编译方法及装置与流程

本公开涉及信息处理技术领域，尤其涉及一种编译方法及装置。

背景技术：

随着信息技术的不断发展和人们日益增长的需求，人们对信息及时性的要求越来越高了。目前，终端对信息的获取以及处理通常是基于通用处理器获得的。在实践中发现，这种基于通用处理器运行软件程序来处理信息的方式，受限于通用处理器的运行速率及数据的调用速率，特别是在处理神经网络模型编译等运算量较大的任务时，通用处理器负荷较大的情况下，信息处理效率较低、时延较大。

因此，急需提出一种新的技术方案以提高信息处理效率、减小时延。

技术实现要素：

根据本公开的一个方面，提出了一种神经网络模型的编译方法，所述方法包括：

确定待编译的神经网络模型的网络结构与已编译的神经网络模型的网络结构中的相同部分；

获取已编译的神经网络模型的编译结果中与所述相同部分对应的第一编译结果；

根据所述第一编译结果得到所述待编译的神经网络模型的编译结果。

在一种可能的实施方式中，确定待编译的神经网络模型的网络结构与已编译的神经网络模型的网络结构中的相同部分，包括:

将所述待编译的神经网络模型的计算图与所述已编译的神经网络模型的计算图进行比较，得到比较结果；

根据所述比较结果，将所述待编译的神经网络模型的计算图与已编译的神经网络模型的计算图中相同的部分作为所述相同部分。

在一种可能的实施方式中，所述相同部分对应的算子、算子之间的连接关系相同。

在一种可能的实施方式中，所述相同部分对应的数据的维度相同。

在一种可能的实施方式中，所述相同部分对应的权值的维度相同。

在一种可能的实施方式中，所述相同部分包括神经网络模型的至少一个层和/或至少一个算子。

在一种可能的实施方式中，所述方法还包括：

确定待编译的神经网络模型的网络结构与已编译的神经网络模型的网络结构中的不同部分；

对所述不同部分进行编译得到第二编译结果；

所述根据所述第一编译结果得到所述待编译的神经网络模型的编译结果，包括：

利用所述第一编译结果及所述第二编译结果得到所述待编译的神经网络模型的编译结果。

在一种可能的实施方式中，当所述已编译的神经网络模型的编译结果包括与网络结构信息对应的第一部分、和与数据信息和权值信息对应的第二部分时，所述获取已编译的神经网络模型的编译结果中与所述相同部分对应的第一编译结果，还包括：

在所述第一部分中，获取与所述相同部分对应的第一编译结果。

在一种可能的实施方式中，当所述已编译的神经网络模型的编译结果包括网络结构信息编译结果和数据信息及权值信息编译结果时，所述获取已编译的神经网络模型中与所述相同部分对应的第一编译结果，还包括：

在所述网络结构信息编译结果中获取与所述相同部分对应的第一编译结果。

根据本公开的另一方面，提出了一种神经网络模型的编译装置，所述装置包括：

确定模块，用于确定待编译的神经网络模型的网络结构与已编译的神经网络模型的网络结构中的相同部分；

获取模块，连接于所述确定模块，用于获取已编译的神经网络模型的编译结果中与所述相同部分对应的第一编译结果；

编译结果生成模块，连接于所述获取模块，用于根据所述第一编译结果得到所述待编译的神经网络模型的编译结果。

在一种可能的实施方式中，所述确定模块，包括:

比较子模块，用于将所述待编译的神经网络模型的计算图与所述已编译的神经网络模型的计算图进行比较，得到比较结果；

确定子模块，连接于所述比较子模块，用于根据所述比较结果，将所述待编译的神经网络模型的计算图与已编译的神经网络模型的计算图中相同的部分作为所述相同部分。

在一种可能的实施方式中，所述相同部分对应的算子、算子之间的连接关系相同。

在一种可能的实施方式中，所述相同部分对应的数据的维度相同。

在一种可能的实施方式中，所述相同部分对应的权值的维度相同。

在一种可能的实施方式中，所述相同部分包括神经网络模型的至少一个层和/或至少一个算子。

在一种可能的实施方式中，所述确定模块还用于确定待编译的神经网络模型的网络结构与已编译的神经网络模型的网络结构中的不同部分；

所述装置还包括：

编译模块，连接于所述确定模块，用于对所述不同部分进行编译得到第二编译结果；

所述编译结果生成模块包括：

编译结果生成子模块，用于利用所述第一编译结果及所述第二编译结果得到所述待编译的神经网络模型的编译结果。

在一种可能的实施方式中，当所述已编译的神经网络模型的编译结果包括与网络结构信息对应的第一部分、和与数据信息和权值信息对应的第二部分时，所述获取模块，包括：

第一获取子模块，用于在所述第一部分中，获取与所述相同部分对应的第一编译结果。

在一种可能的实施方式中，当所述已编译的神经网络模型的编译结果包括网络结构信息编译结果和数据信息及权值信息编译结果时，所述获取模块，还包括：

第二获取子模块，用于在所述网络结构信息编译结果中获取与所述相同部分对应的第一编译结果。

根据本公开的另一方面，提供了一种神经网络模型的编译装置，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为执行上述方法。

根据本公开的另一方面，提供了一种非易失性计算机可读存储介质，其上存储有计算机程序指令，其中，所述计算机程序指令被处理器执行时实现上述方法。

通过以上方法，本公开在获得待编译的神经网络模型后，将待编译的神经网络模型的网络结构与已编译的神经网络的网络结构进行比较，确定待编译的神经网络模型的网络结构与已编译的神经网络模型的网络结构中的相同部分，从已编译的神经网络模型的编译结果中获取与所述相同部分对应的第一编译结果，并根据所述第一编译结果得到所述待编译的神经网络模型的编译结果。本公开在待编译的神经网络模型与已编译的神经网络模型具有相同部分时，直接利用已编译的神经网络模型中相同部分的第一编译结果得到待编译的神经网络模型的编译结果，可以减少待编译的神经网络模型的编译时间，从而节约编译资源、提高运算效率并减小时延。

根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。

附图说明

包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。

图1示出了根据本公开一实施方式的神经网络模型的编译方法的流程图。

图2示出了根据本公开一实施方式的神经网络模型的编译方法的流程图。

图3示出了根据本公开一实施方式的神经网络模型的编译装置的框图。

图4示出了根据本公开一实施方式的神经网络模型的编译装置的框图。

图5示出了根据本公开一实施方式的神经网络模型的编译装置的框图。

图6示出了根据本公开一实施方式的神经网络模型的编译装置的框图。

具体实施方式

以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。

另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。

请参阅图1，图1示出了根据本公开一实施方式的神经网络模型的编译方法的流程图。

所述方法可以应用于终端和/或服务器中，如图1所示，所述方法包括：

步骤s110，确定待编译的神经网络模型的网络结构与已编译的神经网络模型的网络结构中的相同部分。

步骤s120，获取已编译的神经网络模型的编译结果中与所述相同部分对应的第一编译结果。

步骤s130，根据所述第一编译结果得到所述待编译的神经网络模型的编译结果。

通过以上方法，本公开在获得待编译的神经网络模型后，将待编译的神经网络模型的网络结构与已编译的神经网络的网络结构进行比较，确定待编译的神经网络模型的网络结构与已编译的神经网络模型的网络结构中的相同部分，从已编译的神经网络模型的编译结果中获取与所述相同部分对应的第一编译结果，并根据所述第一编译结果得到所述待编译的神经网络模型的编译结果。本公开在待编译的神经网络模型与已编译的神经网络模型具有相同部分时，直接利用已编译的神经网络模型中相同部分的第一编译结果得到待编译的神经网络模型的编译结果，可以减少待编译的神经网络模型的编译时间，从而节约编译资源、提高运算效率并减小时延。

在一种可能的实施方式中，所述编译结果可以包括神经网络模型的已编译代码，例如神经网络模型的网络结构信息的已编译代码等。在一个示例中，神经网络模型可以包括多层，对神经网络模型进行编译后，可以得到神经网络模型的已编译代码，其中，已编译代码中可分为各层的已编译代码，或者可分为算子的已编译代码等。当然，以上描述对已编译代码的描述是示例性的，不应认为以上对已编译代码的描述是对本公开的限制。

在一种可能的实施方式中，所述已编译代码包括利用人工智能的机器学习库编写的，可供人工智能处理器运行的机器指令。

在一种可能的实施方式中，已编译的神经网络模型的编译结果可预先存储在存储器中，且，可预先将已编译的神经网络模型的编译结果中的层标识、算子标识与已编译代码之间的对应关系存储在存储器中，当然，还可以预先将已编译的神经网络模型的其他信息也存储在存储器中，对此，本公开不做限定。

网络结构中的相同部分，可以是算子、和算子之间的连接关系相同，在此基础上，还可以包括数据的维度相同、权值的维度相同等，本领域技术人员可以根据需要，定义相同部分的标准。

本公开实施例不限制确定上述相同部分的具体方式，举例来说，可以如下文所述，利用计算图来确认。

在一种可能的实施方式中，步骤s110确定待编译的神经网络模型的网络结构与已编译的神经网络模型的网络结构中的相同部分，可以包括:

将所述待编译的神经网络模型的计算图与所述已编译的神经网络模型的计算图进行比较，得到比较结果；

根据所述比较结果，将所述待编译的神经网络模型的计算图与已编译的神经网络模型的计算图中相同的部分作为所述相同部分。

在一种可能的实现方式中，可以将神经网络模型的执行过程表示为计算图。计算图中可以包括神经网络模型中的各个算子、各个算子之间的连接关系、数据的维度、权值的维度等信息。计算图可以为有向无环图。计算图可以包括多个节点和连接节点的边，节点可以用于表示某运算的算子，例如卷积运算的算子或批量标准化算子等。节点间的边可用于表示节点间数据的走向。将神经网络模型的输入数据输入计算图的起始节点，根据各节点间的边经过计算图中的节点完成运算，计算图可以输出神经网络模型的最终结果。

在一种可能的实施方式中，所述相同部分对应的算子、算子之间的连接关系相同。

当待编译的神经网络模型的网络结构与已编译的神经网络模型的网络结构中的算子、算子之间的连接关系相同时，可以判断待编译的神经网络模型的网络结构与已编译的神经网络模型的网络结构相同。因此，在一种可能的实施方式中，可以通过算子、算子之间的连接关系来判断待编译的神经网络模型的网络结构与已编译的神经网络模型的网络结构中的相同部分。在这种情况下，所述相同部分是通过算子、算子之间的连接关系都相同来判断。

在一种可能的实施方式中，所述相同部分对应的数据的维度相同。

在判断待编译的神经网络模型的网络结构与已编译的神经网络模型的网络结构中存在算子相同，且算子之间的连接关系相同的部分时，可以进一步判断相同的部分中数据的维度是否相同，例如，在相同的部分中，算子的输入数据的维度是否相同，输出维度是否相同。在数据的维度也相同时，可以确定待编译的神经网络模型的网络结构与已编译的神经网络模型的网络结构中的相同部分。在这种情况下，除了需要判断待编译的神经网络模型的网络结构与已编译的神经网络模型的网络结构中的算子、算子之间的连接关系是否相同外，还需要判断二者的数据的维度是否相同，只有在算子、算子之间的连接关系、数据的维度都相同时，才判断该部分为所述相同部分。

在各种可能的实施方式中，数据的维度可以是任意的，例如可以是三维数据、二维数据等，对此，本公开不做限定。

在一种可能的实施方式中，所述相同部分对应的权值的维度相同。

在判断待编译的神经网络模型的网络结构与已编译的神经网络模型的网络结构中有算子相同，且算子之间的连接关系相同的部分时，可以进一步判断相同的部分中权值的维度是否相同。在这种情况下，除了需要判断待编译的神经网络模型的网络结构与已编译的神经网络模型的网络结构中的算子、算子之间的连接关系是否相同外，还需要进一步判断权值的维度是否相同，只有在算子、算子之间的连接关系、权值的维度都相同的时候，才能确定所述相同部分。

在一种可能的实施方式中，也可以对待编译的神经网络模型的网络结构与已编译的神经网络的网络结构中的算子、算子之间的连接关系、数据的维度、权值的维度都进行判断，在这种情况下，只有在算子、算子之间的连接关系、数据的维度、权值的维度都相同的时候，才能确定所述相同部分。

数据的维度、权值的维度等约束条件的加入，可以避免误判，提高相同部分确定的准确性。

当然，以上描述并非用于穷举，在实际运用中，本领域技术人员可以增加其他的判断要素，并结合本公开提到的各个要素对所述相同部分进行判断，对此，本公开不做限定。

在一种可能的实施方式中，所述相同部分包括神经网络模型的至少一个层和/或至少一个算子。

神经网络模型可以包括多层、多个算子，对所述待编译的神经网络模型的网络结构与已编译的神经网络模型的网络结构进行对比、判断得到的所述相同部分可以包括神经网络模型的层和/或算子。

在不同的情况下，所述相同部分可以包括由若干个层和/或若干个算子组成。相同的层可以是连续的，也可以是不连续的。例如，待编译的神经网络模型的第一层、第五层与已编译的神经网络模型的第一层、第五层相同，此时，所述相同部分包括第一层、第五层，此外，所述相同部分还可以包括至少一个算子。

在一种可能的情况中，已编译的神经网络模型可以包括多个，所述相同部分可以是：待编译的神经网络模型与各个已编译的神经网络模型的相同部分。在这种情况下，所述相同部分包括多个相同子部分，每一相同子部分表示待编译的神经网络模型与对应每一个已编译的神经网络模型的一部分相同。例如，待编译的神经网络模型的第一层与编号为1的已编译的神经网络模型的第一层相同，待编译的神经网络模型的第三层与编号为3的已编译的神经网络模型的第三层相同，待编译的神经网络的第四层、4个连续的算子与编号为5的已编译的神经网络模型的第四层、4个连续的算子相同，等等。

当然，以上描述是示例性的，不应视为以上介绍是对本公开的限定，在其他可能的实施方式中，所述相同部分可以是待编译的神经网络模型的网络结构中层、算子与不同已编译的神经网络模型的网络结构中的层、算子的多种组合，对此，本公开不做限定。

在一种可能的实施方式中，步骤s120获取已编译的神经网络模型中所述相同部分对应的第一编译结果，可以包括：

根据所述相同部分中的算子的算子标识，以及已编译的神经网络模型的已编译代码与算子标识的对应关系，获得已编译的神经网络模型的已编译代码；和/或

根据所述相同部分中的层的层标识，以及已编译的神经网络模型的已编译代码与层标识的对应关系，获得已编译的神经网络模型的已编译代码；

将所述获得的已编译代码作为所述第一编译结果。

请参阅图2，图2示出了根据本公开一实施方式的神经网络模型的编译方法的流程图。

如图2所示，在一种可能的实施方式中，所述方法还可以包括：

步骤s140，确定待编译的神经网络模型的网络结构与已编译的神经网络模型的网络结构中的不同部分；

在一种可能的实施方式中，步骤s110确定了所述相同部分后，步骤s140可以将待编译的神经网络模型的网络结构中的其余部分视为所述不同部分。当然，在另一种可能的实施方式中，步骤s140也可以按照预设条件重新确定不同部分，例如，预设条件可以包括算子、算子之间的连接关系任意一种不同，或者在算子、算子之间的连接关系相同时，数据的维度、权值的维度任意一种不同。应该说明的是，无论是根据相同部分间接得到所述不同部分，还是根据预设条件重新判定的方式，或者是其他的确定方式，都应视为本公开的权利要求范围之内，本公开对确定所述不同部分的具体方法不做限定，只要可以得到待编译的神经网络模型的网络结构与已编译的神经网络模型的网络结构中的不同部分即可。

步骤s150，对所述不同部分进行编译得到第二编译结果；

在确定了待编译的神经网络模型的网络结构与已编译的神经网络模型的网络结构的不同部分之后，本领域技术人员可以各种编译方法对所述不同部分进行编译，对此，本公开不做限定。

在一种可能的实施方式中，在确定了所述第二编译结果后，可以为所述第二编译结果中的算子标识和已编译代码建立对应关系，和/或可以为所述第二编译结果中的层标识与已编译代码建立对应关系。该对应关系可用于后续的神经网络模型的编译。

在一种可能的实施方式中，步骤s130根据所述第一编译结果得到所述待编译的神经网络模型的编译结果，包括：

步骤s1301，利用所述第一编译结果及所述第二编译结果得到所述待编译的神经网络模型的编译结果。

在一种可能的实施方式中，在获得所述第一编译结果及所述第二编译结果后，可以将所述第一编译结果及所述第二编译结果进行合并，从而得到待编译的神经网络模型的编译结果。

在一种可能的实施方式中，在获得了所述神经网络模型的编译结果后，可以为所述神经网络模型的编译结果中算子标识与已编译代码建立对应关系，和/或为所述神经网络模型的编译结果中的层标识与已编译代码建立对应关系。该对应关系可用于后续的神经网络模型的编译。

可见，本公开在确定了待编译的神经网络模型的网络结构与已编译的神经网络模型的网络结构中的相同部分后，就不需要对所述相同部分进行编译，只要通过已编译的神经网络模型获得所述第一编译结果，并对不同部分进行编译得到第二编译结果后，就可以得到需要的编译结果。通过这样的方法，本公开可以节约编译时间、加快编译速度、节省编译开销，从而节约编译资源，提高编译速度，进而提高了神经网络模型执行速度，减少了运算时延。

在一种可能的实施方式中，当所述已编译的神经网络模型的编译结果包括与网络结构信息对应的第一部分、和与数据信息和权值信息对应的第二部分时，步骤s120获取已编译的神经网络模型的编译结果中与所述相同部分对应的第一编译结果，还包括：

在所述第一部分中，获取与所述相同部分对应的第一编译结果。

在一种可能的实施方式中，对于已编译的神经网络模型，与网络结构信息、数据信息、权值信息对应的编译结果等都可以存储在所述已编译的神经网络模型的编译结果中，在这种情况下，在获取所述相同部分对应的第一编译结果时，可以直接到所述已编译的神经网络模型的编译结果中与网络结构信息对应的第一部分中获取。

在一种可能的实施方式中，当所述已编译的神经网络模型的编译结果包括网络结构信息编译结果和数据信息及权值信息编译结果时，步骤s120获取已编译的神经网络模型中与所述相同部分对应的第一编译结果，还包括：

在所述网络结构信息编译结果中获取与所述相同部分对应的第一编译结果。

在一种可能的实施方式中，对于已编译的神经网络模型，与网络结构信息对应的编译结果、以及与数据信息和权值信息对应的编译结果可以分别存储，例如，与网络结构信息对应的编译结果可以存储在网络结构信息编译结果中，与数据信息、权值信息对应的编译结果可以存储在数据信息及权值信息编译结果中，在这种情况下，可以直接到存储与网络结构信息对应的编译结果的网络结构信息编译结果中获取所述相同部分对应第一编译结果。

请参阅图3，图3示出了根据本公开一实施方式的神经网络模型的编译装置的框图。

所述神经网络模型的编译装置可以应用于终端和/或服务器中，如图3所示，所述装置包括：

确定模块10，用于确定待编译的神经网络模型的网络结构与已编译的神经网络模型的网络结构中的相同部分；

获取模块20，连接于所述确定模块10，用于获取已编译的神经网络模型的编译结果中与所述相同部分对应的第一编译结果；

编译结果生成模块30，连接于所述获取模块20，用于根据所述第一编译结果得到所述待编译的神经网络模型的编译结果。

通过以上装置，本公开在获得待编译的神经网络模型后，将待编译的神经网络模型的网络结构与已编译的神经网络的网络结构进行比较，确定待编译的神经网络模型的网络结构与已编译的神经网络模型的网络结构中的相同部分，从已编译的神经网络模型的编译结果中获取与所述相同部分对应的第一编译结果，并根据所述第一编译结果得到所述待编译的神经网络模型的编译结果。本公开在待编译的神经网络模型与已编译的神经网络模型具有相同部分时，直接利用已编译的神经网络模型中相同部分的第一编译结果得到待编译的神经网络模型的编译结果，可以减少待编译的神经网络模型的编译时间，从而节约编译资源、提高运算效率并减小时延。

在一种可能的实施方式中，所述相同部分对应的算子、算子之间的连接关系相同。

在一种可能的实施方式中，所述相同部分对应的数据的维度相同。

在一种可能的实施方式中，所述相同部分对应的权值的维度相同。

在一种可能的实施方式中，所述相同部分包括神经网络模型的至少一个层和/或至少一个算子。

在一种可能的实施方式中，所述确定模块还用于确定待编译的神经网络模型的网络结构与已编译的神经网络模型的网络结构中的不同部分。

请参阅图4，图4示出了根据本公开一实施方式的神经网络模型的编译装置的框图。

在一种可能的实施方式中，如图4所示，所述确定模块10，可以包括:

比较子模块110，用于将所述待编译的神经网络模型的计算图与所述已编译的神经网络模型的计算图进行比较，得到比较结果；

确定子模块120，连接于所述比较子模块110，用于根据所述比较结果，将所述待编译的神经网络模型的计算图与已编译的神经网络模型的计算图中相同的部分作为所述相同部分。

在一种可能的实施方式中，所述装置还可以包括：

编译模块40，连接于所述确定模块10，用于对所述不同部分进行编译得到第二编译结果；

所述编译结果生成模块30还连接于所述编译模块40，所述编译结果生成模块30可以包括：

编译结果生成子模块301，用于利用所述第一编译结果及所述第二编译结果得到所述待编译的神经网络模型的编译结果。

在一种可能的实施方式中，当所述已编译的神经网络模型的编译结果包括与网络结构信息对应的第一部分、和与数据信息和权值信息对应的第二部分时，所述获取模块20，可以包括：

第一获取子模块210，用于在所述第一部分中，获取与所述相同部分对应的第一编译结果。

在一种可能的实施方式中，当所述已编译的神经网络模型的编译结果包括网络结构信息编译结果和数据信息及权值信息编译结果时，所述获取模块20，还可以包括：

第二获取子模块220，用于在所述网络结构信息编译结果中获取与所述相同部分对应的第一编译结果。

应该明白的是，以上的神经网络模型的编译装置为与前述的神经网络模型的编译方法对应的装置，其具体介绍请参考之前对神经网络模型的编译方法的描述，在此不再赘述。

请参阅图5，图5示出了根据本公开一实施方式的神经网络模型的编译装置的框图。例如，装置800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。

参照图5，装置800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(i/o)的接口812，传感器组件814，以及通信组件816。

处理组件802通常控制装置800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在装置800的操作。这些数据的示例包括用于在装置800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。

电源组件806为装置800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为装置800生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述装置800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(lcd)和触摸面板(tp)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当装置800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(mic)，当装置800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

i/o接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件814包括一个或多个传感器，用于为装置800提供各个方面的状态评估。例如，传感器组件814可以检测到装置800的打开/关闭状态，组件的相对定位，例如所述组件为装置800的显示器和小键盘，传感器组件814还可以检测装置800或装置800一个组件的位置改变，用户与装置800接触的存在或不存在，装置800方位或加速/减速和装置800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如cmos或ccd图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800可以接入基于通信标准的无线网络，如wifi，2g或3g，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(nfc)模块，以促进短程通信。例如，在nfc模块可基于射频识别(rfid)技术，红外数据协会(irda)技术，超宽带(uwb)技术，蓝牙(bt)技术和其他技术来实现。

在示例性实施例中，装置800可以被一个或多个应用专用集成电路(asic)、数字信号处理器(dsp)、数字信号处理设备(dspd)、可编程逻辑器件(pld)、现场可编程门阵列(fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由装置800的处理器820执行以完成上述方法。

请参阅图6，图6示出了根据本公开一实施方式的神经网络模型的编译装置的框图。例如，装置1900可以被提供为一服务器。参照图6，装置1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。

装置1900还可以包括一个电源组件1926被配置为执行装置1900的电源管理，一个有线或无线网络接口1950被配置为将装置1900连接到网络，和一个输入输出(i/o)接口1958。装置1900可以操作基于存储在存储器1932的操作系统，例如windowsservertm，macosxtm，unixtm,linuxtm，freebsdtm或类似。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由装置1900的处理组件1922执行以完成上述方法。

本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、静态随机存取存储器(sram)、便携式压缩盘只读存储器(cd-rom)、数字多功能盘(dvd)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(isa)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如smalltalk、c++等，以及常规的过程式编程语言—诸如“c”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(fpga)或可编程逻辑阵列(pla)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。

这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。