任务划分方法、装置、电子设备、存储介质及计算机产品制造方法及图纸

本申请涉及计算机技术领域，尤其涉及一种任务划分方法、装置、电子设备、存储介质及计算机产品，该方法包括：获取深度学习模型表征卷积层、池化层和全连接层的层次结构；依据卷积层的卷积划分策略和人工智能任务确定多个卷积层任务，并依据各卷积层任务对应的处理设备进行特征提取，得到输出至池化层的任务特征数据；依据池化层的池化划分策略将任务特征数据划分为多个池化层任务，并依据各池化层任务对应的边缘设备进行特征提取，得到输出至全连接层的任务降维特征；依据全连接层的全连接划分策略将任务降维特征划分矩阵运算子任务，并依据各矩阵运算子任务对应的计算设备并行执行全连接操作。本申请旨在实现AI任务的合理划分与高效调度。

【技术实现步骤摘要】

本申请涉及计算机，尤其涉及一种任务划分方法、装置、电子设备、存储介质及计算机产品。

技术介绍

1、随着计算机技术的不断发展，深度学习模型，特别是cnn(convolutional neuralnetwork，卷积神经网络)、lstm(long short-term memory，长短期记忆网络)等模型的应用推动了ai(artificial intelligence，人工智能)任务的日益复杂化，对计算资源的需求也急剧增加。

2、传统的ai任务划分通常局限于单设备，即整个深度学习算法模型在一个计算节点上运行。这种传统ai任务划分方式虽然简单易行，但无法充分利用多设备环境的优势，导致计算资源的不均衡利用。当任务规模较大时，单设备可能无法在规定时间内完成任务，从而影响系统性能和任务完成度。

3、因此，如何实现ai任务的合理划分与高效调度是目前亟待解决的技术问题。

技术实现思路

1、本申请的主要目的在于提供一种任务划分方法、装置、电子设备、存储介质及计算机产品，旨在多设备环境下利用深度学习模型的本文档来自技高网...

【技术保护点】

1.一种任务划分方法，其特征在于，所述任务划分方法包括：

2.如权利要求1所述任务划分方法，其特征在于，所述依据所述卷积层的卷积划分策略和所述深度学习模型的人工智能任务确定多个卷积层任务的步骤包括：

3.如权利要求1所述任务划分方法，其特征在于，所述依据池化层的池化划分策略将所述任务特征数据划分为多个池化层任务的步骤包括：

4.如权利要求1所述任务划分方法，其特征在于，所述任务划分方法包括：

5.如权利要求1所述任务划分方法，其特征在于，所述任务划分方法包括：

6.如权利要求1所述任务划分方法，其特征在于，所述任务划分方法包括：...

【技术特征摘要】

1.一种任务划分方法，其特征在于，所述任务划分方法包括：

2.如权利要求1所述任务划分方法，其特征在于，所述依据所述卷积层的卷积划分策略和所述深度学习模型的人工智能任务确定多个卷积层任务的步骤包括：

3.如权利要求1所述任务划分方法，其特征在于，所述依据池化层的池化划分策略将所述任务特征数据划分为多个池化层任务的步骤包括：

4.如权利要求1所述任务划分方法，其特征在于，所述任务划分方法包括：

5.如权利要求1所述任务划分方法，其特征在于，所述任务划分方法包括：

6.如权利要求1所述任务划分方法，其特征在于，所述任务划分方法包括：

7.一种任务划分装置，其特征在于，所述任务划分装置...

【专利技术属性】
技术研发人员：卢伟超，
申请(专利权)人：深圳开鸿数字产业发展有限公司，
类型：发明
国别省市：