The efficient conversion method of the depth learning model of the embodiment of the invention is used to solve the technical problems of the development efficiency and the low operational efficiency of the depth learning model. The method includes: according to the general framework of deep learning and corresponding NPU model data standardization framework; using the data standardization framework will deep learning model parameters into the data standardization framework standard parameters; the standard parameter transformation parameters for the NPU model. The frame of the invention according to the universal standard data structure parameter of the deep learning framework for processor specific parameters according to the establishment of a unified learning model general deep learning framework for the formation of the depth can form the standard data using a unified data structure data standardization framework, so that the processor structure correlation data analysis process and deep learning model greatly to reduce the development, development and deep learning model so that the processor can effectively separate process. It also includes the corresponding efficient conversion device.
【技术实现步骤摘要】
一种深度学习模型的高效转换方法及装置
本专利技术涉及深度学习框架的数据处理,特别涉及一种深度学习模型的高效转换方法及装置。
技术介绍
在深度学习
,通常利用如Caffe、TensorFlow和Torch等通用深度学习框架定义海量数据处理和分析的深度学习模型,深度学习模型的训练和数据分析需要大量的计算资源。由于不同的通用深度学习框架对数据信息的存储方式和解析方式存在较大差异,同时受限于处理器的硬件结构差异,导致深度学习模型数据处理和数据调度过程往往不能与处理器结构特点相适应,降低了处理器的运算效率。例如在现有技术方案中,直接把深度学习模型转换成神经网络处理器(NPU)的数据处理模型时需要依靠相应的转换工具,转换工具的开发需要开发人员熟悉深度学习框架的同时还要非常熟悉神经网络处理器的硬件执行特点,设计难度非常大。不采用良好的转换工具直接在神经网络处理器上运行深度学习模型,深度学习模型的通用性会成为神经网络处理器的障碍,造成执行效率低下。
技术实现思路
有鉴于此,本专利技术实施例提供了一种深度学习模型的高效转换方法及装置,用于解决深度学习模型开发效率和运算效率较低的技术问题。本专利技术的深度学习模型的高效转换方法,包括:根据通用深度学习框架建立与NPU模型对应的数据标准化框架;利用所述数据标准化框架将深度学习模型的参数转换为所述数据标准化框架的标准参数;将所述标准参数转换为NPU模型的参数。本专利技术的深度学习模型的高效转换装置,包括:数据标准化框架生成模块,用于根据通用深度学习框架建立与NPU模型对应的数据标准化框架;标准数据生成模块,用于利用所述数据标准化 ...
【技术保护点】
一种深度学习模型的高效转换方法,包括:根据通用深度学习框架建立与NPU模型对应的数据标准化框架;利用所述数据标准化框架将深度学习模型的参数转换为所述数据标准化框架的标准参数;将所述标准参数转换为NPU模型的参数。
【技术特征摘要】
1.一种深度学习模型的高效转换方法,包括:根据通用深度学习框架建立与NPU模型对应的数据标准化框架;利用所述数据标准化框架将深度学习模型的参数转换为所述数据标准化框架的标准参数;将所述标准参数转换为NPU模型的参数。2.如权利要求1所述的深度学习模型的高效转换方法,其特征在于,所述根据通用深度学习框架建立与NPU模型对应的数据标准化框架包括:获取所述通用深度学习框架中各功能层的数据连接拓扑结构形成功能层的逻辑架构;从所述逻辑架构中获取所述各功能层的层功能类型和层参数类型;根据所述层功能类型和层配置参数类型建立所述功能层的层结构体;根据所述层功能类型和层数据参数类型建立所述功能层的数据结构体;所述层结构体和所述数据结构体形成与所述NPU模型对应的数据标准化框架。3.如权利要求2所述的深度学习模型的高效转换方法,其特征在于,所述利用所述数据标准化框架将深度学习模型的参数转换为所述数据标准化框架的标准参数包括:将所述各功能层的所述层功能类型的参数和所述层配置参数类型的参数存入所述数据标准化框架的所述层结构体;将所述各功能层的所述数据参数类型的参数存入所述数据标准化框架的所述数据结构体;通过数据标准化框架将所述层结构体和所述数据结构体中的参数形成标准参数。4.如权利要求1所述的深度学习模型的高效转换方法,其特征在于,所述将所述标准参数转换为NPU模型的参数包括:根据所述NPU模型的数据结构将所述标准参数转换为所述NPU模型的参数。5.如权利要求4所述的深度学习模型的高效转换方法,其特征在于,所述根据所述NPU模型的数据结构将所述标准参数转换为所述NPU模型的参数包括:根据所述NPU模型的层数据结构,将所述标准参数中部分功能层的层功能类型的参数和层配置参数类型的参数合并,形成所述部分...
【专利技术属性】
技术研发人员:杨敏,艾国,张韵东,
申请(专利权)人:北京中星微电子有限公司,
类型:发明
国别省市:北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。