[发明专利]一种人工智能处理器的学习任务编译方法及相关产品

权利要求书

1.一种人工智能处理器的学习任务编译方法，其特征在于，应用于计算机系统，所述计算机系统至少包括通用处理器和人工智能处理器，所述通用处理器连接任务调度装置，所述任务调度装置与所述人工智能处理器连接，所述方法包括：

通用处理器获取配置参数，其中，所述配置参数包括Batch Norm层的第一训练参数和第二训练参数；

所述通用处理器将所述Batch Norm层的第一训练参数与卷积神经网络的卷积层的权值参数融合，得到第一融合结果；

所述通用处理器将所述Batch Norm层的第二训练参数与所述卷积神经网络的卷积层的偏置参数融合，得到第二融合结果；

所述通用处理器根据所述第一融合结果以及所述第二融合结果，对所述卷积神经网络进行优化，得到优化后的卷积神经网络；

对优化后的卷积神经网络进行编译，得到对应的二进制指令序列，以分配至人工智能处理器上执行对应的学习任务；

所述对优化后的卷积神经网络进行编译，得到对应的二进制指令序列之后，所述方法还包括：

所述通用处理器根据所述二进制指令序列得到多个任务；

所述任务调度装置对任务的分解信息和全部任务信息进行处理，得到调度信息，所述调度信息用于所述人工智能处理器确定需处理的作业，以及用于所述人工智能处理器确定需处理的多个作业的处理顺序；

其中，所述任务调度装置包括第一读写电路、匹配电路和选择电路，所述第一读写电路、所述匹配电路和所述选择电路依次电连接，所述第一读写电路连接所述通用处理器，所述选择电路连接所述人工智能处理器，所述人工智能处理器包括多个处理器核；

所述第一读写电路用于获取任务的所述分解信息和所述全部任务信息，以及处理器的状态信息，所述分解信息是根据所述多个任务的基本信息对所述多个任务规划拆分方案得到的，所述基本信息包括任务类型、任务大小和任务依赖关系；

所述匹配电路，用于根据各所述任务的所述分解信息和所述任务信息，以及所述人工智能处理器的各所述处理器核的状态信息，分别将各所述任务的各个作业与所述处理器核进行匹配，并将与所述处理器核匹配成功的作业添加至待调度作业集；

所述选择电路，用于根据所述待调度作业集中各所述作业的目标权重从所述待调度作业集中选定目标作业，获得所述调度信息，所述调度信息包括多个作业的作业标识、各所述作业对应的人工智能处理器身份信息，以及各所述多个作业被对应的人工智能处理器处理的位次信息。

2.根据权利要求1所述的方法，其特征在于，所述将所述Batch Norm层的第一训练参数与卷积层的权值参数融合，得到第一融合结果，包括：

所述通用处理器将所述Batch Norm层的第一训练参数以及所述卷积层的权值参数进行乘法运算，得到所述第一融合结果。

3.根据权利要求1所述的方法，其特征在于，所述将所述Batch Norm层的第二训练参数与卷积层的偏置参数融合，得到第二融合结果，包括：

所述通用处理器将所述Batch Norm层的第二训练参数以及所述卷积层的偏置参数进行加法运算，得到所述第二融合结果。

4.根据权利要求1所述的方法，其特征在于，所述根据所述第一融合结果以及所述第二融合结果，对所述卷积神经网络进行优化，包括：

所述通用处理器删除所述Batch Norm层，并将所述卷积层的权值参数更改为所述第一融合结果，将所述卷积层的偏置参数更改为所述第二融合结果。

5.根据权利要求1所述的方法，其特征在于，所述方法还包括：

所述通用处理器将卷积层的输入数据分别与所述第一融合结果和所述第二融合结果进行卷积计算，得到卷积层的输出结果。

6.根据权利要求5所述的方法，其特征在于，所述将卷积层的输入数据分别与所述第一融合结果和所述第二融合结果进行卷积计算，得到卷积层的输出结果，包括：

所述通用处理器将所述输入数据与所述第一融合结果进行乘法运算，得到第一运算结果；

所述通用处理器将所述第一运算结果与所述第二融合结果进行加法运算，得到所述输出结果。