一种基于深度学习算法的分布式计算平台及其应用制造技术

本发明专利技术公开了一种基于深度学习算法的分布式计算平台，由一个主计算节点和多个从计算节点组成，并采用了基于MPI协议设计的深度学习算法针对主计算节点和从计算节点分为主算法和从算法两个部分，目标提取任务被分割为目标提取和结果融合两个部分，目标提取这一任务主要由从算法实现，主算法的输入为所有从算法的输出结果，融合得到最终的目标提取结果。本发明专利技术还提供了基于深度学习算法的分布式计算平台的应用，是用于车辆的自动驾驶。本发明专利技术能够根据不同的驾驶环境匹配不同的计算节点，在复杂环境下可以通过采用主计算节点和多个从计算节点的方式提高算力，同时也不会产生过大的计算机占据车内空间。的计算机占据车内空间。的计算机占据车内空间。

【技术实现步骤摘要】
一种基于深度学习算法的分布式计算平台及其应用


[0001]本专利技术涉及一种计算平台，具体涉及一种基于深度学习算法的分布式计算平台及其应用，属于计算机


技术介绍

[0002]自动驾驶计算平台及相关产业介绍：
[0003]随着智能网联汽车的发展，车载传感器的数量日益增加，日趋完善的性能对车载计算平台算力的需求更高。相较于低级别的自动驾驶，高等自动驾驶系统从传感器获取的数据量大大增加，而自动驾驶系统的良好运行需要车载计算平台对这些数据进行准确、高效的处理，高级别自动驾驶中车载计算平台的算力需求还将持续提升。
[0004]软件定义一切的大背景下，聚焦智能驾驶软件领域，计算平台无疑是皇冠之上的明珠，统御“感知
‑
决策
‑
执行”三大环节中的“决策”环节，其发展和成熟可谓是智能驾驶商业化落地的最根本条件。软件定义一切的大趋势同样适用于智能汽车领域——根据IEEE数据，高端车辆软件代码已经达到1亿行，数据价值不断凸显。各大整车厂为强化短板，巩固竞争优势，纷纷发力软件业务布局，过去三年间上汽、广汽、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习算法的分布式计算平台，其特征在于：由一个主计算节点和多个从计算节点组成，并采用了基于MPI协议设计的深度学习算法；所述基于MPI协议设计的深度学习算法针对主计算节点和从计算节点分为主算法和从算法两个部分，目标提取任务被分割为目标提取和结果融合两个部分，目标提取这一任务主要由从算法实现，主算法的输入为所有从算法的输出结果，融合得到最终的目标提取结果。2.根据权利要求1所述基于深度学习算法的分布式计算平台，其特征在于：所述分布式计算平台中，外接设备输入的数据通过高速数据通道，传输至AI计算芯片。3.根据权利要求2所述基于深度学习算法的分布式计算平台，其特征在于：在AI计算芯片中部署基于MPI协议设计的深度学习算法运行所需要的环境，其中包括：基于Linux内核的操作系统、Python3编程语言运行环境、安装opencv、安装mingwlibpython、安装theano、安装tensorflow
‑
gpu、安装sklearn、安装matplotlib、安装keras。4.根据权利要求1所述基于深度学习算法的分布式计算平台，其特征在于：基于MPI协议设计的深度学习算法的架构分为三部分，包括shell脚本、python端和C++端；其中Shell脚本是启动运行的入口，负责解析参数，确认并且调用训练程序；Python是用户的接口，引入了C++库，封装了API，负责运行时和底层C++交互；C++端实现底层训练逻辑。5.根据权利要求4所述基于深度学习算法的分布式计算平台，其特征在于：所述shell脚本包括配置对象、声明环境变量、数据预处理和进程创建模块，其中，配置对象中，函数
‘
process count per node
’
用于定义一个进程需要在几个节点上运行，函数
‘
node count
’
用于定义当前计算节点MPI进程的数量，通过函数
‘
process count per node
’
以及函数
‘
node count
’
定义一个用于配置参数信息的对象
‘
MpiConfiguration
’
；该对象主要包含MPI进程的基础信息，深度学习算法通过调用该对象获得本地节点MPI进程的基本信息；函数
‘
get myMAC
’
用于获取芯片的物理地址，并...

【专利技术属性】
技术研发人员：尹智帅，韦清泉，肖轶戈，李康，巴元新，邝远浩，
申请(专利权)人：武汉理工大学，
类型：发明
国别省市：