[发明专利]计算图的图编译方法、装置、设备及存储介质

说明书

本申请公开了一种用于计算图的图编译方法、装置、设备及存储介质，涉及深度学习领域。该方法用于编译深度学习的计算图，该方法包括：获取输入的计算图，计算图包括至少两层节点，相邻两层节点中存在数据流动方向的节点之间连接有有向边，至少两层节点中存在目标节点；对计算图进行图改写，得到优化后的计算图；对于优化后的计算图，生成目标节点的前向计算序列；对前向计算序列中的各个节点进行算子代码编译，得到前向计算序列的第一算子代码；输出目标节点的前向计算序列和第一算子代码。通过对计算图进行改写后，简化了计算图的复杂结构，提升了计算图的编译效率。

技术领域

本申请涉及深度学习领域，特别涉及一种计算图的图编译方法、装置、设备及存储介质。

背景技术

计算图(Computational Graph)是一种用于描述函数的有向无环图，用于表示机器学习模型涉及的计算逻辑。

相关技术中，采用计算图表示神经网络的算法，将计算图转化为计算机可识别的计算机语言，即完成对该神经网络的编译过程。

基于上述情况，当神经网络的算法较为复杂时，该神经网络对应有比较复杂的计算图，需要对计算图进行大量的计算。

发明内容

本申请实施例提供了一种计算图的图编译方法、装置、设备及存储介质，可以提高终端对计算图的编译效率，所述技术方案如下：

根据本申请的一个方面，提供了一种计算图的图编译方法，用于编译深度学习的计算图，所述方法包括：

获取输入的所述计算图，所述计算图包括至少两层节点，相邻两层节点中存在数据流动方向的节点之间连接有有向边，所述至少两层节点中存在目标节点；

对所述计算图进行图改写，得到优化后的计算图；

对于所述优化后的计算图，生成所述目标节点的前向计算序列；

对所述前向计算序列中的各个节点进行算子代码编译，得到所述前向计算序列的第一算子代码；

输出所述目标节点的所述前向计算序列和所述第一算子代码。

根据本申请的另一方面，提供了一种计算图的图编译装置，所述图编译装置用于编译深度学习的计算图，所述图编译装置包括：

第一获取模块，用于获取输入的所述计算图，所述计算图包括至少两层节点，相邻两层节点中存在数据流动方向的节点之间连接有有向边，所述至少两层节点中存在目标节点；

第一改写模块，用于对所述计算图进行图改写，得到优化后的计算图；

生成模块，用于对于所述优化后的计算图，生成所述目标节点的前向计算序列；

编译模块，对所述前向计算序列中的各个节点进行算子代码编译，得到所述前向计算序列的第一算子代码；

输出模块，用于输出所述目标节点的所述前向计算序列和所述第一算子代码。

根据本申请的另一方面，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中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如上方面所述的计算图的图编译方法。

根据本申请的另一方面，提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、至少一段程序、代码集或指令集由所述处理器加载并执行以实现如上方面所述的计算图的图编译方法。

本申请实施例提供的技术方案带来的有益效果至少包括: