[发明专利]深度学习模型的多算子并行处理方法、装置、设备和介质

权利要求书

1.一种深度学习模型的多算子并行处理方法，所述深度学习模型包括多个算子，所述方法包括：

根据所述多个算子中至少两个目标算子中当前目标算子的输入数据的规模信息，利用预设函数确定所述当前目标算子的输出数据的规模信息；以及

并行地执行以下操作：

利用所述预设函数确定所述当前目标算子的在后目标算子的输出数据的规模信息；和

运行所述当前目标算子。

2.根据权利要求1所述的方法，其中，所述深度学习模型为动态深度学习模型，所述目标算子的输入数据的规模信息是可变的。

3.根据权利要求1所述的方法，其中，所述根据所述多个算子中至少两个所述待处理子中当前目标算子的输入数据的规模信息，利用预设函数确定所述当前目标算子的输出数据的规模信息包括：

响应于确定待运行算子的状态信息指示了目标状态，将所述待运行算子作为所述当前目标算子；以及

根据所述当前目标算子的输入数据的规模信息，利用所述预设函数确定所述当前目标算子的输出数据的规模信息。

4.根据权利要求1所述的方法，其中，所述目标算子的算子数据包括所述预设函数的函数数据。

5.根据权利要求1所述的方法，其中，所述利用所述预设函数确定所述当前目标算子的在后目标算子的输出数据的规模信息包括：

根据所述当前目标算子的输出数据的规模信息，利用所述预设函数确定所述在后目标算子的输出数据的规模信息。

6.一种数据处理装置，包括：

存储器，配置为存储可执行指令、待处理数据和深度学习模型的模型数据，所述深度学习模型包括多个算子；

处理器，配置为执行所述可执行指令，以便：

从所述存储器读取所述模型数据和所述待处理数据；

根据多个所述算子中至少两个所述目标算子中当前目标算子的输入数据的规模信息，利用预设函数确定所述当前目标算子的输出数据的规模信息，其中，所述当前目标算子的输入数据是根据所述待处理数据确定的；以及

并行地执行以下操作：

利用所述预设函数确定所述当前目标算子的在后目标算子的输出数据的规模信息；和

运行所述当前目标算子。

7.根据权利要求6所述的装置，其中，所述深度学习模型为动态深度学习模型，所述目标算子的输入数据的规模信息是可变的。

8.根据权利要求6所述的装置，其中，所述处理器还配置为：

响应于确定待运行算子的状态信息指示了目标状态，将所述待运行算子作为所述当前目标算子；

根据所述当前目标算子的输入数据的规模信息，利用所述预设函数确定所述当前目标算子的输出数据的规模信息。

9.根据权利要求6所述的装置，其中，所述目标算子的算子数据包括所述预设函数的函数数据。

10.根据权利要求6所述的装置，其中，所述处理器还配置为：

根据所述当前目标算子的输出数据的规模信息，利用所述预设函数确定所述在后目标算子的输出数据的规模信息。

11.一种电子设备，包括：

根据权利要求6至10中任一项所述的数据处理装置。

12.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至5中任一项所述的方法。

13.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1至5中任一项所述的方法。

14.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1至5中任一项所述的方法。