[发明专利]核心调度方法和终端

说明书

本发明实施例提供了一种核心调度方法和相关设备，该方法包括：获取目标模型参数，目标模型参数用于表示一卷积神经网络模型的计算密度；根据目标模型参数，从预设的第一对应关系中确定至少两个核心的核心权重值，至少两个核心的核心权重值与目标模型参数对应，至少两个核心为终端上的异构核心，第一对应关系包括目标模型参数和至少两个核心的核心权重值的对应关系，核心权重值用于表示核心被选择以运行卷积神经网络模型的优先程度；根据至少两个核心的核心权重值，从至少两个核心中确定运行卷积神经网络模型的核心。通过不同核心的核心权重值，可确定适配的核心来运行具有具体计算密度的卷积神经网络模型。

技术领域

本发明实施例涉及芯片系统技术领域，尤其涉及一种核心调度方法和终端。

背景技术

卷积神经网络(convolutional neural network，CNN)是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。在终端上对卷积神经网络具有越来越多的应用，例如利用卷积神经网路进行图像分类、特征提取、人脸聚类等。

为了提高终端的计算能力，终端上的系统芯片往往包括多个异构核心，以使用不同的核心执行不同的业务。现有方案中，运行卷积神经网络进行的业务处理，还没有有效的核心调度机制，往往是从终端上的芯片系统中简单确定一个核心后，即在这个核心上运行获取到的卷积神经网络模型，以进行业务处理。

因不同的卷积神经网络模型往往有不同的特点，不同的核心也有不同的特点，现有方案中，没有利用不同核心的特点，以在适配的核心上执行具体的卷积神经网络模型，这使得运行具体的卷积神经网络模型时效率低，浪费了终端上的计算资源。

发明内容

本发明实施例提供了一种核心调度方法和终端，用于为卷积神经网络模型提供适配的核心。

本发明实施例的第一方面提供一种核心调度方法，包括：获取目标模型参数，其中，目标模型参数用于表示一卷积神经网络模型的计算密度。不同计算密度的卷积神经网络模型适于在不同核心上运行。然后，根据目标模型参数，从预设的第一对应关系中确定至少两个核心的核心权重值，该至少两个核心的核心权重值与目标模型参数对应，该至少两个核心为终端上的异构核心，终端上的异构核心的硬件特性不同，从而不同核心适于运行不同计算密度的卷积神经网络模型。其中，第一对应关系包括目标模型参数和至少两个核心的核心权重值的对应关系，核心权重值用于表示核心被选择以运行卷积神经网络模型的优先程度，这样，通过核心权重值可以确定适于运行该卷积神经网络模型的核心，从而，根据至少两个核心的核心权重值，从至少两个核心中确定运行卷积神经网络模型的核心。其中，确定运行卷积神经网络模型的核心时，对核心权重值的使用可以是直接使用，即直接确定核心权重值最大的核心来运行卷积神经网络模型；也可以是间接使用核心权重值，例如使用其它的参数来对该核心权重值进行修正后，得到修正的权重值，然后使用修正的权重值来确定运行卷积神经网络模型的核心。

这样，通过不同核心的核心权重值，可确定适配的核心来运行具有具体计算密度的卷积神经网络模型，若核心权重值越大的核心越能高效运行卷积神经网络模型时，根据核心权重值确定出的核心可以高效运行该卷积神经网络模型。

结合本发明实施例的第一方面，在本发明实施例的第一方面的第一种实现方式中，本实现方式的方法还包括：获取终端当前的状态参数，其中，状态参数为动态变化的参数。从而获取的该当前的状态参数可以反映终端上核心的运行环境，不同的运行环境对不同的核心运行卷积神经网络模型也会产生影响。为此，根据状态参数，从预设的第二对应关系中确定至少两个核心的参数权重值，该至少两个核心的参数权重值和状态参数对应，其中，第二对应关系包括状态参数和至少两个核心的参数权重值的对应关系，参数权重值用于表示在状态参数下，核心被选择以运行卷积神经网络模型的优先程度。这样，该参数权重值即反映的终端上的动态环境因素对核心运行卷积神经网络模式产生的影响。