设备运行方法、装置、存储介质及电子设备制造方法及图纸

本申请公开了一种设备运行方法、装置、存储介质及电子设备。该设备运行方法包括：获取神经网络模型，并确定神经网络模型中各神经层对应的算子；配置各算子对应的接口；获取多组不同的运行环境对应的配置参数，运行环境对应的配置参数用于指定在电子设备中运行神经网络模型时各神经层的运行环境；按照每一组运行环境对应的配置参数，在电子设备中运行神经网络模型，其中，在不同的运行环境下运行神经网络模型时，通过各算子对应的接口调用对应的算子；基于每一组运行环境对应的配置参数，输出神经网络模型在对应的运行环境下的运行结果数据，以比较神经网络模型在不同运行环境下的运行效率。本申请可以比较神经网络模型在不同运行环境下的运行效率。

Equipment operation method, device, storage medium and electronic equipment

【技术实现步骤摘要】
设备运行方法、装置、存储介质及电子设备
本申请属于电子设备
，尤其涉及一种设备运行方法、装置、存储介质及电子设备。
技术介绍
人工神经网络(ArtificialNeuralNetwork，ANN)以及基于人工神经网络的深度学习方法已经越来越多地应用到诸如图像识别、场景判断、智能推荐等人工智能领域，并且在各方面展现了其优越性。针对人工神经网络的硬件加速也是一个热门的研究领域。然而，相关技术中，在为人工神经网络设计硬件加速时，无法比较人工神经网络在不同的运行环境中的运行效率。
技术实现思路
本申请实施例提供一种设备运行方法、装置、存储介质及电子设备，可以比较人工神经网络在不同的运行环境中的运行效率。第一方面，本申请实施例提供一种设备运行方法，包括：获取神经网络模型，并确定所述神经网络模型中各神经层对应的算子；配置各所述算子对应的接口；获取多组不同的运行环境对应的配置参数，所述运行环境对应的配置参数用于指定在电子设备中运行所述神经网络模型时各神经层的运行环境；按照每一组所述运行环境对应的配置参数，在所述电子设备中运行所述神经网络模型，其中，在不同的运行环境下运行所述神经网络模型时，通过各算子对应的接口调用对应的算子；基于每一组所述运行环境对应的配置参数，输出所述神经网络模型在对应的运行环境下的运行结果数据，以比较所述神经网络模型在不同运行环境下的运行效率。第二方面，本申请实施例提供一种设备运行装置，包括：第一获取模块，用于获取神经网络模型，并确定所述神经网络模型中各神经层对应的算子；设置模块，用于配置各所述算子对应的接口；第二获取模块，用于获取多组不同的运行环境对应的配置参数，所述运行环境对应的配置参数用于指定在电子设备中运行所述神经网络模型时各神经层的运行环境；运行模块，用于按照每一组所述运行环境对应的配置参数，在所述电子设备中运行所述神经网络模型，其中，在不同的运行环境下运行所述神经网络模型时，通过各算子对应的接口调用对应的算子；输出模块，用于基于每一组所述运行环境对应的配置参数，输出所述神经网络模型在对应的运行环境下的运行结果数据，以比较所述神经网络模型在不同运行环境下的运行效率。第三方面，本申请实施例提供一种存储介质，其上存储有计算机程序，当所述计算机程序在计算机上执行时，使得所述计算机执行本申请实施例提供的设备运行方法中的流程。第四方面，本申请实施例还提供一种电子设备，包括存储器，处理器，所述处理器通过调用所述存储器中存储的计算机程序，用于执行本申请实施例提供的设备运行方法中的流程。本实施例中，电子设备可以为神经网络模型中的算子配置对应的接口，该接口用于调用对应的算子的功能，从而便于电子设备可以在不同的运行环境下运行神经网络模型，并得到不同运行环境下的运行结果数据，以便比较该神经网络模型在不同的运行环境下的运行效率。即，本申请实施例可以实现人工神经网络模型在不同的运行环境中的运行效率。附图说明下面结合附图，通过对本申请的具体实施方式详细描述，将使本申请的技术方案及其有益效果显而易见。图1是本申请实施例提供的设备运行方法的流程示意图。图2是本申请实施例提供的设备运行方法的另一流程示意图。图3是本申请实施例提供的设备运行装置的结构示意图。图4是本申请实施例提供的电子设备的结构示意图。图5是本申请实施例提供的电子设备的另一结构示意图。具体实施方式请参照图示，其中相同的组件符号代表相同的组件，本申请的原理是以实施在一适当的运算环境中来举例说明。以下的说明是基于所例示的本申请具体实施例，其不应被视为限制本申请未在此详述的其它具体实施例。可以理解的是，本申请实施例的执行主体可以是诸如智能手机或平板电脑等的电子设备。请参阅图1，图1是本申请实施例提供的设备运行方法的流程示意图，流程可以包括：101、获取神经网络模型，并确定该神经网络模型中各神经层对应的算子。人工神经网络(ArtificialNeuralNetwork，ANN)以及基于人工神经网络的深度学习方法已经越来越多地应用到诸如图像识别、场景判断、智能推荐等人工智能领域，并且在各方面展现了其优越性。针对人工神经网络的硬件加速也是一个热门的研究领域。然而，相关技术中，在为人工神经网络设计硬件加速时，无法比较人工神经网络在不同的运行环境中的运行效率。在本申请实施例中，比如，电子设备可以先获取神经网络模型。在获取到神经网络模型后，电子设备可以确定该神经网络模型中各神经层对应的算子。其中，该神经层包括神经网络模型的输入层、隐藏层以及输出层等。各神经层对应的算子可以是指神经网络计算图中的计算节点和运算规则，其中上述神经网络计算图中的计算节点可以是诸如卷积(convolution)、池化(pooling)、激活(Activation)等的节点，而运算规则可以是指诸如部分卷积、两个向量相加等等的运算。需要说明的是，神经网络模型即人工神经网络模型(ArtificialNeuralNetwork，ANN)，人工神经网络模型是20世纪80年代以来人工智能领域兴起的研究热点。它从信息处理角度对人脑神经元网络进行抽象，建立某种简单模型，按不同的连接方式组成不同的网络。最近十多年来，人工神经网络的研究工作不断深入，已经取得了很大的进展，其在模式识别、智能机器人、自动控制、预测估计、生物、医学、经济等领域已成功地解决了许多现代计算机难以解决的实际问题，表现出了良好的智能特性。102、配置各算子对应的接口。比如，在确定出神经网络模型中各神经层对应的算子后，电子设备可以为各算子配置对应的接口。比如，电子设备可以获取用于实现算子的代码，然后将实现代码封装成接口的形式。这样的话，当需要在不同的运行环境中实现该算子时，电子设备只需要调用该算子对应的接口即可实现该算子的功能。103、获取多组不同的运行环境对应的配置参数，运行环境对应的配置参数用于指定在电子设备中运行神经网络模型时各神经层的运行环境。比如，电子设备可以获取多组不同的运行环境对应的配置参数，其中，每一组运行环境对应的配置参数可以用于指定在电子设备中运行神经网络模型时各神经层的运行环境。例如，神经网络模型包括输入层、第一隐藏层、第二隐藏层和输出层。运行环境A对应的配置参数可以指定在电子设备中运行神经网络模型时，该神经网络模型的输入层运行在CPU环境上，该神经网络模型的第一隐藏层运行在FPGA环境上，该神经网络模型的第二隐藏层以及输出层运行在模拟器环境上。又如，运行环境B对应的配置参数可以指定在电子设备中运行神经网络模型时，该神经网络模型的输入层运行在CPU上，该神经网络模型的第一隐藏层、第二隐藏层以及输出层均运行在FPGA上。需要说明的是，上述CPU指中央处理器。上述FPGA指现场可编程逻辑门阵列(FieldProgrammableGateArray)，它是本文档来自技高网...

【技术保护点】
1.一种设备运行方法，其特征在于，包括：/n获取神经网络模型，并确定所述神经网络模型中各神经层对应的算子；/n配置各所述算子对应的接口；/n获取多组不同的运行环境对应的配置参数，所述运行环境对应的配置参数用于指定在电子设备中运行所述神经网络模型时各神经层的运行环境；/n按照每一组所述运行环境对应的配置参数，在所述电子设备中运行所述神经网络模型，其中，在不同的运行环境下运行所述神经网络模型时，通过各算子对应的接口调用对应的算子；/n基于每一组所述运行环境对应的配置参数，输出所述神经网络模型在对应的运行环境下的运行结果数据，以比较所述神经网络模型在不同运行环境下的运行效率。/n

【技术特征摘要】
1.一种设备运行方法，其特征在于，包括：
获取神经网络模型，并确定所述神经网络模型中各神经层对应的算子；
配置各所述算子对应的接口；
获取多组不同的运行环境对应的配置参数，所述运行环境对应的配置参数用于指定在电子设备中运行所述神经网络模型时各神经层的运行环境；
按照每一组所述运行环境对应的配置参数，在所述电子设备中运行所述神经网络模型，其中，在不同的运行环境下运行所述神经网络模型时，通过各算子对应的接口调用对应的算子；
基于每一组所述运行环境对应的配置参数，输出所述神经网络模型在对应的运行环境下的运行结果数据，以比较所述神经网络模型在不同运行环境下的运行效率。


2.根据权利要求1所述的设备运行方法，其特征在于，所述方法还包括：获取各所述算子对应的参数；
所述在不同的运行环境下运行所述神经网络模型时，通过各算子对应的接口调用对应的算子包括：在不同的运行环境下运行所述神经网络模型时，获取各算子对应的参数，并根据各算子对应的参数选择对应的目标算子，通过各所述目标算子对应的接口调用所述对应的目标算子。


3.根据权利要求1所述的设备运行方法，其特征在于，所述运行环境至少包括CPU运行环境、FPGA运行环境和模拟器运行环境；
所述基于每一组所述运行环境对应的配置参数，输出所述神经网络模型在对应的运行环境下的运行结果数据，以比较所述神经网络模型在不同运行环境下的运行效率，包括：
基于每一组所述运行环境对应的配置参数，输出所述神经网络模型在对应的运行环境下的运行结果数据，所述运行结果数据包括各神经层的运行时间，以根据各神经层的运行时间之和比较所述神经网络模型在不同运行环境下的运行效率。


4.根据权利要求1所述的设备运行方法，其特征在于，所述按照每一组所述运行环境对应的配置参数在所述电子设备中运行所述神经网络模型，包括：
按照每一组所述运行环境对应的配置参数，在所述电子设备中运行所述神经网络模型，其中，在运行所述神经网络模型时获取前一神经层的输出数据格式以及后一神经层的输入数据格式；
若所述前一神经层的输出数据格式与所述后一神经层的输入数据格式不同，则将所述...

【专利技术属性】
技术研发人员：周明君，方攀，陈岩，
申请(专利权)人：OPPO广东移动通信有限公司，
类型：发明
国别省市：广东;44