【技术实现步骤摘要】
本专利技术属于ai芯片，具体涉及一种基于ai芯片的任务处理方法和装置。
技术介绍
1、随着深度学习算法能力的提高，深度学习算法的应用越来越广泛，进而催生了大量ai芯片，用于对深度学习算法进行硬件加速，ai芯片也被称为ai加速器或计算卡，即专门用于处理人工智能应用中的大量计算任务的模块。
2、中国专利cn115879518a公开了一种基于ai芯片的任务处理方法和装置，所述方法包括：构建脉冲神经网络模型；采用预置的阈值预测模型和带泄漏整合发放模型，对所述脉冲神经网络模型中至少包括脉冲触发阈值和膜电位在内的参数进行优化；接收任务请求，并确定所述任务请求的任务类型；根据所述任务类型，确定目标脉冲神经网络模型，并调用所述目标脉冲神经网络模型对所述任务请求进行处理，得到处理结果；但是现有的方法在接收任务请求并确定所述任务请求的任务类型时，并未对任务优先级别进行确定，当面对加急或优先级高的任务时，无法快速响应，基于此，我们提出了一种基于ai芯片的任务处理方法和装置。
技术实现思路
1、本专利技术的目的在于针对现有技术的不足之处，提供一种基于ai芯片的任务处理方法和装置，解决了现有方法接收任务请求并确定所述任务请求的任务类型时，并未对任务优先级别进行确定，当面对加急或优先级高的任务时，无法快速响应的问题。
2、现有的方法在接收任务请求并确定所述任务请求的任务类型时，并未对任务优先级别进行确定，当面对加急或优先级高的任务时，无法快速响应，基于此，我们提出了一种基于ai芯片的任
3、本专利技术是这样实现的，一种基于ai芯片的任务处理方法，所述基于ai芯片的任务处理方法包括：
4、响应于至少一组ai芯片任务处理请求，获取至少一组ai芯片任务数据，对ai芯片任务数据进行预处理数据，得到预处理数据集；
5、基于预设的调度分析模型对预处理数据集进行识别，解析预处理数据集的特征信息，基于预处理数据集的特征信息对预处理数据集优先级进行排序，生成优先级处理队列；
6、遍历优先级处理队列，调度分析模型基于最优压缩算法对优先级处理队列进行处理。
7、优选地，所述对ai芯片任务数据进行预处理数据，得到预处理数据集的方法，具体包括：
8、加载ai芯片任务数据；
9、识别ai芯片任务数据中数据网络地址以及数据特征信息，对数据特征信息进行降维处理，得到降维处理向量；
10、获取降维处理向量，对降维处理向量归一化处理。
11、优选地，所述对ai芯片任务数据进行预处理数据，得到预处理数据集的方法，具体还包括：
12、响应于降维处理向量加密检测指令，确定归一化的降维处理向量的加密系数；
13、响应于降维处理向量的加密系数大于第一预设值时，判断目标降维处理向量加密等级赋值为1；
14、响应于降维处理向量的加密系数小于等于第一预设值时，判断目标降维处理向量加密等级赋值为0；
15、对降维处理向量加密处理，得到预处理数据集。
16、优选地，所述对降维处理向量归一化处理的方法，具体包括：
17、获取降维处理向量，基于svr将降维处理向量映射为高维特征向量；
18、加载高维特征向量，对高维特征向量进行线性回归处理，其中，进行线性回归处理采用rbf核函数进行线性回归，且rbf核函数获取参数的方式为k-折交叉验证法；
19、基于滤波或人机交互去除线性回归处理结果中噪声点、孤立点，得到归一化的降维处理向量。
20、优选地，所述调度分析模型的构建方法，具体包括：
21、获取历史训练数据，利用滑动窗口法对历史训练数据进行切分，将切分后的历史训练数据转换为多通道特征图，得到原始数据集；
22、利用原始数据集训练一个分析初始模型，执行所述分析初始模型，生成至少一组模拟多通道特征图；
23、合并模拟多通道特征图以及原始数据集，得到整合数据集；
24、加载整合数据集，以整合数据集为输入，执行基于深度学习的神经网络回归器进行迭代训练，直至收敛。
25、优选地，所述调度分析模型包括卷积层、池化层、下采样器、优先级权重设置模块以及权重纠正模块，其中，所述卷积层包含五层卷积，每层所述的卷积设置有64个卷积核，而池化层包括嵌入模块以及特征感知模块；
26、所述下采样器包括两个正则化层和silu激活函数，而权重设置模块基于梯度下降法更新预处理数据集中预处理数据权重，权重纠正模块采用标准高斯噪声函数对预处理数据集中预处理数据权重进行调整纠正。
27、优选地，所述基于预设的调度分析模型对预处理数据集进行识别，解析预处理数据集的特征信息的方法，具体包括：
28、遍历预处理数据集，对预处理数据集的数据网络地址以及单维度特征进行提取；
29、对提取的数据网络地址以及单维度特征进行辐射校正和正射校正，生成校正数据集。
30、优选地，所述基于预设的调度分析模型对预处理数据集进行识别，解析预处理数据集的特征信息的方法，具体还包括：
31、获取全部校正数据集，基于infogain算法和fcbf算法对校正数据集进行重要度排序。
32、另一方面，本专利技术还提供了基于ai芯片的任务处理装置，所述基于ai芯片的任务处理装置，具体包括：
33、数据处理模块，所述数据处理模块响应于至少一组ai芯片任务处理请求，获取至少一组ai芯片任务数据，对ai芯片任务数据进行预处理数据，得到预处理数据集；
34、模型识别模块，所述模型识别模块基于预设的调度分析模型对预处理数据集进行识别，解析预处理数据集的特征信息，基于预处理数据集的特征信息对预处理数据集优先级进行排序，生成优先级处理队列；
35、任务处理模块，所述任务处理模块用于遍历优先级处理队列，调度分析模型基于最优压缩算法对优先级处理队列进行处理。
36、优选地，所述数据处理模块，具体包括：
37、降维处理单元，所述降维处理单元用于识别ai芯片任务数据中数据网络地址以及数据特征信息，对数据特征信息进行降维处理，得到降维处理向量；
本文档来自技高网...
【技术保护点】
1.一种基于AI芯片的任务处理方法，其特征在于，所述基于AI芯片的任务处理方法包括：
2.如权利要求1所述的基于AI芯片的任务处理方法，其特征在于：所述对AI芯片任务数据进行预处理数据，得到预处理数据集的方法，具体包括：
3.如权利要求2所述的基于AI芯片的任务处理方法，其特征在于：所述对AI芯片任务数据进行预处理数据，得到预处理数据集的方法，具体还包括：
4.如权利要求2所述的基于AI芯片的任务处理方法，其特征在于：所述对降维处理向量归一化处理的方法，具体包括：
5.如权利要求2-4任一所述的基于AI芯片的任务处理方法，其特征在于：所述调度分析模型的构建方法，具体包括：
6.如权利要求5所述的基于AI芯片的任务处理方法，其特征在于：所述调度分析模型包括卷积层、池化层、下采样器、优先级权重设置模块以及权重纠正模块，其中，所述卷积层包含五层卷积，每层所述的卷积设置有64个卷积核，而池化层包括嵌入模块以及特征感知模块；
7.如权利要求6所述的基于AI芯片的任务处理方法，其特征在于：所述基于预设的调度分析模型对预处
8.如权利要求7所述的基于AI芯片的任务处理方法，其特征在于：所述基于预设的调度分析模型对预处理数据集进行识别，解析预处理数据集的特征信息的方法，具体还包括：
9.基于AI芯片的任务处理装置，采用了如权利要求1-8任一所述的基于AI芯片的任务处理方法，其特征在于：所述基于AI芯片的任务处理装置，具体包括：
10.如权利要求9所述的基于AI芯片的任务处理装置，其特征在于：所述数据处理模块，具体包括：
...【技术特征摘要】
1.一种基于ai芯片的任务处理方法，其特征在于，所述基于ai芯片的任务处理方法包括：
2.如权利要求1所述的基于ai芯片的任务处理方法，其特征在于：所述对ai芯片任务数据进行预处理数据，得到预处理数据集的方法，具体包括：
3.如权利要求2所述的基于ai芯片的任务处理方法，其特征在于：所述对ai芯片任务数据进行预处理数据，得到预处理数据集的方法，具体还包括：
4.如权利要求2所述的基于ai芯片的任务处理方法，其特征在于：所述对降维处理向量归一化处理的方法，具体包括：
5.如权利要求2-4任一所述的基于ai芯片的任务处理方法，其特征在于：所述调度分析模型的构建方法，具体包括：
6.如权利要求5所述的基于ai芯片的任务处理方法，其特征在于：所述调度分析模型包括卷积层、池化层、下采样器、...
【专利技术属性】
技术研发人员：吕向东，夏菁，陈真，李政达，欧阳托日，
申请(专利权)人：恒烁半导体合肥股份有限公司，
类型：发明
国别省市：
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。