信息均是“(x,y)”。因此,可以通过定义同一算子在不同运行场景的算子核函数的名称,标识不同运行场景的可执行文件。
根据本公开的实施例,上述操作S240可以包括如下操作:根据名称信息,确定算子的运行场景。根据算子的运行场景,从可执行文件生成模板中确定与运行场景对应的目标模板。通过调用目标模板,根据名称信息和参数信息,生成动态链接库文件。
例如:在动态图前向运算模式中,加法算子的核函数名称可以是add。在动态图自动微分运行模式中,加法算子的核函数的名称可以是ad_func。
根据本公开的实施例,可执行文件生成模板中可以包括:动态图自动微分场景的可执行文件生成模板、静态图自动微分场景的可执行文件生成模板、动态图前向运算场景的可执行文件生成模板和静态图前向运算场景的可执行文件生成模板。
根据本公开的实施例,通过调用目标模板,根据名称信息和参数信息,生成动态链接库文件,可以包括如下操作:通过调用目标模板,根据名称信息和参数信息,生成与算子的运行场景对应的源代码文件;根据算子在不同运行场景的多个源代码文件,生成动态链接库文件。
例如:目标模板可以是动态图自动微分场景的可执行文件生成模板:“***_ad_func(+++)”。通过调用目标模板,将算子核函数的名称填入“***”字段,将算子核函数的参数“(x,y)”填入“(+++)”字段,得到加法算子在动态图自动微分场景的可执行文件。
根据本公开的实施例,源代码文件可以包括:管理类文件、接口类的头文件、不同运行场景的源代码文件。
根据本公开的实施例,管理类文件(operants_manager)中可以定义算子、算子核函数的名称与运行场景之间的映射关系,以便根据目标算子和深度学习框架的当前运行场景确定算子核函数的名称,适配对应的源代码文件。
根据本公开的实施例,接口类的头文件(operants_base)可以定义TensorOperantsBase基类。
例如:由于在前向运算模式下可以不区分运行状态,因此,动态图前向运算场景的源代码文件和静态图前向运算场景的源代码文件,可以以相同的标识符进行标识,例如:phi标识。
例如:在自动微分运算模式下,动态图自动微分的源代码文件可以以“eager”进行标识;静态图自动微分的源代码文件可以以“static”进行标识。
根据本公开的实施例,对于深度学习框架,在动态图的运行状态下调用算子一般是以API_ad_fuc函数形式,在静态图的运行状态下调用算子一般是以append_op的结构体形式。为了简化调用算子的操作,可以将append_op的结_构体封装成函数形式,以实现无论在动态图的运行状态,还是静态图的运行状态,均采用函数形式调用算子。
例如:不同运行场景的源代码文件可以包括以下三种标识的源代码文件:“phi“标识的前向运算模式的源代码文件、“eager“标识的动态图自动微分的源代码文件、“static”标识的静态图自动微分的源代码文件。
图3示意性示出了根据本公开实施例的根据张量配置信息和算子配置信息生成动态链接库文件的示意图。
如图3所示,在实施例300中,根据张量配置信息341和算子配置信息342,通过调用可执行文件生成模板343,生成动态链接库文件344。动态链接库文件344中可以包括管理类文件3441、接口类文件3442、前向运算场景的可执行文件3443、动态图自动微分场景的可执行文件3444和静态图自动微分场景的可执行文件3445。
根据本公开的实施例,管理类文件3441中可以包括operants_manager头文件和operants_manager源文件。接口类文件3442中可以包括operants_base头文件。前向运算场景的可执行文件3443中可以包括phi_operants头文件和phi_operants源文件。动态图自动微分场景的可执行文件3444中可以包括eager_operants头文件和eager_operants源文件。静态图自动微分场景的可执行文件3445可以包括static_operants头文件和static_operants源文件。
根据本公开的实施例,通过定义同一算子在不同运行场景的算子核函数的名称,标识不同运行场景的可执行文件,在动态连接库文件中可以形成算子核函数的名称与不同运行场景的可执行文件的关联关系,以便在调用算子时可以根据深度学习框架当前的映射场景自动适配可执行文件。
根据本公开的实施例,不同运行场景的源代码文件需要经过编译,才能生成动态链接库文件。
根据本公开的实施例,根据算子在不同运行场景的多个源代码文件,生成动态链接库文件,可以包括如下操作:根据多个源代码文件的运行场景,对多个源代码文件进行分类,得到第一运行模式的源代码文件和第二运行模式的源代码文件;对第一运行模式的源代码文件进行编译,得到第一运行模式的动态链接库文件;以及对第二运行模式的源代码文件进行编译,得到第二运行模式的动态链接库文件。
根据本公开的实施例,第一运行模式可以是前向运算的运行模式。第二运行模式可以是自动微分的运行模式。
根据本公开的实施例,第一运行模式可以是前向运算的运行模式。第二运行模式可以是前向运算+自动微分的运行模式。
根据本公开的实施例,可以利用C++中的多态机制,按照运行场景将源代码文件进行分别编译,以实现编译解耦。
例如:operants_base头文件里可以定义TensorOperantsBase基类。在phi_operants头文件、eager_operants头文件和static_operants头文件里可以分别定义前向运算的派生类、动态图自动微分的派生类和静态图自动微分的派生类。
例如:将phi_operants的源文件进行独立编译,只会对operants_manager中的phi_operants成员变量进行赋值,将phi_operants实例化为子类PhiTensorOperants类型。以实现在调用前向运算场景的算子时,可以根据operants_manager头文件中算子的可执行文件与运行场景之间的映射关系,调用指定模式的派生类指针,利用多态机制调用到具体派生类对应的可执行文件。
图4示意性示出了根据本公开实施例的按照算子的运行场景对源代码文件进行分别编译得到不同运行场景的动态链接库文件的示意图。
如图4所示,在实施例400中,管理类文件3441、接口类文件3442和前向运算场景的可执行文件3443可以一起进行编译,得到前向运算场景的动态链接库文件444。管理类文件3441、接口类文件3442、动态图自动微分场景的可执行文件3444和静态图自动微分场景的可执行文件3445可以一起进行编译,得到自动微分场景的动态链接库文件445。
根据本公开的实施例,通过按照运行场景,将源代码文件进行分类编译,可以实现不同运行场景的源代码文件的编译解耦,提高深度学习模型框架算子的调用灵活性。
图5示意性示出了根据本公开实施例的深度学习框架算子的调用方法的流程图。
如图5所示,该深度学习框架算子的调用方法包括操作S510~S530。
在操作S510,根据用于调用目标算子的源代码,确定目标运行场景和目标算子。
在操作S520,根据目标运行场景和目标算子,从动态链接库文件中得到目标可执行文件。
在操作S530,通过运行目标可执行文件,以执行目标算子的运算逻辑。
根据本公开的实施例,源代码可以是用户在利用深度学习框架搭建人工智能模型时输入的代码。
根据本公开的实施例,目标运行场景可以包括以下任意一种:静态图前向运算场景、动态图前向运算场景、静态图自动微分场景、动态图自动微分场景。
根据本公开的实施例,目标算子可以包括深度学习框架中的任一算子,例如:四则运算算子、位运算算子、比较运算算子、幂指运算算子、对数运算算子。
根据本公开的实施例,动态链接库文件中可以包括目标算子在不同运行场景的可执行文件。可以根据目标运行场景和目标算子,从动态链接库文件中得到可执行文件。
例如:目标运行场景可以是动态图自动微分场景,目标算子可以是加法算子。可以根据加法算子和动态图自动微分场景,从目标算子的动态链接库文件的operants_manager文件调用确定动态图自动微分派生类的指针,访问operants_base文件,再基于多态机制调用eager_operants文件中的可执行文件,以执行目标算子的运算逻辑。
根据本公开的实施例,通过运行场景和算子,从动态链接文件中得到目标可执行文件,以实现可执行文件的自动适配,从而简化了深度学习模型算子的调用操作,提高了用户体验。
根据本公开的实施例,上述操作S520可以包括如下操作:根据源代码的算子名称字段,确定目标算子。根据源代码的输入模式和场景标识字段,确定目标运行场景。
根据本公开的实施例,源代码的输入模式可以包括侵入式的输入模式和插件式的输入模式。
例如:当源代码在深度学习框架内输入时,可以确定源代码的输入模式为侵入式。当源代码在深度学习框架外输入时,可以确定源代码的输入模式为插件式。
根据本公开的实施例,根据源代码的输入模式和场景标识字段,确定目标运行场景,可以包括如下操作:根据源代码的输入模式,确定目标算子的运行模式。通过运行源代码,得到场景标识字段的识别结果。根据识别结果,确定目标算子的调用方式。
根据本公开的实施例,场景标识字段可以位于源代码中用于调用目标算子的函数的起始位置。
例如:动态图自动微分场景的场景标识字段可以是在“ad_fun“函数的起始位置的“eager”字段。动态图前向运算场景的场景标识字段可以是在“api_run_custom_op“函数的起始位置的“phi“字段。
根据本公开的实施例,由于静态图的运行状态下,算子的调用方式为结构体式,为了统一静态图与动态图运行状态下的算子的调用方式,可以将静态图的结构体对象实例化的函数,并根据运行场景的不同,在实例化的函数的起始位置的字段添加标识字段。例如:“static“字段可以表示静态图自动微分场景的场景标识字段。”phi“字段可以表示静态图前向运算场景的场景标识字段。
根据本公开的实施例,通过识别源代码的输入模式和场景标识字段,得到深度学习框架的运行场景,以便实现在深度学习框架算子调用的过程中,运行场景的隐式切换,提高用户体验。
根据本公开的实施例,动态链接库文件还包括算子、算子的核函数名称与运行场景的映射关系。根据目标运行场景和目标算子,从动态链接库文件中得到目标可执行文件,可以包括如下操作:根据目标算子、目标运行场景和映射关系,得到目标算子在目标运行场景的核函数名称;根据核函数名称,从动态链接库文件中得到目标可执行文件。
根据本公开的实施例,由于在动态链接库文件的管理类文件中包括与不同运行场景对应的成员变量,每一个成员变量可以以指针的形式存储在管理类文件中。在生成动态链接库文件的过程中,将phi_operants指针指向类型为PhiTensorOperants的对象,将eager_operants指针指向类型为EagerTensorOperants的对象,将static_operants指针指向类型为StaticTensorOperants的对象。
根据本公开的实施例,类型为PhiTensorOperants对象对应目标算子在前向运算场景中的可执行文件。类型为EagerTensorOperants的对象对应目标算子在动态图自动微分场景中的可执行文件。类型为StaticTensorOperants的对象对应目标算子在静态图自动微分场景中的可执行文件。
图6示意性示出了根据本公开实施例的深度学习框架算子的调用方法的示意图。
如图6所示,在实施例600中,根据源代码的算子名称字段651确定目标算子654。根据源代码的输入模块652确定目标算子的运行模式655。根据源代码的场景标识字段653确定目标算子的调用方式656。基于动态链接库文件中算子、算子的核函数名称与运行场景的映射关系,根据目标算子654、目标算子的运行模式655、目标算子的调用方式656得到目标算子的核函数名称657。根据目标算子的核函数名称657从动态链接库文件658中得到目标可执行文件659。
根据本公开的实施例,由于在动态链接库文件中是以目标算子的核函数名称标识同一算子在不同运行场景中的可执行文件。因此,可以根据核函数名称,从动态链接库文件中查询到可执行文件,以实现在调用目标算子时,可以根据当前深度学习框架的运行场景,自动适配到与当前运行场景匹配的可执行文件,实现可执行文件的自动分发,简化调用算子的操作。
图7示意性示出了根据本公开实施例的动态链接库文件的生成装置的框图。
如图7所示,该动态链接库文件的生成装置可以包括:获取模块710、第一获得模块720、第二获得模块730和生成模块740。
获取模块710,用于获取可执行文件生成模板。
第一获得模块720,用于从张量配置信息中得到算子核函数的名称信息。
第二获得模块730,用于根据算子核函数的名称信息,从算子配置信息中得到算子核函数的参数信息。
生成模块740,用于根据名称信息、参数信息和可执行文件生成模板,生成动态链接库文件,其中,动态链接库文件包括同一算子在不同运行场景的多个可执行文件。
根据本公开的实施例,生成模块可以包括第一确定子模块、第二确定子模块和生成子模块。第一确定子模块,用于根据名称信息,确定算子的运行场景。第二确定子模块,用于根据算子的运行场景,从可执行文件生成模板中确定与运行场景对应的目标模板。生成子模块,用于通过调用目标模板,根据名称信息和参数信息,生成动态链接库文件。
根据本公开的实施例,生成子模块可以包括:第一生成单元和第二生成单元。第一生成单元,用于通过调用目标模板,根据名称信息和参数信息,生成与算子的运行场景对应的源代码文件。第二生成单元,用于根据算子在不同运行场景的多个源代码文件,生成动态链接库文件。
根据本公开的实施例,第二生成单元可以包括:分类子单元、第一编译子单元和第二编译子单元。分类子单元,用于根据多个源代码文件的运行场景,对多个源代码文件进行分类,得到第一运行模式的源代码文件和第二运行模式的源代码文件。第一编译子单元,用于对第一运行模式的源代码文件进行编译,得到第一运行模式的动态链接库文件。第二编译子单元,用于对第二运行模式的源代码文件进行编译,得到第二运行模式的动态链接库文件。
图8示意性示出了根据本公开实施例的深度学习框架算子的调用装置的框图。
如图8所示,该深度学习框架算子的调用装置800可以包括:确定模块810、第三获得模块820和运行模块830。
确定模块810,用于根据用于调用目标算子的源代码,确定目标运行场景和目标算子,其中,目标运行场景指示了目标算子的调用方式和目标算子的运行模式。
第三获得模块820,用于根据目标运行场景和目标算子,从动态链接库文件中得到目标可执行文件,其中,动态链接库文件是利用前文所述的动态链接库文件的生成方法生成的。
运行模块830,用于通过运行目标可执行文件,以执行目标算子的运算逻辑。
根据本公开的实施例,确定模块可以包括:第三确定子模块和第四确定子模块。第三确定子模块,用于根据源代码的算子名称字段,确定目标算子。第四确定子模块,用于根据源代码的输入模式和场景标识字段,确定目标运行场景。
根据本公开的实施例,第四确定子模块可以包括:第一确定单元、运行单元和第二确定单元。第一确定单元,用于根据源代码的输入模式,确定目标算子的运行模式。运行单元,用于通过运行源代码,得到场景标识字段的识别结果。第二确定单元,用于根据识别结果,确定目标算子的调用方式。
根据本公开的实施例,动态链接库文件还包括算子、算子的核函数名称与运行场景的映射关系。第三获得模块可以包括第一获得子模块和第二获得子模块。第一获得子模块,用于根据目标算子、目标运行场景和映射关系,得到目标算子在目标运行场景的核函数名称。第二获得子模块,用于根据核函数名称,从动态链接库文件中得到目标可执行文件。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
根据本公开的实施例,一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行如上的方法。
根据本公开的实施例,一种存储有计算机指令的非瞬时计算机可读存储介质,其中,计算机指令用于使计算机执行如上的方法。
根据本公开的实施例,一种计算机程序产品,包括计算机程序,计算机程序在被处理器执行时实现如上所述的方法。
图9示出了可以用来实施本公开的实施例的示例电子设备900的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图8所示,设备900包括计算单元901,其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序,来执行各种适当的动作和处理。在RAM 903中,还可存储设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
设备900中的多个部件连接至I/O接口905,包括:输入单元906,例如键盘、鼠标等;输出单元907,例如各种类型的显示器、扬声器等;存储单元908,例如磁盘、光盘等;以及通信单元909,例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元901可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元901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计算单元、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。计算单元901执行上文所描述的各个方法和处理,例如动态链接库文件的生成方法或深度学习模型算子的调用方法。例如,在一些实施例中,动态链接库文件的生成方法或深度学习模型算子的调用方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元908。在一些实施例中,计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM 903并由计算单元901执行时,可以执行上文描述的动态链接库文件的生成方法或深度学习模型算子的调用方法的一个或多个步骤。备选地,在其他实施例中,计算单元901可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行动态链接库文件的生成方法或深度学习模型算子的调用方法。
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)、复杂可编程逻辑设备(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。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(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,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,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计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***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)和互联网。
计算机***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,也可以是分布式***的服务器,或者是结合了区块链的服务器。
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,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (19)
1.一种动态链接库文件的生成方法,包括:
获取可执行文件生成模板;
从张量配置信息中得到算子核函数的名称信息;
根据所述算子核函数的名称信息,从算子配置信息中得到算子核函数的参数信息;以及
根据所述名称信息、所述参数信息和所述可执行文件生成模板,生成所述动态链接库文件,其中,所述动态链接库文件包括同一算子在不同运行场景的多个可执行文件。
2.根据权利要求1所述的方法,其中,所述根据所述名称信息、所述参数信息和所述可执行文件生成模板,生成所述动态链接库文件,包括:
根据所述名称信息,确定算子的运行场景;
根据所述算子的运行场景,从所述可执行文件生成模板中确定与所述运行场景对应的目标模板;以及
通过调用目标模板,根据所述名称信息和所述参数信息,生成动态链接库文件。
3.根据权利要求2所述的方法,其中,所述通过调用目标模板,根据所述名称信息和所述参数信息,生成动态链接库文件,包括:
通过调用目标模板,根据所述名称信息和所述参数信息,生成与所述算子的运行场景对应的源代码文件;以及
根据所述算子在不同运行场景的多个源代码文件,生成所述动态链接库文件。
4.根据权利要求3所述的方法,其中,所述根据所述算子在不同运行场景的多个源代码文件,生成动态链接库文件,包括:
根据所述多个源代码文件的运行场景,对所述多个源代码文件进行分类,得到第一运行模式的源代码文件和第二运行模式的源代码文件;
对所述第一运行模式的源代码文件进行编译,得到所述第一运行模式的动态链接库文件;以及
对所述第二运行模式的源代码文件进行编译,得到所述第二运行模式的动态链接库文件。
5.一种深度学习框架算子的调用方法,包括:
根据用于调用目标算子的源代码,确定目标运行场景和目标算子,其中,所述目标运行场景指示了所述目标算子的调用方式和所述目标算子的运行模式;
根据所述目标运行场景和所述目标算子,从动态链接库文件中得到目标可执行文件,其中,所述动态链接库文件是利用权利要求1-4任一项所述的方法生成的;以及
通过运行所述目标可执行文件,以执行所述目标算子的运算逻辑。
6.根据权利要求1所述的方法,其中,所述根据用于调用目标算子的源代码,确定目标运行场景和目标算子,包括:
根据所述源代码的算子名称字段,确定所述目标算子;以及
根据所述源代码的输入模式和场景标识字段,确定所述目标运行场景。
7.根据权利要求6所述的方法,其中,所述根据所述源代码的输入模式和场景标识字段,确定所述目标运行场景,包括:
根据所述源代码的输入模式,确定所述目标算子的运行模式;
通过运行所述源代码,得到所述场景标识字段的识别结果;以及
根据所述识别结果,确定所述目标算子的调用方式。
8.根据权利要求1所述的方法,其中,所述动态链接库文件还包括算子、算子的核函数名称与运行场景的映射关系,所述根据所述目标运行场景和所述目标算子,从所述动态链接库文件中得到目标可执行文件,包括:
根据所述目标算子、所述目标运行场景和所述映射关系,得到所述目标算子在所述目标运行场景的核函数名称;以及
根据所述核函数名称,从所述动态链接库文件中得到目标可执行文件。
9.一种动态链接库文件的生成装置,包括:
获取模块,用于获取可执行文件生成模板;
第一获得模块,用于从张量配置信息中得到算子核函数的名称信息;
第二获得模块,用于根据所述算子核函数的名称信息,从算子配置信息中得到算子核函数的参数信息;以及
生成模块,用于根据所述名称信息、所述参数信息和所述可执行文件生成模板,生成所述动态链接库文件,其中,所述动态链接库文件包括同一算子在不同运行场景的多个可执行文件。
10.根据权利要求9所述的装置,其中,所述生成模块包括:
第一确定子模块,用于根据所述名称信息,确定算子的运行场景;
第二确定子模块,用于根据所述算子的运行场景,从所述可执行文件生成模板中确定与所述运行场景对应的目标模板;
生成子模块,用于通过调用目标模板,根据所述名称信息和所述参数信息,生成动态链接库文件。
11.根据权利要求10所述的装置,其中,所述生成子模块包括:
第一生成单元,用于通过调用目标模板,根据所述名称信息和所述参数信息,生成与所述算子的运行场景对应的源代码文件;以及
第二生成单元,用于根据所述算子在不同运行场景的多个源代码文件,生成所述动态链接库文件。
12.根据权利要求11所述的装置,其中,所述第二生成单元包括:
分类子单元,用于根据所述多个源代码文件的运行场景,对所述多个源代码文件进行分类,得到第一运行模式的源代码文件和第二运行模式的源代码文件;
第一编译子单元,用于对所述第一运行模式的源代码文件进行编译,得到所述第一运行模式的动态链接库文件;以及
第二编译子单元,用于对所述第二运行模式的源代码文件进行编译,得到所述第二运行模式的动态链接库文件。
13.一种深度学习框架算子的调用装置,包括:
确定模块,用于根据用于调用目标算子的源代码,确定目标运行场景和目标算子,其中,所述目标运行场景指示了所述目标算子的调用方式和所述目标算子的运行模式;
第三获得模块,用于根据所述目标运行场景和所述目标算子,从动态链接库文件中得到目标可执行文件,其中,所述动态链接库文件是利用权利要求1-4任一项所述的方法生成的;以及
运行模块,用于通过运行所述目标可执行文件,以执行所述目标算子的运算逻辑。
14.根据权利要求13所述的装置,其中,所述确定模块包括:
第三确定子模块,用于根据所述源代码的算子名称字段,确定所述目标算子;以及
第四确定子模块,用于根据所述源代码的输入模式和场景标识字段,确定所述目标运行场景。
15.根据权利要求14所述的装置,其中,所述第四确定子模块包括:
第一确定单元,用于根据所述源代码的输入模式,确定所述目标算子的运行模式;
运行单元,用于通过运行所述源代码,得到所述场景标识字段的识别结果;以及
第二确定单元,用于根据所述识别结果,确定所述目标算子的调用方式。
16.根据权利要求13所述的装置,其中,所述动态链接库文件还包括算子、算子的核函数名称与运行场景的映射关系,所述第三获得模块包括:
第一获得子模块,用于根据所述目标算子、所述目标运行场景和所述映射关系,得到所述目标算子在所述目标运行场景的核函数名称;以及
第二获得子模块,用于根据所述核函数名称,从所述动态链接库文件中得到目标可执行文件。
17.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-8中任一项所述的方法。
18.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-8中任一项所述的方法。
19.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310546370.4A CN116561075B (zh) | 2023-05-15 | 2023-05-15 | 动态链接库文件的生成方法、算子的调用方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310546370.4A CN116561075B (zh) | 2023-05-15 | 2023-05-15 | 动态链接库文件的生成方法、算子的调用方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116561075A true CN116561075A (zh) | 2023-08-08 |
CN116561075B CN116561075B (zh) | 2024-01-30 |
Family
ID=87492709
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310546370.4A Active CN116561075B (zh) | 2023-05-15 | 2023-05-15 | 动态链接库文件的生成方法、算子的调用方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116561075B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3534283A1 (en) * | 2018-03-01 | 2019-09-04 | Crowdstrike, Inc. | Classification of source data by neural network processing |
CN111158651A (zh) * | 2019-12-26 | 2020-05-15 | 第四范式(北京)技术有限公司 | 构建人工智能应用的方法、装置及*** |
CN113449858A (zh) * | 2020-03-27 | 2021-09-28 | 华为技术有限公司 | 一种神经网络模型的处理方法以及相关设备 |
WO2021211911A1 (en) * | 2020-04-16 | 2021-10-21 | Blackswan Technologies Inc. | Artificial intelligence cloud operating system |
CN113553039A (zh) * | 2020-04-23 | 2021-10-26 | 杭州海康威视数字技术股份有限公司 | 算子的可执行代码的生成方法及装置 |
CN113835695A (zh) * | 2021-11-25 | 2021-12-24 | 之江实验室 | 基于统一后端引擎的深度学习框架与硬件设备适配方法 |
CN113918195A (zh) * | 2021-11-19 | 2022-01-11 | 中电金信软件有限公司 | 应用界面更新方法、装置、电子设备及可读存储介质 |
CN114691231A (zh) * | 2020-12-29 | 2022-07-01 | 深圳云天励飞技术股份有限公司 | 一种数据流水编排方法、装置、可读存储介质及终端设备 |
CN114841326A (zh) * | 2022-05-19 | 2022-08-02 | 北京百度网讯科技有限公司 | 深度学习框架的算子处理方法、装置、设备和存储介质 |
CN114911465A (zh) * | 2022-05-19 | 2022-08-16 | 北京百度网讯科技有限公司 | 算子的生成方法、装置、设备以及存储介质 |
CN114995876A (zh) * | 2022-07-18 | 2022-09-02 | 浙江大华技术股份有限公司 | 算法方案的生成方法、设备及计算机可读存储介质 |
CN115034358A (zh) * | 2022-05-17 | 2022-09-09 | 北京灵汐科技有限公司 | 神经网络计算图的处理方法及处理装置 |
US20230039180A1 (en) * | 2021-07-29 | 2023-02-09 | Nvidia Corporation | Automatic compute kernel generation |
-
2023
- 2023-05-15 CN CN202310546370.4A patent/CN116561075B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3534283A1 (en) * | 2018-03-01 | 2019-09-04 | Crowdstrike, Inc. | Classification of source data by neural network processing |
CN111158651A (zh) * | 2019-12-26 | 2020-05-15 | 第四范式(北京)技术有限公司 | 构建人工智能应用的方法、装置及*** |
CN113449858A (zh) * | 2020-03-27 | 2021-09-28 | 华为技术有限公司 | 一种神经网络模型的处理方法以及相关设备 |
WO2021211911A1 (en) * | 2020-04-16 | 2021-10-21 | Blackswan Technologies Inc. | Artificial intelligence cloud operating system |
CN113553039A (zh) * | 2020-04-23 | 2021-10-26 | 杭州海康威视数字技术股份有限公司 | 算子的可执行代码的生成方法及装置 |
CN114691231A (zh) * | 2020-12-29 | 2022-07-01 | 深圳云天励飞技术股份有限公司 | 一种数据流水编排方法、装置、可读存储介质及终端设备 |
US20230039180A1 (en) * | 2021-07-29 | 2023-02-09 | Nvidia Corporation | Automatic compute kernel generation |
CN113918195A (zh) * | 2021-11-19 | 2022-01-11 | 中电金信软件有限公司 | 应用界面更新方法、装置、电子设备及可读存储介质 |
CN113835695A (zh) * | 2021-11-25 | 2021-12-24 | 之江实验室 | 基于统一后端引擎的深度学习框架与硬件设备适配方法 |
CN115034358A (zh) * | 2022-05-17 | 2022-09-09 | 北京灵汐科技有限公司 | 神经网络计算图的处理方法及处理装置 |
CN114841326A (zh) * | 2022-05-19 | 2022-08-02 | 北京百度网讯科技有限公司 | 深度学习框架的算子处理方法、装置、设备和存储介质 |
CN114911465A (zh) * | 2022-05-19 | 2022-08-16 | 北京百度网讯科技有限公司 | 算子的生成方法、装置、设备以及存储介质 |
CN114995876A (zh) * | 2022-07-18 | 2022-09-02 | 浙江大华技术股份有限公司 | 算法方案的生成方法、设备及计算机可读存储介质 |
Non-Patent Citations (2)
Title |
---|
BINGQIAN YAN 等: "Damage constitutive model and mechanical properties of jointed rock mass under hydro-mechanical coupling", THEORETICAL AND APPLIED FRACTURE MECHANICS, pages 1 - 14 * |
李芃博 等: "基于LabWindows动态链接库技术的航天器有效载荷通用测试***的开发研究", 空间电子技术, pages 98 - 104 * |
Also Published As
Publication number | Publication date |
---|---|
CN116561075B (zh) | 2024-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113010827B (zh) | 页面渲染方法、装置、电子设备以及存储介质 | |
CN109766148B (zh) | 用于处理接口方法调用的方法和装置 | |
CN114816393B (zh) | 信息生成方法、装置、设备以及存储介质 | |
CN113050940A (zh) | 小程序的预览方法、相关装置及计算机程序产品 | |
CN112817660B (zh) | 扩展小程序能力的方法、装置、设备以及存储介质 | |
CN112925522B (zh) | 依赖图生成方法、装置、设备、存储介质和程序产品 | |
CN112835615B (zh) | 软件开发工具包的插件化处理方法、装置及电子设备 | |
CN117520195A (zh) | 测试接口的方法、装置、设备、存储介质及程序产品 | |
US20210117170A1 (en) | Wrapping method, registration method, device, and rendering apparatus | |
CN112947916A (zh) | 用于实现在线画布的方法、装置、设备以及存储介质 | |
CN116561075B (zh) | 动态链接库文件的生成方法、算子的调用方法及装置 | |
CN114997329A (zh) | 用于生成模型的方法、装置、设备、介质和产品 | |
CN114510334A (zh) | 类实例的调用方法、装置、电子设备及自动驾驶车辆 | |
CN112905270B (zh) | 工作流实现方法、装置、平台、电子设备以及存储介质 | |
CN113342413B (zh) | 用于处理组件的方法、装置、设备、介质和产品 | |
CN114428646B (zh) | 一种数据处理方法、装置、电子设备及存储介质 | |
CN116483482B (zh) | 深度学习任务处理方法、***、装置、设备及介质 | |
CN114610204B (zh) | 一种数据处理的辅助装置、方法、存储介质及电子设备 | |
CN113535187B (zh) | 服务上线方法、服务更新方法及服务提供方法 | |
CN116341663A (zh) | 深度学习推理框架的扩展方法、装置、设备及介质 | |
CN114416215A (zh) | 函数调用方法及装置 | |
CN117850991A (zh) | 基于electron的本地应用快捷启动方法、装置、设备及介质 | |
CN116991737A (zh) | 一种软件测试方法、***、电子设备及存储介质 | |
CN116679921A (zh) | 开发应用的方法和装置 | |
CN116048519A (zh) | 前端业务嵌入方法、装置、电子设备及存储介质 |
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 |