[发明专利]一种神经网络模型的拆分方法及相关产品

权利要求书

1.一种用多核处理器实现的神经网络模型计算的数据拆分方法，其特征在于，所述方法包括：

根据所述神经网络模型中目标层的算子，确定与所述目标层的算子关联的张量数据的拆分状态集合；其中，所述目标层为所述神经网络模型中的至少一层；

在所述目标层的算子与关联的拆分状态集合之间插入胶水算子，调整所述目标层的算子的张量数据的拆分状态集合中的状态；其中，所述胶水算子用于将所述张量数据按照一拆分方式获得的状态调整成按照任一种拆分方式获得的状态；

在所述目标层的算子与关联的拆分状态集合之间插入补偿算子，调整所述目标层的算子的输入张量数据的拆分状态集合中的状态；其中，所述补偿算子用于从所述状态的任一子张量数据的相邻子张量数据中获取目标数据，将所述目标数据与所述子张量数据合并；

根据所述神经网络模型的有向无环图遍历所述拆分状态集合，确定相邻拆分状态集合之间的状态路径及状态路径的权重；其中，所述状态路径表示所述算子的张量数据的拆分方式；所述拆分状态集合中的每个状态表示一个子张量数据集合，所述状态的所有子张量数据的并集结果为所述张量数据；

根据所述状态路径的权重，确定所述目标层张量数据的目标拆分路径；其中，所述状态路径的权重是基于执行子任务的所花费的时间、或执行子任务的吞吐量、或实际测量在所述多核处理器上执行所述状态路径对应的算子拆分方式下的所有子任务的时间来确定；

利用所述目标拆分路径对所述神经网络模型的目标层的算子的张量数据进行拆分，以分配到多核处理器的各核进行运算。

2.如权利要求1所述的方法，其特征在于，在所述目标层的算子与关联的拆分状态集合之间插入胶水算子的步骤包括：

在所述目标层的算子与关联的拆分状态集合之间插入胶水算子，获取包含所述胶水算子在内的神经网络模型的有向无环图；

根据所述有向无环图遍历所述目标层的所有张量数据对应的拆分状态集合，确定相邻拆分状态集合之间的状态路径及状态路径的权重；

根据所述状态路径的权重，确定包含所述胶水算子在内的神经网络模型的目标层的拆分路径；

利用包含所述胶水算子在内的神经网络模型的目标层的拆分路径对插入的每个胶水算子进行选择，对不需要插入的胶水算子删除，对需要插入的胶水算子保留。

3.如权利要求1所述的方法，其特征在于，所述胶水算子用于将胶水算子的输入张量数据的拆分状态集合中的状态进行拼接。

4.如权利要求1所述的方法，其特征在于，所述胶水算子用于将胶水算子的输入张量数据的拆分状态集合中的状态进行拆分。

5.如权利要求1所述的方法，其特征在于，所述胶水算子用于将胶水算子的输入张量数据的拆分状态集合中的状态进行拼接，再对经拼接处理后的拆分状态集合中的状态进行拆分。

6.如权利要求1所述的方法，其特征在于，所述胶水算子用于将胶水算子的输入张量数据的拆分状态集合中的状态进行拆分，再对经拆分处理后的拆分状态集合中的状态进行拼接。

7.如权利要求1所述的方法，其特征在于，在所述目标层的算子与关联的拆分状态集合之间插入补偿算子的步骤包括：

在所述目标层中的特定类型算子与关联的输入张量数据的拆分状态集合之间插入补偿算子；其中，所述特定类型算子的特征为：被用于计算该类算子的输出张量数据的元素对应的输入张量数据的元素，同样被用于计算所述输出张量数据的元素的相邻元素。

8.如权利要求7所述的方法，其特征在于，所述特定类型算子为卷积算子、池化算子、局部响应归一化算子。

9.如权利要求7所述的方法，其特征在于，在所述目标层的算子与关联的拆分状态集合之间插入补偿算子的步骤还包括：

采用金字塔形式的结构来合并所述目标层中的多个补偿算子。