自适应地选择执行模式的系统和方法技术方案

本发明专利技术描述了促进高效和有效的自适应执行模式选择的方法和系统。所述自适应执行模式选择是部分动态执行的，且能够将程序任务改变到某种执行模式(例如顺序、并行等)。智能的自适应选择能够在多种执行模式间进行。所述自适应执行模式选择也能够包括选择与所述执行模式相关联的参数。控制器接收与执行模式选择相关联的历史信息，参加关于执行模式选择的训练，以及自适应地选择动态执行模式。所述训练可以使用类似人工神经网络的方法，在所述方法中，自动的有引导的机器学习方法建立执行模式和基于历史信息的任务/输入特征定义之间的关系。自适应选择是基于初始试运行动态执行的。

System and method for adaptively selecting execution modes

The present invention describes methods and systems for promoting efficient and efficient adaptive execution mode selection. The adaptive execution mode selection is partially dynamic and can change the program task to some execution mode (for example, order, parallel, etc.). Intelligent adaptive selection can be performed between multiple execution modes. The adaptive execution mode selection can also include selecting parameters associated with the execution mode. The controller receives the historical information associated with the execution mode selection, takes part in the training of the execution mode selection, and adaptively selects the dynamic execution mode. The method can be used in similar training of artificial neural network, in the method, the automatic guided machine learning method to establish the execution mode and historical information of the task / input feature definition based on relationship between. The adaptive selection is based on the dynamic execution of the initial test run.

【技术实现步骤摘要】
【国外来华专利技术】自适应地选择执行模式的系统和方法相关申请案交叉申请本专利技术要求于2014年12月30日递交的专利技术名称为“自适应地选择执行模式的系统和方法”的第14/585,738号美国非临时申请案的在先申请优先权，该在先申请的内容以引入的方式并入本文。
本申请大体涉及处理流程和执行模式(例如顺序、并行等)领域。
技术介绍
众多的电子技术，例如数字计算机、计算器、音频设备、视频设备和电话系统在商业、科学、教育和娱乐的大部分领域的数据、创意和趋势的分析和传递方面促进了生产率的提高和降低了成本。这些活动常常涉及复杂的处理，而且信息处理方式(例如顺序地、并行地等)会影响性能。传统方法或任务执行通常受限于几个预定的执行模式(例如顺序和并行)中的一个。不同的执行模式通常具有不同的优点和潜在的问题。顺序编程是原始执行模式之一，并且仍然在许多应用中使用。顺序编程较为直截了当，可以很好地理解。并且由于程序通常以直序列流动，顺序编程通常不涉及程序的不同部分之间的复杂的时序协调。然而，顺序编程通常仅限于在一个时间执行一个任务，并需要大量的时间来完成整个程序。并行计算通过基本上在同一时间执行各种操作从而改进某些应用中的性能。由于大量增加的网络规模和对越来越困难的问题的解决尝试，并行计算已成为计算机体结构(例如多核心处理器等)的主导模式之一。并行计算在许多应用中可能是有利的，但是并行编程的各个方面也可能是有问题并会导致显著障碍(例如多个组件之间的更多通信量、多个任务之间的同步、竞争条件、开发通常比顺序编程更难等)的。有一些传统的框架方法。然而，这些方法通常有限制。例如，仅限于在一个时间以一个固定的执行模式选择一个预定的框架。一旦预先确定，执行模式通常就不会改变。一个特定、固定、预定的执行模式的表现能力可根据不同的情况(例如问题大小、数据配置、高速缓存占用率等)而变化。一些传统试图尝试提取并行性，但常常需要更多的运行时间和操作系统(operatingsystem，简称OS)扩展。有一些其他的使用机器学习来映射启发式决策的传统方法，但这些试图通常受限于基于编译器的自动并行化试图的预定，这些试图常常是有问题的(例如，难以处理不规则程序、不适应输入类型等)。
技术实现思路
本专利技术描述了促进高效和有效的自适应执行模式选择的方法和系统。在一实施例中，系统包括：多个执行单元；存储器；以及内嵌在处理组件中的控制器，其中所述处理组件耦合至所述存储器且耦合至所述多个执行单元，所述控制器能够针对所述多个执行单元引导执行模式选择。所述控制器还能够：参与定义操作；建立多个定义对，所述定义对通过执行基于有引导的机器学习的训练将定义特点映射；在实时运行时执行动态执行模式的自适应选择。在一示例性实施中，由控制器执行的方法包括：收集多个由所述控制器控制的多个执行单元的相关信息；通过执行包括进行有引导的机器学习的训练来将定义特点关联到执行模式；进行执行模式的自适应选择；发起利用选择的执行模式的实际运行。所述自适应选择是动态执行的。一示例性系统包括：学习模块，用于接收信息；执行模块，用于运行试验和选择多个执行模式中的执行模式，其中所述执行模块还用于在使用人工神经网络实时运行时选择所述动态执行模式；耦合至所述执行模块的运行模块，所述执行模块用于发起基于来自所述模块的选择的执行模式的任务的运行。附图说明以下包含在说明书中并形成本说明书的一部分的附图用于示例性地阐述本专利技术的原理，不是用于将本专利技术限制到其示出的特定实施。除非另有具体说明，附图不是按比例绘制的。图1是本专利技术一实施例提供的示例性流程的流程图。图2是一实施例提供的系统的方框图。图3是一实施例提供的示例性执行模式选择流程或方法的流程图。图4是一实施例提供的有引导的机器学习流程的流程图。图5是一实施例提供的自适应选择流程的流程图。图6是一实施例提供的示例性系统的方框图。图7是一实施例提供的示例性人工神经网络设计的方框图。图8示出了一实施例提供的示例性应用的图。图9是本专利技术一实施例提供的示例性自适应执行模式选择的方框图。具体实施方式现将详细地对本专利技术的各种实施例、附图示出的示例做出参考。虽然会结合这些实施例进行描述，但可以理解的是它们并不用于将本专利技术限制于这些实施例。相反，本专利技术公开旨在覆盖可以包括在由所附权利要求书限定的本专利技术公开的精神和范围内的替代物、修改和等同物。另外，在以下本专利技术的详细描述中，阐述了许多特定细节以便提供对本专利技术的透彻理解。然而，可以理解的是，实际应用中，可以不包括本专利技术的这些特定细节。在其它实例中没有详细描述众所周知的方法、流程、组件和电路，以免对本专利技术的各方面造成不必要地模糊。本专利技术描述了促进高效和有效的自适应执行模式选择的方法和系统。所述自适应执行模式选择是部分动态进行的，并涉及改变到某执行模式。程序任务的智能的自适应选择能够在多种执行模式间(例如顺序、并行等)进行。所述自适应执行模式选择也能够包括选择与所述执行模式相关联的参数。在一实施例中，控制器接收与执行模式选择相关联的历史信息，参加关于执行模式选择的训练，以及自适应地选择动态执行模式。所述历史信息可以包括定义或者描述程序任务或者输入的特征。所述训练可以使用类似人工神经网络的方法，在所述方法中，自动的有引导的机器学习方法建立执行模式和基于历史信息的任务/输入特征定义之间的关系。所述训练操作为试运行中使用的初步执行模式选择(以及必要时的参数选择)的确定提供了指导。自适应选择是基于试运行动态执行的。在所述试运行期间收集的额外的任务特征信息和输入特征信息由所述控制器在前馈程流程(例如，带有实时计算等)中使用，这产生了在当前系统条件下的适配执行模式选择。持续运行时间操作利用了所述适配执行模式选择。额外的信息可以从所述持续运行时间操作中收集，也用来产生改变或者升级到所述适配执行模式选择。图1是本专利技术一实施例提供的流程100的流程图。流程100包括选择为执行任务使用的执行模式。执行模式的选择是动态实时进行的。示例性方法的所述操作的总体概述是初始展示的，新的自适应执行模式选择方法的更多解释在具体说明的后面部分进行描述。在块110，接收新的或者当前任务或者程序的有关信息。所述信息可以包括与执行所述任务(或者程序)相关联的信息和与所述任务的输入相关联的信息。应理解的是，能接收到不同类型的信息。在块120，执行自适应执行模式的选择流程。在一实施例中，关于任务特征定义和输入特征定义历史信息被收集起来，人工神经网络类型训练使用有引导的机器学习方法来执行。在试运行中，使用基于人工神经网络训练结果的初步执行模式选择来发起任务。从所述试运行中收集额外的当前任务特征信息和当前输入信息，并将其用于产生或者参与带有适配执行模式选择实际运行。在块130，根据使用适配执行模式的实际运行来执行任务。应理解的是，可以执行多种应用或者程序。在一示例性实施中，额外的自适应执行模式选择操作可以被再次发起(例如在一特定的时间段、一个触发事件之后)，以确定在所述执行模式选择中的改变是否合适。图2是本专利技术一实施例提供的系统200的方框图。执行模式选择系统200包括控制器210、存储器220，以及中央处理器内核231、232、233和234。中央处理器内核231、232、233和234进行与各种任务本文档来自技高网...

【技术保护点】
一种系统，其特征在于，包括：多个执行单元；存储器；内嵌在处理组件中的控制器，其中所述处理组件耦合至所述存储器且耦合至所述多个执行单元，所述控制器能够为所述多个执行单元引导执行模式选择，所述控制器还能够：参与定义操作，建立多个通过执行基于有引导的机器学习的训练将定义特点映射到执行模式的定义对，以及在实时运行时执行动态执行模式的自适应选择。

【技术特征摘要】
【国外来华专利技术】2014.12.30 US 14/585,7381.一种系统，其特征在于，包括：多个执行单元；存储器；内嵌在处理组件中的控制器，其中所述处理组件耦合至所述存储器且耦合至所述多个执行单元，所述控制器能够为所述多个执行单元引导执行模式选择，所述控制器还能够：参与定义操作，建立多个通过执行基于有引导的机器学习的训练将定义特点映射到执行模式的定义对，以及在实时运行时执行动态执行模式的自适应选择。2.根据权利要求1所述的系统，其特征在于，所述定义操作包括收集与任务特征集定义、输入特征集定义和与执行模式选择相关联的启发式定义相关的信息。3.根据权利要求2所述的系统，其特征在于，所述任务特征集定义包括从其他任务的以往运行和当前任务的当前特点收集的一组数据。4.根据权利要求3所述的系统，其特征在于，所述收集的一组数据包括至少一个从多个指令、多个任务参数、执行时间和存储器占用率中选择的特征。5.根据权利要求2所述的系统，其特征在于，所述输入特征集定义包括一组描述当前输入的特点的数据。6.根据权利要求5所述的系统，其特征在于，所述输入特征的组包括输入长度、输入类型和输入数据的维数中的至少一个。7.根据权利要求2所述的系统，其特征在于，所述与执行模式选择相关联的启发式定义包括为程序选择执行模式的流程步骤的集合。8.根据权利要求2所述的系统，其特征在于，所述信息的一部分收集后用作来自历史运行的训练示例。9.根据权利要求1所述的系统，其特征在于，执行模式选择包括有着不同参数的顺序执行模式和并行执行模式之间的选择。10.一种由控制器执行的方法，所述方法包括：收集多个由所述控制器控制的执行单元的相关信息；通过执行包括进行有引导的机器学习的训练来将定义特点关联到执行模式；进行执行模式的自适应选择，其中所述自适应选择是动态执行的；发起利用选择的执行模式的实际运行。11.根据权利要求10所述的方法，其特征在于，所述进行有引导的机器学习包括：输入包括成对训练样本数据的第一部分的任务特征和数据特征；计算当前控制器输出；计算所述当前控制器输出和目标控制器输出...

【专利技术属性】
技术研发人员：陈丽亚，田琛，胡子昂，
申请(专利权)人：华为技术有限公司，
类型：发明
国别省市：广东,44