[发明专利]卷积神经网络模型的计算方法及装置

权利要求书

1.一种卷积神经网络模型的计算方法，其特征在于，包括：

获取卷积神经网络模型的训练任务；

利用深度学习框架对卷积神经网络模型的训练任务进行处理，生成数据流图，所述数据流图作为所述卷积神经网络模型的训练任务的计算模型；

将所述卷积神经网络模型的训练任务的计算模型中的乘累加运算拆分成首位乘加运算任务、中间乘加运算任务和末位乘加运算任务；其中，所述首位乘加运算任务在进行前向传播计算时，包括一个乘法计算，进行后向传播计算时包括一个乘法计算和一个加法计算；所述中间乘加运算任务，包括一个乘法计算和一个加法计算；所述末位乘加计算任务，在进行前向传播计算时，包括一个乘法计算和一个加法计算，进行后向传播计算时包括一个乘法计算；

根据预设的计算模型与计算设备的对应关系，确认每一个乘加运算任务所对应的计算设备；

判断所述乘加运算任务所对应的计算设备的当前负载率是否大于所述乘加运算任务所对应的计算设备所对应的负载率阈值；

若判断出所述乘加运算任务所对应的计算设备的当前负载率大于所述乘加运算任务所对应的计算设备所对应的负载率阈值，则调用当前可用的计算设备进行计算所述乘加运算任务；

若判断出所述乘加运算任务所对应的计算设备的当前负载率不大于所述乘加运算任务所对应的计算设备所对应的负载率阈值，则使用所述乘加运算任务所对应的计算设备对所述乘加运算任务进行计算。

2.根据权利要求1所述的方法，其特征在于，所述将所述卷积神经网络模型的训练任务的计算模型中的乘累加运算拆分成多个乘加运算任务之后，还包括：

在每一个乘加运算任务中添加标识；其中，所述标识用于标记每一个乘加运算任务在所述卷积神经网络模型的训练任务的计算模型中的位置。

3.一种卷积神经网络模型的计算装置，其特征在于，包括：

获取单元，用于获取卷积神经网络模型的训练任务的计算模型；所述获取单元包括获取子单元和生成单元；所述获取子单元，用于获取卷积神经网络模型的训练任务；所述生成单元，用于利用深度学习框架对卷积神经网络模型的训练任务进行处理，生成数据流图，所述数据流图作为所述卷积神经网络模型的训练任务的计算模型；

拆分单元，用于将所述卷积神经网络模型的训练任务的计算模型中的乘累加运算拆分成多个乘加运算任务；所述拆分单元包括拆分子单元，用于将所述卷积神经网络模型的训练任务的计算模型中的乘累加运算拆分成首位乘加运算任务、中间乘加运算任务和末位乘加运算任务；其中，所述首位乘加运算任务在进行前向传播计算时，包括一个乘法计算，进行后向传播计算时包括一个乘法计算和一个加法计算；所述中间乘加运算任务，包括一个乘法计算和一个加法计算；所述末位乘加计算任务，在进行前向传播计算时，包括一个乘法计算和一个加法计算，进行后向传播计算时包括一个乘法计算；

确认单元，用于根据预设的计算模型与计算设备的对应关系，确认每一个乘加运算任务所对应的计算设备；

判断单元，用于判断所述乘加运算任务所对应的计算设备的当前负载率是否大于所述乘加运算任务所对应的计算设备所对应的负载率阈值；

调用单元，用于若所述判断单元判断出，所述乘加运算任务所对应的计算设备的当前负载率大于所述乘加运算任务所对应的计算设备所对应的负载率阈值，则调用当前可用的计算设备进行计算所述乘加运算任务；

计算单元，用于若所述判断单元判断出，所述乘加运算任务所对应的计算设备的当前负载率不大于所述乘加运算任务所对应的计算设备所对应的负载率阈值，则使用所述乘加运算任务所对应的计算设备对所述乘加运算任务进行计算。

4.根据权利要求3所述的装置，其特征在于，还包括：

添加单元，用于在每一个乘加运算任务中添加标识；其中，所述标识用于标记每一个乘加运算任务在所述卷积神经网络模型的训练任务的计算模型中的位置。