CN114004335B 一种数据处理的方法、装置、电子设备及存储介质 （上海商汤科技开发有限公司）

据形式表征的目标神经网络中各网络层对应的公开在执行阶段可以兼容各种大小的输入训练2获取基于目标神经网络训练代码编译得到的计算图；其中，目标神经网络中各网络层对应的形状计算规则和数据计将所述目标神经网络中各网络层对应的形状计算规则进行合并，得到基于所述输入数据、所述目标神经网络最后一个网络层对应的网基于所述输入数据、所述目标神经网络第一个网络层对应的网络基于所述目标神经网络上一个网络层输出的形状结果、所3.根据权利要求1或2所述的方法，其特将所述待训练的训练数据的数据值、以及所述目标神经网利用分配好的内存空间，基于所述数据计算规4.根据权利要求1至3任一所述的方法，其特征在于，所述在所述第一平台执行完成目标神经网络各网络层对应的形状运算关第二平台执行所述目标神经网络各网络层对应的在所述第一平台执行完成目标神经网络当前网络层对3并行执行目标神经网络下一个网络层对应的形6.根据权利要求1至5任一所述的方法，其特验证所述目标神经网络各网络层输出的形状结果是否符合预设形在验证出符合预设形状结果的情况下，执行基于所述据形式表征的目标神经网络中各网络层对应的形状计算规则和数据执行模块，用于响应于针对所述计算图的执行指令，将待训练的9.一种计算机可读存储介质，其特征在于，序，该计算机程序被处理器运行时执行如权利要求1至6任一所述的数据处理的方法的步4征的目标神经网络中各网络层对应的形状计算规则和数据计算规含的形状运算关系和数据运算关系，执行得到针对所述目标神经网络训练代码的执行结用形状运算关系和数据运算关确定了目标神经网络各网络层的形状计算规则和数据计算5[0016]将所述待训练的训练数据的数据尺寸作为所述计算图中包含的形状运算关系的标神经网络的形状计算规则；[0028]在一种可能的实施方式中，所述利用分配好的内存空间[0030]利用分配好的内存空间，基于所述数据计算规则对所述6[0036]在所述第一平台执行完成目标神经网络各网络层对应的再在第二平台执行所述目标神经网络各网络层对应的数据运算平台并行执行目标神经网络下一个网络层对应的形状运算用数据形式表征的目标神经网络中各网络层对应的形状计算规则和数据计78[0064]参见图1所示，为本公开实施例提供的数据处理的方法的流程图，方法包括步骤目标神经网络中各网络层对应的形状计算规则和数据计算规9[0074]本公开实施例中有关计算图的执行可以是基于对执行指TensorFlow这一深度学习框架将网络训练代码构建为TFGraph，TensorRT将目标神经网络[0078]本公开实施例提供的数据处理的方法可以按照如下步骤执行目标神经网络训练数据计算规则。这样一个矩阵乘法在计算图上就对应了一个matmul_shape和一个matmul_Convolutionshape(对应第一次形状运算)和Convolutioncalc(对应第一次数据运算)，状计算等价于一个reshape_shape。如干个连续的矩阵乘法，其形状计算等价于一个[0110]有关预设形状结果可以是预先确定的，一旦输入的训练数据的形状大小得以确据形式表征的目标神经网络中各网络层对应的形状计算规则和数据计用形状运算关系和数据运算关确定了目标神经网络各网络层的形状计算规则和数据计算神经网络各网络层对应的网络尺寸、以及目标神经网络中各网络层对应的形状计算规则，神经网络各网络层对应的网络尺寸、以及目标神经网络中各网络层对应的形状计算规则，[0137]在一种可能的实施方式中，按照如下一种方式执行形状运算关系和数据运算关第二平台执行目标神经网络各网络层对应的神经网络中各网络层对应的形状计算规则和数据[0147]本公开实施例还提供一种计算机程序产品，该计算机程合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，的技术方案本