[发明专利]数据处理方法、装置、计算机系统及存储介质

说明书

本申请涉及一种数据处理方法、装置、计算机系统及存储介质。本申请的数据处理方法、装置、计算机系统及存储介质可以大大的缩短循环神经网络节点的离线模型生成时间，进而提高处理器的处理速度及效率。

技术领域

本申请涉及计算机技术领域，特别是涉及一种数据处理方法、装置、计算机系统及存储介质。

背景技术

随着人工智能技术的发展，如今深度学习已无处不在且必不可少，并随之产生了许多可扩展的深度学习系统，例如，TensorFlow、MXNet、Caffe和PyTorch等等，上述深度学习系统可以用于提供各种能够在CPU或GPU等处理器上运行的神经网络模型。一般地，神经网络可以包括循环神经网络以及非循环神经网络等。

然而，通常生成循环神经网络的时间与循环次数和层数的指数成正比，在一层循环神经网络中，若循环次数为10^2量级时，直接生成离线模型需要的时间超过12个小时，离线模型生成时间过长，导致处理效率低。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高处理效率的数据处理方法、装置、计算机系统及存储介质。

一种数据处理方法，所述方法包括：

获取循环神经网络节点，所述循环神经网络节点包括至少一个循环神经网络单元；

根据所述循环神经网络节点中单个的循环神经网络单元的模型数据集和模型结构参数，运行所述单个的循环神经网络单元，获得所述单个的循环神经网络单元对应的指令数据；

根据所述单个的循环神经网络单元对应的指令数据，获得所述单个的循环神经网络单元对应的第一离线模型；

其中，所述第一离线模型包括所述单个的循环神经网络单元的权值数据和指令数据。

在其中一个实施例中，将所述单个的循环神经网络单元的权值数据和指令数据进行对应存储，获得所述单个的循环神经网络单元对应的第一离线模型。

在其中一个实施例中，判断所述第一离线模型是否是有状态的；

若所述第一离线模型是有状态的，则所述第一离线模型还包括状态输入数据，所述状态输入数据为所述隐含层之前的上一循环神经网络单元的输出数据。

在其中一个实施例中，获取包含所述循环神经网络节点的原始网络；

根据所述原始网络的模型结构参数，确定所述原始网络中各个节点的依赖关系；

根据所述原始网络中各个节点的依赖关系，确定所述原始网络中各个所述循环神经网络节点的输入节点和输出节点；

断开所述循环神经网络节点的输入节点和输出节点与所述循环神经网络节点之间的连接，获得至少一个所述循环神经网络节点。

在其中一个实施例中，根据所述原始网络中各个节点的依赖关系，确定所述原始网络中各个节点的执行顺序；

根据所述各个节点的执行顺序运行所述原始网络，获得所述原始网络中各个非循环神经网络节点的指令数据；

将各个所述非循环神经网络节点对应的权值数据和指令数据对应存储，获得第二离线模型；

其中，所述第二离线模型包括所述原始网络中各个非循环神经网络节点的权值数据和指令数据。

在其中一个实施例中，获取新的原始网络；

若所述新的原始网络存在对应的离线模型，则获取所述新的原始网络对应的离线模型，并根据所述新的原始网络对应的离线模型运行所述新的原始网络，其中，所述新的原始网络对应的离线模型包括所述第一离线模型和所述第二离线模型。

一种数据处理装置，所述装置包括：