数据处理方法及装置、图像处理方法及装置、电子设备制造方法及图纸

本公开涉及一种数据处理方法及装置、图像处理方法及装置、电子设备，其中所述数据处理方法包括：获取神经网络代码；对所述神经网络代码进行代码翻译处理，得到中间表示代码，所述中间表示代码抽象了不同硬件设备对于同一操作的实现；通过执行引擎执行所述中间表示代码。本公开能够提高神经网络代码的可扩展行。

【技术实现步骤摘要】
数据处理方法及装置、图像处理方法及装置、电子设备
本公开涉及数据处理领域，特别涉及一种数据处理方法及装置、图像处理方法及装置、电子设备。
技术介绍
在机器学习领域，神经网络(如深度学习网络)的实现过程是对一个复杂数学模型求解的过程。对复杂数学模型的结构化表示是实现机器学习任务的前提。目前，典型的深度学习框架使用Python等语言作为编程接口，上层描述语言与后端实现直接对应，难以转换到不同的后端。
技术实现思路
本公开实施例提供了一种数据处理方法及装置、图像处理方法及装置、电子设备，其能够提高神经网络代码可扩展性。根据本公开的一方面，提供了一种数据处理方法，其包括：获取神经网络代码；对所述神经网络代码进行代码翻译处理，得到中间表示代码，所述中间表示代码抽象了不同硬件设备对于同一操作的实现；通过执行引擎执行所述中间表示代码。在一些可能的实施方式中，所述对所述神经网络代码进行代码翻译处理，得到中间表示代码，包括：运行所述神经网络代码；响应于所述神经网络代码中的函数对象本文档来自技高网...

【技术保护点】
1.一种数据处理方法，其特征在于，包括：/n获取神经网络代码；/n对所述神经网络代码进行代码翻译处理，得到中间表示代码，所述中间表示代码抽象了不同硬件设备对于同一操作的实现；/n通过执行引擎执行所述中间表示代码。/n

【技术特征摘要】
1.一种数据处理方法，其特征在于，包括：
获取神经网络代码；
对所述神经网络代码进行代码翻译处理，得到中间表示代码，所述中间表示代码抽象了不同硬件设备对于同一操作的实现；
通过执行引擎执行所述中间表示代码。


2.根据权利要求1所述的方法，其特征在于，所述对所述神经网络代码进行代码翻译处理，得到中间表示代码，包括：
运行所述神经网络代码；
响应于所述神经网络代码中的函数对象被运行，调用生成器接口，以生成与所述函数对象对应的中间表示代码。


3.根据权利要求2所述的方法，其特征在于，所述响应于所述神经网络代码中的函数对象被运行，调用生成器接口，包括：
响应于所述神经网络代码中的函数对象被运行，基于所述函数对象的类型，调用与所述函数对象对应的生成器接口，以生成与所述函数对象对应的中间表示代码。


4.根据权利要求2或3所述的方法，其特征在于，所述通过所述生成器接口生成与所述函数对象对应的中间表示代码，包括：
响应于相同的所述函数对象被重复运行的情况，每次该相同的函数对象被运行时，均调用所述生成器接口生成与该相同的函数对象对应的中间表示代码。


5.根据权利要求2或3所述的方法，其特征在于，所述通过所述生成器接口生成与所述函数对象对应的中间表示代码，包括：
在函数对象被重复调用时，运行所保存的与该函数对象对应的中间表示代码，
其中，保存的与函数对象对应的中间表示代码为所述函数对象第一次被调用时通过调用所述生成器接口生成...

【专利技术属性】
技术研发人员：李周洋，张行程，颜深根，何家傲，
申请(专利权)人：上海商汤智能科技有限公司，
类型：发明
国别省市：上海;31