[发明专利]编译方法、编译装置、电子设备、存储介质和程序产品

说明书

本公开提供了一种编译方法、编译装置、电子设备、存储介质和程序产品，可以用于源文件编译领域和深度学习领域等领域中。该方法包括：获取源文件集合，源文件集合包括至少一种类型的源文件；获取与源文件集合相关联的对象集合的目录集合；针对目录集合中的第一目录，基于第一目录包括与第一类型的源文件相关联的第一对象集合，将与第一对象集合相关联的源文件组合成第一源文件子集；以及对第一源文件子集作为整体进行编译。利用上述方法，可以通过减少针对源文件编译次数来有效提高编译效率和降低编译耗时，从而能够提升用户体验。

技术领域

本公开涉及计算机技术，并且更具体地，涉及编译方法、编译装置、电子设备、计算机可读存储介质和计算机程序产品，可以用于源文件编译领域和深度学习领域等领域中。

背景技术

深度学习是人工智能领域中的关键技术，研发人员通常基于深度学习框架来开展相关工作。深度学习的基础是人工神经网络，而人工神经网络的核心则是矩阵运算，因此一个深度学习框架的核心也就是矩阵运算。深度学习系统是计算密集型系统，在其内部往往涉及大量高度复杂的矩阵计算，系统的流畅运行对处理速度往往要求很高，中央处理单元甚至都无法满足矩阵计算的需求了，要求诸于其他的计算设备来实现快速的矩阵运算，通常广泛采用例如GPU设备的专用处理单元。

常见的深度学习框架均使用专用处理单元来加速计算。CUDA是一种并行计算架构，该架构使专用处理单元能够解决复杂的计算问题，开发人员可以使用C/C++语言来编写CUDA程序并且用nvcc来编译。在常见的深度学习框架中CUDA程序占比都较高。然而，由于CUDA的编译过程复杂，因此大型项目中的CUDA编译往往耗时较高，从而影响研发效率。

然而，传统的用于源文件编译的技术要么需要针对每个源文件分别进行编译，要么仅能非常粗糙地将部分源文件合并而后进行编译，并且基本上不能处理CUDA源文件。因此，针对使用CUDA源文件的项目所需的编译次数较大，无法适用于源文件较多的大型项目。

发明内容

根据本公开的实施例，提供了一种编译方法、编译装置、电子设备、计算机可读存储介质和计算机程序产品。

在本公开的第一方面中，提供了一种编译方法，包括：获取源文件集合，源文件集合包括至少一种类型的源文件；获取与源文件集合相关联的对象集合的目录集合；针对目录集合中的第一目录，基于第一目录包括与第一类型的源文件相关联的第一对象集合，将与第一对象集合相关联的源文件组合成第一源文件子集；以及对第一源文件子集作为整体进行编译。

在本公开的第二方面中，提供了一种编译装置，包括：源文件获取模块，被配置为获取源文件集合，所述源文件集合包括至少一种类型的源文件；第一目录集合获取模块，被配置为与所述源文件集合相关联的对象集合的目录集合；第一组合模块，被配置为针对所述目录集合中的第一目录，基于所述第一目录包括与第一类型的源文件相关联的第一对象集合，将与所述第一对象集合相关联的源文件组合成第一源文件子集；以及第一编译模块，被配置为对所述第一源文件子集作为整体进行编译。

在本公开的第三方面中，提供了一种电子设备，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，该指令被至少一个处理器执行，以使至少一个处理器能够实现根据本公开的第一方面的方法。

在本公开的第四方面中，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，计算机指令用于使计算机实现根据本公开的第一方面的方法。

在本公开的第五方面中，提供了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，执行根据本公开的第一方面的方法。

利用根据本申请的技术，提供了一种编译方法，利用该方法的技术方案，可以按照与将用于编译的源文件的例如目标(target)的对象相关联的目录，按照目录级别将与每个目录中的对象对应的源文件例如使用include方式组合，以生成源文件集合，而后进行编译，从而可以通过减少编译次数来有效提高编译效率，降低编译耗时。