[发明专利]通用机器学习模型的生成方法、装置和存储介质

权利要求书

1.一种通用机器学习模型的生成方法，其特征在于，应用于处理器，所述方法包括：

获取机器学习任务的任务参数；其中，所述任务参数包括算法控制参数和计算参数；

对所述算法控制参数进行编译，得到任务指令，对所述任务指令进行分类处理，得到任务指令堆数据；其中，所述任务指令为能够在多核平台中进行核间共享的数据；

对所述计算参数进行分类处理，得到模型参数，所述模型参数包括不能够在所述多核平台中进行核间共享的模型参数栈数据，以及能够在所述多核平台中进行核间共享的模型参数堆数据；

对所述任务指令堆数据和所述模型参数堆数据进行汇集得到堆数据，对所述模型参数栈数据进行汇集得到栈数据；其中，所述栈数据指在多核开发平台中不可核间共享的数据，所述堆数据指在所述多核开发平台中能够进行核间共享的数据；

将所述栈数据和所述堆数据进行整合，得到所述通用机器学习模型，所述通用机器学习模型可以被硬件直接执行而无需重复编译。

2.根据权利要求1所述的方法，其特征在于，所述对所述计算参数进行分类处理，得到模型参数的步骤包括：

对所述计算参数进行预处理，得到预处理模型数据；

根据所述计算参数获取硬件参数；

提取所述计算参数中的数据属性参数。

3.根据权利要求2所述的方法，其特征在于，所述模型参数堆数据包括模型参数静态数据和模型参数动态数据；

所述将所述栈数据和所述堆数据进行整合，得到通用机器学习模型的步骤包括：

将所述任务指令堆数据与所述模型参数静态数据进行打包整合，得到连续的静态数据块；

对所述模型参数动态数据进行打包整合，得到连续的动态数据块；

对所述模型参数栈数据进行打包整合，得到栈数据块；

对所述连续的静态数据块、所述连续的动态数据块以及栈数据块进行合并，得到所述通用机器学习模型。

4.根据权利要求3所述的方法，其特征在于，所述对所述连续的静态数据块、所述连续的动态数据块以及栈数据块进行合并，得到通用机器学习模型的步骤包括：

根据所述任务指令获取静态数据布局信息、动态数据布局信息以及栈数据布局信息；

根据所述静态数据布局信息对所述任务指令堆数据与所述模型参数静态数据进行打包整合，得到所述连续的静态数据块；

根据所述动态数据布局信息对所述模型参数动态数据进行打包整合，得到连续的动态数据块；

根据所述栈数据布局信息对所述模型参数栈数据进行打包整合，得到所述栈数据块；

对所述连续的静态数据块、所述连续的动态数据块以及栈数据块进行整合。

5.根据权利要求4所述的方法，其特征在于，所述提取所述计算参数中的数据属性参数的步骤包括：

获取所述计算参数的输入数据属性、输出数据属性及中间结果临时空间属性；

在所述输入数据属性中提取所述输入数据的数据量，并分配输入数据存储空间；

在所述输出数据属性中提取所述输出数据的数据量，并分配输出数据存储空间；

在所述中间结果临时空间属性中提取中间结果临时空间的数据量，并分配中间结果临时存储空间；

将所述输入数据存储空间及所述输出数据存储空间存储为所述堆数据，将所述中间结果临时存储空间存储为所述栈数据。

6.根据权利要求5所述的方法，其特征在于，所述根据所述栈数据布局信息对所述模型参数栈数据进行打包整合，得到所述栈数据块的步骤包括：

根据所述栈数据布局信息对所述模型参数栈数据、所述中间结果临时存储空间进行整合，得到所述栈数据块。

7.根据权利要求6所述的方法，其特征在于，所述根据所述计算参数获取硬件参数的步骤包括：

获取硬件平台信息以及硬件配置参数并存储为所述堆数据。