一种数据处理方法、装置及电子设备与流程

1.本技术涉及数据处理技术领域，更具体的说是涉及一种数据处理方法、装置及电子设备。


背景技术：

2.目前，智能设备中添加专用的处理器，以完成对应数据的处理。例如，智能设备中增加的ai(artificial intelligence，人工智能)功能已经成为边缘侧ai的典型应用。当智能设备中有不同的芯片厂商开发的专用的人工智能处理器时，每次智能使用一个人工智能处理器来执行对应的任务，若要切换至其他厂商的人工智能处理器，需要重新发开发与之对应的适配信息，造成了重复开发，并且降低了数据处理的效率。


技术实现要素：

3.有鉴于此，本技术提供如下技术方案：
4.一种数据处理方法，包括：
5.获取当前处理平台的每一专用处理器的特征信息，其中，所述当前处理平台包括至少两个专用处理器；
6.响应于接收到目标处理任务，基于每一专用处理器的特征信息确定目标专用处理器，所述目标专用处理器包括至少一个专用处理器；
7.控制所述目标专用处理器执行所述目标处理任务，并输出执行结果。
8.可选地，所述响应于接收到目标处理任务，基于每一专用处理器的特征信息确定目标专用处理器，包括：
9.确定所述目标处理任务的属性特征；
10.基于所述属性特征以及每一专用处理器的特征信息，确定目标专用处理器。
11.可选地，所述基于所述属性特征以及每一专用处理器的特征信息，确定目标专用处理器，包括：
12.基于所述属性特征，将所述目标处理任务拆分为至少两个子任务；
13.基于每一专用处理器的特征信息，确定与每一所述子任务对应的目标专用处理器，以使得控制每一所述目标专用处理器共同执行所述目标处理任务。
14.可选地，所述方法还包括：
15.确定各个子任务之间的关联关系；
16.基于所述关联关系，配置每一目标专用处理器的数据输出配置信息，以使得每一所述目标专用处理器基于所述数据输出配置信息输出对应的子任务的处理结果。
17.可选地，所述基于所述属性特征以及每一专用处理器的特征信息，确定目标专用处理器，包括：
18.基于每一专用处理器的特征信息，确定每一专用处理器的处理参数；
19.基于所述属性特征和所述处理参数，预测得到每一专用处理器执行所述目标处理
任务的处理速率参数；
20.基于所述处理速率参数，确定目标专用处理器。
21.可选地，所述获取当前平台的每一专用处理器的特征信息，包括：
22.获取当前处理平台的每一专用处理器的当前负载信息；
23.和/或，
24.获取当前处理平台的每一专用处理器运行参数值大于目标阈值的运行条件下的运行特征信息。
25.可选地，还包括：
26.响应于目标专用处理器执行所述目标处理任务，获取当前每一专用处理器的处理参数；
27.基于所述处理参数，确定是否将所述目标处理任务从所述目标专用处理器调度至第一专用处理器，所述第一专用处理器为基于当前每一专用处理器的处理参数确定出的专用处理器。
28.可选地，还包括：
29.检测是否存在与所述目标专用处理器相匹配的执行架构；
30.如果否，基于所述目标专用处理器的特征信息，生成与所述目标专用处理器相匹配的配置信息；
31.基于所述配置信息创建所述目标专用处理器的执行架构。
32.一种数据处理装置，包括：
33.获取单元，用于获取当前处理平台的每一专用处理器的特征信息，其中，所述当前处理平台包括至少两个专用处理器；
34.确定单元，用于响应于接收到目标处理任务，基于每一专用处理器的特征信息确定目标专用处理器，所述目标专用处理器包括至少一个专用处理器；
35.控制单元，用于控制所述目标专用处理器执行所述目标处理任务，并输出执行结果。
36.一种电子设备，包括：
37.存储器，用于存储程序；
38.处理器，用于调度并执行所述存储器中的所述程序，通过执行所述程序实现如上述中任一项所述的数据处理方法。
39.经由上述的技术方案可知，本技术公开了一种数据处理方法、装置及电子设备，包括：获取当前处理平台的每一专用处理器的特征信息，其中，当前处理平台包括至少两个专用处理器；响应于接收到目标处理任务，基于每一专用处理器的特征信息确定目标专用处理器，目标专用处理器包括至少一个专用处理器；控制目标专用处理器执行目标处理任务，并输出执行结果。本技术能够基于每一专用处理器的特征信息，将目标处理任务调度到至少一个与之对应的目标专用处理器执行，提升了数据处理效率。
附图说明
40.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的实施例，对于本领
域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
41.图1为本技术实施例提供的一种数据处理方法的流程示意图；
42.图2为本技术实施例提供的一种应用场景的场景示意图；
43.图3为本技术实施例提供的一种数据处理装置的结构示意图；
44.图4为本技术实施例提供的一种电子设备的结构示意图。
具体实施方式
45.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
46.本技术实施例提供了一种数据处理方法，参见图1，该方法可以包括以下步骤：
47.s101、获取当前处理平台的每一专用处理器的特征信息。
48.本技术实施例提供的数据处理方法可以应用在电子设备中，该电子设备的当前处理平台包括至少两个专用处理器，且该电子设备的具有调度功能的处理模块能够获得连接每一专用处理器，并且能够控制各个专用处理器的数据传输、交互，以及能够获得每一专用处理器的相关信息，并且可以为每一专用处理器匹配对应的执行架构及环境参数等信息。其中，当前处理平台是指每一专用处理器所在的操作平台，例如，电子设备的操作系统平台。专用处理器是指针对满足目标条件的数据进行处理的处理器，目标条件可以根据数据的类型、数据的应用场景或者数据的待执行结果进行确定。例如，专用处理器可以是人工智能(artificial intelligence，ai)处理器，即用于对人工智能领域的数据进行处理，具体可以是针对语言识别、图像识别或者自然语言处理等领域的数据进行处理。
49.每一专用处理器的特征信息是指该专用处理器的属性特征、操作配置特征、可应用场景特征或者运行参数特征中的一种或多种，具体的，属性特征可以包括该专用处理器的标识信息、厂商信息以及可兼容的操作系统信息等，操作配置特征可以包括该专用处理器的处理参数，如处理速率、缓存能力、兼容信息等；应用场景特征可以是该专用处理器的可应用场景的信息，以及对应的可执行能力信息，如在图像识别场景中的分类能力，即是否可以实现二分类或者多分类；运行参数特征可以包括当前专用处理器的运行速率、负载信息以及数据传输参数等。
50.在一种实施方式中，所述获取当前处理平台的每一专用处理器的特征信息，包括：获取当前处理平台的每一专用处理器的当前负载信息；和/或，获取当前处理平台的每一专用处理器运行参数值大于目标阈值的运行条件的运行特征信息。
51.通过获取每一专用处理器的当前负载信息，可以确定每一专用处理器的负载状态，便于后续对处理任务的调度，以保证当前处理平台的处理效率。每一专用处理器的运行参数是指目标时间段内的运行参数，如在目标时间段内的负载量、运行温度参数等。目标时间段可以是设定的任一时间段，如从该专用处理器开始使用到当前时间对应的时间间隔。目标阈值可以是根据相关的运行参数设置的阈值，如温度阈值、负载阈值等。具体的，大于该目标阈值的运行条件的运行特征信息可以是当专用处理器的负载量大于负载阈值的持
续运行时间信息，或者是当专用处理器的运行温度大于温度阈值的运行时间信息等。这样可以用于确定专用处理器的寿命参数，以便在后续的任务调度过程中能够考虑各个专用处理器的使用寿命，提升专用处理器的持续工作的性能。
52.s102、响应于接收到目标处理任务，基于每一专用处理器的特征信息确定目标专用处理器。
53.目标处理任务是需要专用处理器执行的任务，例如，专用处理器为ai处理器，目标处理任务可以是图像识别任务。通过得到的每一专用处理器的特征信息来确定能够执行该目标处理任务的专用处理器，作为目标专用处理器。具体的，若特征信息中包括专用处理器的负载信息，可以选用负载量相对较小的专用处理器作为目标处理器；若特征信息包括专用处理器的处理速率参数，可以选用处理速率较高的专用处理器作为目标处理器。需要说明的是，在本技术实施例中，目标专用处理器可以是一个也可以是多个，具体的可以根据目标处理任务的属性、大小以及处理要求时长来确定目标专用处理器的数量。
54.在一种实施方式中，除了根据每一目标处理器的特征信息之外，还可以根据目标处理任务的特征来确定目标专用处理器。即，所述响应于接收到目标处理任务，基于每一专用处理器的特征信息确定目标专用处理器，包括：确定目标处理任务的属性特征；基于所述属性特征以及每一专用处理器的特征信息，确定目标专用处理器。其中，目标处理任务的属性特征可以包括任务类型、执行该任务所需的硬件配置信息、执行该任务的时长要求信息、任务是否可以拆分等特征。例如，目标处理任务为文本识别任务，则需要根据每一专用处理器的特征信息来确定执行文本识别任务较优的专用处理器作为目标专用处理器，具体的，该目标专用处理器可以配置有进行文本识别任务的文本识别机器学习模型等。
55.s103、控制目标专用处理器执行目标处理任务，并输出执行结果。
56.在确定了目标专用处理器之后，执行该方法的电子设备中具有调度功能的处理模块会将该目标处理任务发送至目标专用处理器，以使得目标专用处理器对该目标处理任务进行执行。若该目标处理任务可以被拆分执行，则对应的目标专用处理器为多个，可以将每一部分的目标处理任务发送至与之对应的目标专用处理器。在目标处理任务可拆分的应用场景中，由于输出的执行结果是该目标处理任务整体的处理结果，则需要具有调度功能的处理模块在发送对应部分的目标处理任务时，还需要将对应的数据输出格式信息发送至对应的目标专用处理器，实现目标专用处理器输出输入数据格式的统一，便于后续目标处理任务的执行结果的数据。其中，输出的执行结果可以直接输出至产生目标处理任务执行请求的数据端，也可以将执行结果输出至电子设备具有调度功能的处理模块中，由该处理模块进行处理后再输出。
57.在本技术实施例公开了一种数据处理方法，包括：获取当前处理平台的每一专用处理器的特征信息，其中，当前处理平台包括至少两个专用处理器；响应于接收到目标处理任务，基于每一专用处理器的特征信息确定目标专用处理器，目标专用处理器包括至少一个专用处理器；控制目标专用处理器执行目标处理任务，并输出执行结果。本技术能够基于每一专用处理器的特征信息，将目标处理任务调度到至少一个与之对应的目标专用处理器执行，实现了可以访问不同的专用处理器，并且能够使得不同的专用处理器进行相关的数据交互，同时完成同一目标处理任务，无需对每一专用处理器的可应用环境进行重复的信息配置，避免了重复开发，提升了数据处理效率。
58.下面对本技术实施例提供的数据处理方法在不同的应用条件下对应的方案进行详细说明。
59.在本技术实施例中针对待执行的目标处理任务可以调度至少一个专用处理器来对该任务进行执行。这就使得执行该数据处理方法的电子设备的处理模块具有对专用处理器的调度功能，并且能够自动部署与每一专用处理器相匹配的环境信息，以及相关的配置信息；还能控制每一专用处理器之间的数据交互和信息传递。为了便于后续描述将电子设备的处理模块称为调度处理模块。
60.在调度处理模块接收到目标处理任务后，会获取每一专用处理器的特征信息，同时也可以基于目标处理任务的属性特征来确定最终执行该目标处理任务的目标专用处理器。在一种实施方式中，可以基于目标处理任务的属性特征，将目标处理任务拆分为至少两个子任务；基于每一专用处理器的特征信息，确定与每一子任务对应的目标专用处理器，以使得控制每一目标专用处理器共同执行目标处理任务。在该实施方式中可以通过目标处理任务的属性特征来确定是否可以将目标处理任务进行拆分，如果不可以拆分，则为该目标处理任务匹配唯一的专用处理器，如果可以拆分，则根据该目标处理任务的具体的任务内容对该任务进行拆分，基于拆分后的子任务数量来确定对应的目标专用处理器，即目标专用处理器的数量与子任务的数量相等，然后基于每一目标专用处理器的执行结果确定目标处理任务的最终结果，并输出。
61.具体的，对目标处理任务的拆分方式不同，确定的目标专用处理器也不同。可以首先确定各个子任务之间的关联关系，基于该关联关系，配置每一目标专用处理器的数据输出配置信息，以使得每一所述目标专用处理器基于该数据输出配置信息输出对应的子任务的处理结果。根据对目标处理任务的拆分方式不同，得到的子任务之间的关联关系不同。若目标处理任务是对100张图像进行人脸识别，可以将该任务拆分为两部分，每一部分分别是对50张图像进行人脸识别，则该拆分方式下的子任务的关联关系为并列关系。则确定与这两个子任务对应的两个目标专用处理器，则可以分别独立完成对图像中的人脸特征的识别，同时需要配置每一目标专用处理器的数据输出配置信息，以使得每一目标专用处理器输出的人脸特征识别结果的数据格式相同，便于后续对这两个目标专用处理器输出的人脸特征识别结果进行汇总。
62.仍以目标处理任务为对图像中的人脸特征信息进行识别为例，若根据执行目标处理任务的步骤对该目标处理任务进行拆分时，则第一子任务可以是从图像中提取出人脸区域，第二子任务可以是对该人脸区域的图像进行识别得到人脸特征识别结果，则这两个子任务之间的关联关系为因果关系，即第一子任务的处理结果为第二子任务的输入。此时，需要配置执行第一子任务的目标专用处理器的数据输出格式，满足执行第二子任务的目标专用处理器的数据输入格式，以便于这两个目标处理器可以进行数据的传递。
63.在该实施方式中，可以通过电子设备的调度处理模块配置每一专用处理器的数据输出输入格式，满足了不同的专用处理器对同一处理任务处理的场景需求，无需在切换专用处理器时重新开发与切换后的专用处理器的所有配置信息，降低了开发成本，并通过不同的专用处理器对同一处理任务进行处理提升了处理效率。
64.在另一种实施方式中，电子设备的调度处理模块在获得了目标处理任务后，可以获取每一专用处理器的相关处理参数来预估每一专用处理器的处理效率和效果，以确定目
标专用处理器。具体的，本技术中的所述基于属性特征以及每一专用处理器的特征信息，确定目标专用处理器，包括：基于每一专用处理器的特征信息，确定每一专用处理器的处理参数；基于所述属性特征和所述处理参数，预测得到每一专用处理器执行所述目标处理任务的处理速率参数；基于所述处理速率参数，确定目标专用处理器。
65.可以根据目标处理任务的属性特征来确定目标处理任务待执行的数据量，然后可以根据每一专用处理器的特征信息来确定当前每一专用处理器的处理参数，该处理参数可以包括每一专用处理器当前的负载信息、处理速率参数，以及可接收的数据量等。通过上述这些信息可以预测若将目标处理任务分配至每一专用处理器，每一专用处理器可以达到的处理速率，从而根据该处理速率预估处理时间，选取预估处理时间较短的作为目标专用处理器。进一步地，还可以获取当前处理环境的参数信息，如当前的网络参数信息、电量信息等，还基于这些环境的参数信息选取最满足当前处理环境的专用处理器作为目标专用处理器。
66.在本技术实施例中可以对目标专用处理器执行目标处理任务的执行过程进行实时监测，以确定是否对当前目标专用处理器中的目标处理任务进行调度。具体的，在本技术实施例提供的数据处理方法中还包括：响应于目标专用处理器执行目标处理任务，获取每一专用处理器的处理参数；基于处理参数，确定是否将目标处理任务从目标专用处理器调度至第一专用处理器，其中，第一专用处理器为基于当前每一专用处理器的处理参数确定出的专用处理器。
67.获取的每一专用处理器的处理参数不仅包括正在执行目标处理任务的目标专用处理器的处理参数，还包括当前处理平台中除目标专用处理器之外的其他的专用处理的处理参数。处理参数可以包括当前负载率、当前处理速率、当前缓存量等参数。例如，若监测到目标专用处理器的当前处理速率下降，并且某个专用处理器已经执行完之前的处理任务，负载量下降，则可以将该专用处理器确定为第一专用处理器，将目标处理任务从目标专用处理器调度至该第一专用处理器，以继续执行后续的目标处理任务，获得执行结果。
68.在本技术实施例中可以是通过获取当前处理平台的信息确定了当前具有的专用处理器后，为每一专用处理器创建与之对应的执行架构，也可以是在确定了目标专用处理器后，若检测到没有与之对应的执行架构后进行创建，后者更适用于当前处理平台导入新的专用处理器的应用场景。具体的，可以是检测是否存在与目标专用处理器相匹配的执行架构；如果否，基于目标专用处理器的特征信息，生成与目标专用处理器相匹配的配置信息；基于所述配置信息创建目标专用处理器的执行架构。其中，特征信息可以是该目标专用处理器的属性特征、处理性能特征等。对应生成的配置信息可以包括数据输入、输出的接口配置信息、数据量配置信息，生成的执行结构可以是该目标专用处理器对应的生态软件包等。通过生成目标专用处理器的执行架构，便于后续利用目标专用处理器对目标处理任务的执行。
69.参见图2，为本技术实施例提供的一种应用场景的场景示意图，在该应用场景中当前处理平台为电子设备的操作平台，上述实施例中的数据处理方法由该电子设备的调度处理模块200执行。首先对调度处理模块进行配置，主要是配置该调度处理模块可以与电子设备的核心处理器进行数据传输，以及与电子设备的专用处理器进行数据交互，在该应用场景中电子设备的操作平台中配置的专用处理器为人工智能处理器，并且包括第一人工智能
处理器201、第二人工智能处理器202、第三人工智能处理器203以及第四人工智能处理器204。这些人工智能处理器在处理性能和处理领域中存在一定的差别，例如，第一人工智能处理器201主要用于对图像进行识别和处理，第四人工智能处理器204主要用于对文本进行识别和处理，第二人工智能处理器202和第三人工智能处理器203可以对所有的人工智能领域的信息进行处理。
70.当调度处理模块200获得了该电子设备的当前操作平台配置的各个人工智能处理器的特征信息后，会创建与每一人工智能处理器的配置信息，该特征信息包括人工智能处理器的属性特征、厂商特征、处理能力特征等，配置信息可以包括接口信息、执行环境配置信息等，根据这些配置信息生成与每一人工智能处理器相匹配的执行架构，为了便于描述将该执行架构对应的信息统一称为软件工具开发包(software development kit，sdk)。
71.在完成上述部署后，调度处理模块200会对每一人工智能处理器的信息进行监控，例如，可以通过每30秒检测一次，来实现监控6个小时内，每个人工智能处理器的负载使用情况、处理速率等参数，以供后续对每一人工智能处理器的评估和任务调度。
72.当调度处理模块200接收到人工智能处理任务时，会根据当前每一人工智能处理器的特征信息来确定执行该人工智能处理任务的目标人工智能处理器，其中，人工智能处理任务可以是图像识别任务，将该图像识别任务拆分为三个子任务，即获取图像、对图像进行解码以及对图像特征进行人工智能识别，由于为调度处理模块200配置了对各个人工智能处理器进行调度或者数据传输的统一结构，因此不必关注具体使用的具体使用哪种人工智能处理器，实现了应用的跨部件平台。最终各个目标人工智能处理器对任务的执行结果可以返回至调度处理模块200，由调度处理模块200进行汇总和输出。
73.在确定目标人工智能处理器时，需要考虑每一人工智能处理的相关部件的负载均衡以及寿命。例如，在对图像识别任务进行分配时，可以选择在一小时内的平均负载小于60％的人工智能处理器作为目标人工处理器；若所有的人工智能处理器在一小时内的平均负载都不小于60％，可以选择两个小时内的平均负载小于60％的人工智能处理器作为目标人工处理器；若6个小时内所有人工智能处理器的平均负载均大于60％，可以选取当前负载量最小的人工智能处理器作为目标人工智能处理器。
74.还可以根据目标人工智能处理器的执行任务的实时状态来确定是否对当前执行的人工智能处理任务进行切换。例如，目标人工智能处理器当前2个小时内的平均负载均大于60％，若在剩余的人工智能处理器中确定到负载量合适的人工智能处理器，则将该人工智能处理任务由目标人工智能处理器切换至新确定的人工智能处理器。如果剩余的人工智能处理器在6个小时内的平均负载均大于60％，则不进行切换，继续由目标人工智能处理器执行该人工智能处理任务。
75.在本技术实施例可以实现对每一人工智能处理器的相关配置信息进行自动配置，统一了各个人工智能处理器的接口，屏蔽了不同人工智能处理器的生态细节，并且在任务调度时综合了各个人工智能处理器的负载量以及寿命的考量，实现了不同人工智能处理器的跨平台的应用，避免了重复开发，提升了任务的处理效率。
76.在本技术的另一实施例中还提供了一种数据处理装置，参见图3，包括：
77.获取单元301，用于获取当前处理平台的每一专用处理器的特征信息，其中，所述当前处理平台包括至少两个专用处理器；
78.确定单元302，用于响应于接收到目标处理任务，基于每一专用处理器的特征信息确定目标专用处理器，所述目标专用处理器包括至少一个专用处理器；
79.控制单元303，用于控制所述目标专用处理器执行所述目标处理任务，并输出执行结果。
80.在本技术公开的一种数据处理装置，包括：获取单元获取当前处理平台的每一专用处理器的特征信息，其中，当前处理平台包括至少两个专用处理器；确定单元响应于接收到目标处理任务，基于每一专用处理器的特征信息确定目标专用处理器，目标专用处理器包括至少一个专用处理器；控制单元控制目标专用处理器执行目标处理任务，并输出执行结果。本技术能够基于每一专用处理器的特征信息，将目标处理任务调度到至少一个与之对应的目标专用处理器执行，提升了数据处理效率。
81.在一种实施方式中，确定单元包括：
82.第一确定子单元，用于确定所述目标处理任务的属性特征；
83.第二确定子单元，用于基于所述属性特征以及每一专用处理器的特征信息，确定目标专用处理器。
84.可选地，所述第二确定子单元具体用于：
85.基于所述属性特征，将所述目标处理任务拆分为至少两个子任务；
86.基于每一专用处理器的特征信息，确定与每一所述子任务对应的目标专用处理器，以使得控制每一所述目标专用处理器共同执行所述目标处理任务。
87.进一步地，所述装置还包括：
88.第三确定子单元，用于确定各个子任务之间的关联关系；
89.第一配置子单元，用于基于所述关联关系，配置每一目标专用处理器的数据输出配置信息，以使得每一所述目标专用处理器基于所述数据输出配置信息输出对应的子任务的处理结果。
90.可选地，所述第二确定子单元还用于：
91.基于每一专用处理器的特征信息，确定每一专用处理器的处理参数；
92.基于所述属性特征和所述处理参数，预测得到每一专用处理器执行所述目标处理任务的处理速率参数；
93.基于所述处理速率参数，确定目标专用处理器。
94.可选地，获取单元包括：
95.第一获取子单元，用于获取当前处理平台的每一专用处理器的当前负载信息；
96.和/或，
97.第二获取子单元，用于获取当前处理平台的每一专用处理器运行参数值大于目标阈值的运行条件下的运行特征信息。
98.进一步地，所述装置还包括：
99.调度单元，用于响应于目标专用处理器执行所述目标处理任务，获取当前每一专用处理器的处理参数；基于所述处理参数，确定是否将所述目标处理任务从所述目标专用处理器调度至第一专用处理器，所述第一专用处理器为基于当前每一专用处理器的处理参数确定出的专用处理器。
100.可选地，还包括：
101.检测单元，用于检测是否存在与所述目标专用处理器相匹配的执行架构；
102.生成单元，用于如果否，基于所述目标专用处理器的特征信息，生成与所述目标专用处理器相匹配的配置信息；
103.创建单元，用于基于所述配置信息创建所述目标专用处理器的执行架构。
104.需要说明的是，本实施例中各个单元以及子单元的具体实现可以参考前文中的相应内容，此处不再详述。
105.在本技术的另一实施例中，还提供了一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现如上任一项所述的数据处理方法的各个步骤。
106.参见图4，为本技术另一实施例提供的一种电子设备的结构示意图，本实施例中的技术方案主要用于提升数据的处理效率。
107.具体的，本实施例中的电子设备可以包括以下结构：
108.存储器401，用于存储程序；
109.处理器402，用于调用并执行所述存储器中的所述程序，通过执行所述程序实现：
110.获取当前处理平台的每一专用处理器的特征信息，其中，所述当前处理平台包括至少两个专用处理器；
111.响应于接收到目标处理任务，基于每一专用处理器的特征信息确定目标专用处理器，所述目标专用处理器包括至少一个专用处理器；
112.控制所述目标专用处理器执行所述目标处理任务，并输出执行结果。
113.需要说明的是，本实施例中处理器的具体实现可以参考前文中的相应内容，此处不再详述。
114.本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
115.专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
116.结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。
117.对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本技术。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本技术的精神或范围的情况下，在其它实施例中实现。因此，本技术将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。