CN110163372B - 运算方法、装置及相关产品 - Google Patents

Abstract

本公开涉及一种运算方法、装置及相关产品。所述产品可以包括以下一个或多个组件：处理组件，存储器，电源组件，多媒体组件，输入/输出的接口，以及通信组件。处理组件控制整体操作。处理组件可以包括一个或多个处理器来执行指令，以完成上述的运算方法的全部或部分步骤。本公开可以提高相关产品在进行神经网络模型的运算时的运算效率。

Description

运算方法、装置及相关产品

技术领域

本公开涉及信息处理技术领域，尤其涉及一种运算方法、装置及相关产品。

背景技术

在人工智能技术领域，神经网络算法是最近非常流行的一种机器学习算法，在各种领域中都取得了非常好的效果，比如图像识别，语音识别，自然语言处理等。随着神经网络算法的发展，算法的复杂度也越来越高，为了提高识别度，模型的规模也在逐渐增大。

发明内容

有鉴于此，本公开提出了一种计算方法及计算装置。

根据本公开的一方面，提供了一种神经网络的计算方法，所述方法基于神经网络对应的计算图的上下文信息进行神经网络的训练，其中，所述上下文信息包括计算图中节点之间的连接关系以及计算图中的节点对应的正向运算核和反向运算核，所述节点之间的连接关系包括正向连接关系和反向连接关系，所述正向运算核包括正向操作符和正向输出操作数，所述反向运算核包括反向操作符和反向输出操作数；

所述方法包括：

根据所述正向连接关系、正向运算核对所述神经网络进行正向计算；

根据所述反向连接关系以及反向运算核对所述神经网络进行反向训练，或者，根据反向连接关系、反向运算核、正向连接关系以及正向运算核对所述神经网络进行反向训练。

在一种可能的实现方式中，所述方法还包括：

根据计算图中节点的输入节点获取每一个节点的前驱节点和后继节点，根据所述前驱节点和所述后继结点确定所述计算图中节点之间的连接关系。

在一种可能的实现方式中，所述方法还包括：

根据所述计算图的拓扑序正向遍历所述计算图，为计算图中每一个节点创建对应的正向操作符和正向输出操作数作为每一个节点对应的正向运算核；

根据所述计算图的拓扑序反向遍历所述计算图，为计算图中每一个节点创建对应的反向操作符和反向输出操作数作为每一个节点对应的反向运算核。

在一种可能的实现方式中，根据所述正向连接关系、正向运算核对所述神经网络进行正向计算，包括：针对计算图中的任一节点执行以下操作：

通过接口从所述上下文信息中获取所述任一节点的前驱节点；其中，所述接口用于读取所述上下文信息；

根据节点和正向运算核之间的对应关系获取所述任一节点对应的正向运算核、以及所述任一节点的前驱节点对应的正向运算核；

根据所述任一节点的前驱节点对应的正向运算核中的正向输出操作数和所述任一节点对应的正向运算核中的正向操作符进行正向计算。

在一种可能的实现方式中，根据所述反向连接关系、反向运算核对所述神经网络进行反向训练，包括：

针对计算图中第一部分节点中的第一节点执行以下操作：

通过接口从所述上下文信息中获取所述第一节点的后继节点；其中，所述接口用于读取所述上下文信息；

根据节点和反向运算核之间的对应关系获得所述第一节点对应的反向运算核、以及所述第一节点的后继节点对应的反向运算核；

根据第一反向输出操作数以及所述第一节点对应的反向运算核中的反向操作符进行反向训练，

其中，所述第一反向输出操作数为所述第一节点的后继节点对应的反向运算核中的反向输出操作数。

在一种可能的实现方式中，根据所述反向连接关系、反向运算核、正向连接关系以及正向运算核对所述神经网络进行反向训练，包括：

针对计算图中第二部分节点中的第二节点执行以下操作：

根据所述第二节点对应的反向运算核中的反向操作符，以及第二节点的后继节点的反向输出操作数、或者第二节点的前驱节点的正向输出操作数、或者第二节点的正向输出操作数进行反向训练。

在一种可能的实现方式中，针对计算图中第二部分节点中的第二节点执行的操作还包括：

通过接口从所述上下文信息中获取所述第二节点的前驱节点和后继节点；其中，所述接口用于读取所述上下文信息；

获取所述第二节点的后继节点的反向输出操作数，以及所述第二节点的前驱节点的正向输出操作数；

根据所述第二节点对应的正向运算核、所述第二节点的前驱节点的正向输出操作数进行正向计算得到第二节点的正向输出操作数。

在一种可能的实现方式中，获取所述第二节点的后继节点的反向输出操作数，包括：

根据节点和反向运算核之间的对应关系，获取所述第二节点的后继节点对应的反向运算核，

将所述第二节点的后继节点对应的反向运算核中的反向输出操作数为所述第二节点的后继节点的反向输出操作数。

在一种可能的实现方式中，获取所述第二节点的前驱节点的正向输出操作数，包括：

根据节点和正向运算核之间的对应关系，获取所述第二节点的前驱节点对应的正向运算核，

将所述第二节点的前驱节点对应的正向运算核中的正向输出操作数作为所述第二节点的前驱节点的正向输出操作数。

根据本公开的另一方面，提供了一种神经网络的计算装置，所述装置基于神经网络对应的计算图的上下文信息进行神经网络的训练，其中，所述上下文信息包括计算图中节点之间的连接关系以及计算图中的节点对应的正向运算核和反向运算核，所述节点之间的连接关系包括正向连接关系和反向连接关系，所述正向运算核包括正向操作符和正向输出操作数，所述反向运算核包括反向操作符和反向输出操作数；

所述装置包括：

正向计算模块，用于根据所述正向连接关系、正向运算核对所述神经网络进行正向计算；

反向训练模块，用于根据所述反向连接关系以及反向运算核对所述神经网络进行反向训练，或者，根据反向连接关系、反向运算核、正向连接关系以及正向运算核对所述神经网络进行反向训练。

在一种可能的实现方式中，所述装置还包括：

上下文模块，用于根据计算图中节点的输入节点获取每一个节点的前驱节点和后继节点，根据所述前驱节点和所述后继结点确定所述计算图中节点之间的连接关系。

在一种可能的实现方式中，所述装置还包括：

第一创建模块，用于根据所述计算图的拓扑序正向遍历所述计算图，为计算图中每一个节点创建对应的正向操作符和正向输出操作数作为每一个节点对应的正向运算核；

第二创建模块，用于根据所述计算图的拓扑序反向遍历所述计算图，为计算图中每一个节点创建对应的反向操作符和反向输出操作数作为每一个节点对应的反向运算核。

在一种可能的实现方式中，所述正向计算模块还用于针对计算图中的任一节点执行以下操作：

通过接口从所述上下文信息中获取所述任一节点的前驱节点；其中，所述接口用于读取所述上下文信息；

根据节点和正向运算核之间的对应关系获取所述任一节点对应的正向运算核、以及所述任一节点的前驱节点对应的正向运算核；

根据所述任一节点的前驱节点对应的正向运算核中的正向输出操作数和所述任一节点对应的正向运算核中的正向操作符进行正向计算。

在一种可能的实现方式中，所述反向训练模块还用于针对计算图中第一部分节点中的第一节点执行以下操作：

通过接口从所述上下文信息中获取所述第一节点的后继节点；其中，所述接口用于读取所述上下文信息；

根据节点和反向运算核之间的对应关系获得所述第一节点对应的反向运算核、以及所述第一节点的后继节点对应的反向运算核；

根据第一反向输出操作数以及所述第一节点对应的反向运算核中的反向操作符进行反向训练，

其中，所述第一反向输出操作数为所述第一节点的后继节点对应的反向运算核中的反向输出操作数。

在一种可能的实现方式中，所述反向训练模块还用于针对计算图中第二部分节点中的第二节点执行以下操作：

根据所述第二节点对应的反向运算核中的反向操作符，以及第二节点的后继节点的反向输出操作数、或者第二节点的前驱节点的正向输出操作数、或者第二节点的正向输出操作数进行反向训练。

在一种可能的实现方式中，所述反向训练模块还用于针对计算图中第二部分节点中的第二节点执行以下操作：

通过接口从所述上下文信息中获取所述第二节点的前驱节点和后继节点；其中，所述接口用于读取所述上下文信息；

获取所述第二节点的后继节点的反向输出操作数，以及所述第二节点的前驱节点的正向输出操作数；

根据所述第二节点对应的正向运算核、所述第二节点的前驱节点的正向输出操作数进行正向计算得到第二节点的正向输出操作数。

在一种可能的实现方式中，所述反向训练模块还用于：根据节点和反向运算核之间的对应关系，获取所述第二节点的后继节点对应的反向运算核，将所述第二节点的后继节点对应的反向运算核中的反向输出操作数为所述第二节点的后继节点的反向输出操作数。

在一种可能的实现方式中，所述反向训练模块还用于根据节点和正向运算核之间的对应关系，获取所述第二节点的前驱节点对应的正向运算核，将所述第二节点的前驱节点对应的正向运算核中的正向输出操作数作为所述第二节点的前驱节点的正向输出操作数。

根据本公开的另一方面，提供了一种神经网络的计算设备，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。

通过上下文信息中的正向连接关系和正向运算核实现正向计算，通过上下文信息中的反向连接关系、反向运算核，或者反向连接关系、反向运算核、正向连接关系和正向运算核实现反向训练，根据本公开的方法，不需要额外提供针对反向训练的计算图，使用一张计算图就可以实现神经网络的正向计算和反向训练的过程。

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示出根据本公开一实施例的神经网络的计算方法的流程图。

图2示出根据本公开一实施例的神经网络的计算方法的流程图。

图3示出根据本公开一实施例的步骤S11的方法的流程图。

图4示出根据本公开一实施例的步骤S12的方法的流程图。

图5示出根据本公开一实施例的步骤S12的方法的流程图。

图6示出根据本公开一实施例的神经网络的计算装置的框图。

图7示出根据本公开一实施例的神经网络的计算装置的框图。

图8是根据一示例性实施例示出的一种用于神经网络计算的装置的框图。

图9是根据一示例性实施例示出的一种用于神经网络计算的装置的框图。

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。

相关技术中，为神经网络中提供了forward函数和backward函数分别用于实现神经网络的正向计算和反向训练。为了使这两个函数能够正确的完成相应的计算，需要分别提供相应的计算图，例如，需要为forward函数提供包含正向连接关系的计算图，为backward函数提供包含反向连接关系的计算图，非常麻烦。

为了解决上述技术问题，本公开提供了一种神经网络的计算方法，该方法可以应用于处理器，所述处理器可以为通用处理器，例如，处理器可以为中央处理单元CPU(Central Processing Unit)、图形处理单元GPU(Graphics Processing Unit)等。所述处理器还可以为用于执行人工智能运算的人工智能处理器，人工智能运算可包括机器学习运算，类脑运算等。其中，机器学习运算包括神经网络运算、k-means运算、支持向量机运算等。该人工智能处理器可例如包括NPU(Neural-Network Processing Unit，神经网络处理单元)、DSP(Digital Signal Process，数字信号处理单元)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)芯片中的一种或组合。人工智能处理器可以包括多个运算单元，多个运算单元可以并行执行运算。

图1示出根据本公开一实施例的神经网络的计算方法的流程图。本公开提供的神经网络的计算方法可以基于神经网络对应的计算图的上下文信息进行神经网络的训练，其中，所述上下文信息可以包括计算图中节点之间的连接关系以及计算图中的节点对应的正向运算核和反向运算核，所述节点之间的连接关系包括正向连接关系和反向连接关系，所述正向运算核包括正向操作符和正向输出操作数，所述反向运算核包括反向操作符和反向输出操作数。

如图1所示，该方法可以包括：

步骤S11，根据所述正向连接关系、正向运算核对所述神经网络进行正向计算；

步骤S12，根据所述反向连接关系以及反向运算核对所述神经网络进行反向训练，或者，根据反向连接关系、反向运算核、正向连接关系以及正向运算核对所述神经网络进行反向训练。

通过上下文信息中的正向连接关系和正向运算核实现正向计算，通过上下文信息中的反向连接关系、反向运算核，或者反向连接关系、反向运算核、正向连接关系和正向运算核实现反向训练，根据本公开的方法，不需要额外提供针对反向训练的计算图，使用一张计算图就可以实现神经网络的正向计算和反向训练的过程。

在本技术方案中，节点之间的连接关系可以是指计算图中节点的前驱节点和后继节点等信息。正向连接关系可以是指，在进行正向计算时节点的前驱节点和后继节点，反向连接关系可以是指，在进行反向训练时节点的前驱节点和后继节点。可以理解的是，在正向计算时，若一个节点是另一个节点的前驱节点，那么在反向训练时，该节点是另一个节点的后继节点。

正向运算核包括的正向操作符可以是节点对应的操作的操作符，例如，若一个节点完成相加的操作，那么该节点对应的正向运算核包括的正向操作符可以为“add”。正向输出操作数可以是指节点的正向运算符对节点的输入数据进行运算得到的输出数据。在一种可能的实现方式中，正向运算核还可以包括保存正向输出操作数的数据地址，便于后续节点通过数据地址获取正向输出操作数。

反向运算核包括的反向操作符可以是与反向运算核对应同一节点的正向运算核所包括的正向操作符对应的偏导函数，也就是说对于同一节点来说，该节点的操作对应的操作符为正向操作符，该节点的操作的偏导函数对应的操作符为反向操作符。反向输出操作数是在进行反向训练时，反向操作符对输入操作数进行运算得到的输出数据。

对于步骤S11，例如，在进行正向计算时，针对神经网络中的某个节点，根据正向连接关系可以确定该节点的前驱节点，前驱节点对应的正向运算核的正向输出操作数为该节点的输入操作数，根据该节点对应的正向运算核中的正向操作符以及所述输入操作数进行计算可以得到该节点的正向输出操作数，保存到正向输出操作数的数据地址，在对该节点的后继节点进行计算时，可以通过该节点对应的正向运算核中的数据地址获取到该节点的正向输出操作数作为后继节点的输入操作数。通过以上过程可以逐层对神经网络进行正向计算得到正向计算结果。

对于步骤S12，由于在反向训练过程中，神经网络中的一些节点不依赖于(正向计算时的)前驱节点的正向计算结果，而有些节点的反向训练还与前驱节点或者节点自身的正向计算结果相关，因此，本公开的反向训练针对不同的节点，过程不同。

在一种可能的实现方式中，对于不依赖于前驱节点的正向计算结果的节点，在反向训练过程中，可以根据反向连接关系确定该节点的前驱节点(该前驱节点在正向计算时为该节点的后继节点)，该前驱节点的反向输出操作数可以作为该节点的输入操作数，根据该节点的反向运算核中的反向操作符、前驱节点的反向输出操作数可以计算该节点的梯度，从而实现反向训练的过程。

在另一种可能的实现方式中，神经网络中的一些节点对应的反向运算核中的反向操作符的输入数据可能是节点的前驱节点的输出操作数，还可以包括节点的后继节点正向计算得到的正向输出操作数，也可能包括当前节点的正向计算得到的正向输出操作数。因此，针对这些节点，可以根据反向连接关系、反向运算核、正向连接关系以及正向运算核对所述神经网络进行反向训练。

在一种可能的实现方式中，上述正向连接关系和反向连接关系可以以一定的形式预先保存，在进行正向计算或反向训练时从相应的连接关系中查找即可，本公开不限于这样的实现方式，还可以通过其他方式实现。

图2示出根据本公开一实施例的神经网络的计算方法的流程图。如图2所示，所述方法还可以包括：

步骤S13，根据计算图中节点的输入节点获取每一个节点的前驱节点和后继节点，根据所述前驱节点和所述后继结点确定所述计算图中节点之间的连接关系。

步骤S14，根据所述计算图的拓扑序正向遍历所述计算图，为计算图中每一个节点创建对应的正向操作符和正向输出操作数作为每一个节点对应的正向运算核；

步骤S15，根据所述计算图的拓扑序反向遍历所述计算图，为计算图中每一个节点创建对应的反向操作符和反向输出操作数作为每一个节点对应的反向运算核

计算图(Computational Graph)是通过图论语言表示数据函数的一种方式。在图论中，节点通过边连接，节点代表事物，连接两节点的边表示两个事物间具有的关系。而计算图中用节点代表神经网络中的输入数据或者算子，连接两节点的边表示两点之间的输入输出关系，等。

在一种可能的实现方式中，处理器可以获取计算图中每个节点的输入节点，根据每个节点的输入节点确定每一个节点的前驱节点和后继节点，根据确定的每一个节点的前驱节点和后继节点可以确定计算图中节点之间的连接关系。

举例来说，处理器可以根据配置文件先对计算图进行配置，也就是根据用户提供的配置文件解析计算图，配置文件可以是记录了神经网络的计算图中每个节点的名称、参数、属性以及节点之间连接关系等的文件，处理器可以根据配置文件解析计算图中的每个节点。

具体来说，在进行计算图解析时，处理器可以解析配置文件得到第一数组，所述第一数组中包括表示所述计算图的节点的第一对象，每个第一对象包括节点属性键值对以及节点参数键值对，其中，所述节点属性键值对用于记录节点的属性，节点参数键值对用于记录节点的参数。第一数组可以是JSON(JavaScript Object Notation，JS对象简谱)数组，第一对象可以是JSON对象，计算图中的每个节点可以用JSON数组中的JSON对象表示，JSON对象可以用键值对描述计算图中的节点，一个JSON对象可以包括一个或多个键值对，多个键值对可以描述节点的不同信息。

其中，节点参数键值对可以包括节点名称键值对和运算键值对，节点名称键值对用于记录节点的名称，运算键值对用于记录节点的操作类型。节点的操作类型也就是节点的运算operation(操作)，例如，reshape、transpose等。

举例来说，节点名称键值对的key可以为name、value可以是字符串string，运算键值对的key可以为op、value可以是string。节点属性键值对的key可以为attrs、值value可以为JSON对象，JSON对象的key和value都可以是string，string可以取不同的值，进而表示不同的属性。

第一对象(JSON对象)还可以包括结构键值对，结构键值对用于记录结构键值对所属节点的输入节点，例如，结构键值对的值可以记录结构键值对所属节点的输入节点的名称，其中，节点的输入节点的输出数据作为该节点的输入数据。举例来说，结构键值对的key可以为input、value可以是string。

在一种可能的实现方式中，若某一节点的输入节点包括多个输出数据，结构键值对的值可以为第三数组，第三数组也可以为JSON数组，此时，结构键值对的value可以是string组成的JSON数组，也就是说，可以通过多个string分别表示多个输出数据。

例如，一个节点可以表示为：

"name":"Add",

"op":"Add",

"inputs":

[

"Input1"，"Input2",

],

}，

其中，节点的名字为add，节点的运算为add(加)，节点的输入节点为Input1和Input2，节点的输入数据为节点Input1和Input2的输出数据。

在进行计算图解析时，处理器可以根据配置文件遍历配置文件中的每一个节点，并创建NodeDef类，将配置文件中每一个节点的信息转化到NodeDef类中，并将NodeDef类保存到GraphDef类中。

在构建计算图时，处理器可以读取NodeDef类中每一个节点的输入节点，根据每一个节点的输入节点确定每一个节点的前驱节点和后继节点。举例来说，如上所述的示例，节点"Input1"和"Input2"为节点"Add"的前驱节点，节点"Add"为节点"Input1"和"Input2"的后继节点，节点"Input1"和"Input2"可能还有其他的后继节点，可以结合计算图中的其他节点确定。在确定节点的前驱节点和后继节点之后，创建Node类，Node类除了保存NodeDef类中节点的信息之外，还保存节点的前驱节点和后继节点，例如，保存in_node和out_node。Node类不提供访问前驱节点和后继节点的接口，Graph类作为Node类的友元类，可以访问节点的前驱节点和后继节点，具体访问的方式将在下文中介绍。

需要说明的是，图构建的其他过程不是本公开的重点，将不再详细介绍，主要过程就是创建源节点(source)和会聚节点(sink)，然后根据上述过程建立节点之间的连接关系。

在构建完计算图后，可以为计算图中的节点创建对应的操作，举例来说，针对计算图中的每个节点，可以根据已经确定的节点之间的连接关系找到该节点的前驱节点，确定前驱节点的输出张量为该节点的输入张量，解析该节点的参数，创建该节点的正向操作符，根据该节点的操作、输入张量以及参数创建该节点的输出张量(表示正向输出操作数)，并为输出张量分配数据地址。根据以上过程可以得到每一个节点对应的正向运算核。

还可以根据节点的操作在计算库中查找操作对应的偏导函数(反向操作)，并根据查找到的对应的反向操作创建反向操作符以及反向输出张量(表示反向输出操作数)，并为反向输出张量分配数据地址。根据以上过程可以得到每一个节点对应的反向运算核。

在一种可能的实现方式中，可以保存节点和节点对应的正向运算核和反向运算核之间的对应关系，例如，以map的形式保存节点和节点的正向运算核和反向运算核之间的对应关系。

在一种可能的实现方式中，可以创建Context类保存正向运算核、反向运算核、以及节点与节点对应的正向运算核、反向运算核之间的对应关系。

需要说明的是，图2中步骤S14和步骤S15的执行顺序仅仅是本公开的一个示例，本公开不限于此。

通过获取节点之间的连接关系、为节点创建对应的正向运算核和反向运算核，并保存节点与节点对应的正向运算核和反向运算核之间的对应关系。使用一张计算图，根据节点之间的连接关系以及运算核即可实现对计算图的正向计算和反向训练。

图3示出根据本公开一实施例的步骤S11的方法的流程图。如图3所示，步骤S11可以包括：

针对计算图中的任一节点执行以下操作：

步骤S111，通过接口从所述上下文信息中获取所述任一节点的前驱节点；其中，所述接口用于读取所述上下文信息；

步骤S112，根据节点和正向运算核之间的对应关系获得所述任一节点对应的正向运算核、以及所述任一节点的前驱节点对应的正向运算核；

步骤S113，根据所述任一节点的前驱节点对应的正向运算核中的正向输出操作数和所述任一节点对应的正向运算核中的正向操作符进行正向计算。

如上文所述，创建了Context类保存正向运算核、以及节点与节点对应的正向运算核之间的对应关系。在一种可能的实现方式中，可以将Context类作为Node类的友元类，Context类对外提供访问节点的前驱节点和后继节点的接口，该接口为用于读取上下文信息的接口。

在一种可能的实现方式中，可以设置用于读取节点的前驱节点的第一接口和用于读取节点的后继节点的第二接口。第一接口和第二接口在正向计算和反向训练时提供的访问正好相反，可以做到用一张计算图就可以实现正向计算和反向训练。其中，第一接口和第二接口在正向计算和反向训练时提供的访问正好相反可以是指：对于第一接口：在正向计算时，通过第一接口读取上下文信息时，返回的是节点的in_node(前驱节点)，在反向训练时，通过第一接口读取上下文信息时，返回的是节点的out_node(后继节点)；对于第二接口，在正向计算时，通过第二接口读取上下文信息时，返回的是节点的out_node(后继节点)，在反向训练时，通过第二接口读取上下文信息时，返回的是节点的in_node(前驱节点)。也就是说，在正向计算时，可以通过第一接口获取节点的前驱节点；在反向训练时，可以通过第一接口获取节点的后继节点(作为反向训练时的前驱节点)，通过第二接口可以获取节点的前驱节点(作为反向训练时的后继节点)。

在一种可能的实现方式中，所述第一接口和第二接口可以通过C++的多态实现，当然，本领域技术人员可以理解的是，还可以通过其他方式实现，本公开对此不作限定。

示例性的，假设在进行正向计算过程中的某一节点为当前节点，对于步骤S111，通过上述第一接口可以获取当前节点的前驱节点。

对于步骤S112，节点和正向运算核之间的对应关系即可以是上文所说的用map保存的节点和节点对应的正向运算核之间的对应关系。在确定当前节点的前驱节点后，可以在map中查找当前节点以及前驱节点对应的正向运算核。

通过前驱节点对应的正向运算核中的数据地址可以获取前驱节点的正向输出操作数，也就是当前节点的输入数据，将获取的前驱节点的正向输出操作数输入到当前节点，采用当前节点对应的正向运算核中的正向操作符进行正向计算得到当前节点的正向输出操作数，存储到当前节点的正向输出操作数的数据地址中。

通过以上过程可以实现神经网络的正向计算过程。

图4示出根据本公开一实施例的步骤S12的方法的流程图。如图4所示，步骤S12中的“根据所述反向连接关系、反向运算核对所述神经网络进行反向训练”可以包括：

针对计算图中第一部分节点中的第一节点执行以下操作：

步骤S121，通过接口从所述上下文信息中获取所述第一节点的后继节点；其中，所述接口用于读取所述上下文信息；

步骤S122，根据节点和反向运算核之间的对应关系获得所述第一节点对应的反向运算核、以及所述第一节点的后继节点对应的反向运算核；

步骤S123，根据第一反向输出操作数以及所述第一节点对应的反向运算核中的反向操作符进行反向训练，其中，所述第一反向输出操作数为所述第一节点的后继节点对应的反向运算核中的反向输出操作数。

根据上文的描述可知，上述计算图中第一部分节点即在反向训练过程中不依赖于(正向计算时的)前驱节点的正向计算结果的节点，该第一部分节点可能是计算图中的全部节点，也可能是计算图中的部分节点，本公开对此不作限定。第一部分节点可以包括一个或者多个第一节点，本公开对此不作限定。

对于步骤S121、步骤S122，具体过程可以参见上文，不再赘述。

对于步骤S123，在反向训练过程中，节点的后继节点的反向输出操作数作为节点的输入数据，因此，在确定节点的后继节点后，可以根据后继节点对应的反向运算核中的反向输出操作数以及节点对应的反向运算核中的反向操作符进行反向训练。

通过提供用于读取上下文信息的接口，且接口在正向计算和反向训练时提供相反的访问，可以做到用一张计算图就可以实现正向计算和反向训练。

图5示出根据本公开另一实施例的步骤S12的方法的流程图。如图5所示，步骤S12中的“根据所述反向连接关系、反向运算核、正向连接关系以及正向运算核对所述神经网络进行反向训练”可以包括：

针对计算图中第二部分节点中的第二节点执行以下操作：

步骤S127，根据所述第二节点对应的反向运算核中的反向操作符，以及第二节点的后继节点的反向输出操作数、或者第二节点的前驱节点的正向输出操作数、或者第二节点的正向输出操作数进行反向训练。

如上文所述，神经网络中的一些节点对应的反向运算核中的反向操作符的输入数据可能是节点的前驱节点的输出操作数，还可以包括节点的后继节点正向计算得到的正向输出操作数，也可能包括当前节点的正向计算得到的正向输出操作数，计算图中第二部分节点即指这一类节点。因此，可以根据第二节点对应的反向运算核中的反向操作符和以下三者中的一个或多个进行反向训练：第二节点的后继节点的反向输出操作数、第二节点的前驱节点的正向输出操作数、或者第二节点的正向输出操作数。

具体过程为，针对计算图中第二部分节点中的第二节点执行的操作还包括：

步骤S124，通过接口从所述上下文信息中获取所述第二节点的前驱节点和后继节点；其中，所述接口用于读取所述上下文信息；

步骤S125，获取所述第二节点的后继节点的反向输出操作数，以及所述第二节点的前驱节点的正向输出操作数；

步骤S126，根据所述第二节点对应的正向运算核、所述第二节点的前驱节点的正向输出操作数进行正向计算得到第二节点的正向输出操作数。

上述计算图中的第二部分节点可以是计算图中的全部节点，也可以是计算图中的部分节点，本公开对此不作限定。第二部分节点可以包括一个或多个第二节点，本公开对此不作限定。针对第二部分节点中的每一个第二节点都可以执行步骤S124-S127的过程。其中，步骤S124-S126可以根据实际情况选择执行，本公开对此不作限定。

对于步骤S124的具体过程可以参见上文中，不再赘述。

对于步骤S125，获取所述第二节点的后继节点的反向输出操作数，可以包括：根据节点和反向运算核之间的对应关系，获取所述第二节点的后继节点对应的反向运算核，将所述第二节点的后继节点对应的反向运算核中的反向输出操作数为所述第二节点的后继节点的反向输出操作数。

获取所述第二节点的前驱节点的正向输出操作数，可以包括：根据节点和正向运算核之间的对应关系，获取所述第二节点的前驱节点对应的正向运算核，将所述第二节点的前驱节点对应的正向运算核中的正向输出操作数作为所述第二节点的前驱节点的正向输出操作数。

其中，节点和反向运算核之间的对应关系即可以是上文所说的用map保存的节点和节点对应的反向运算核之间的对应关系。在确定第二节点的前驱节点和后继节点后，可以在map中查找第二节点、以及第二节点的前驱节点对应的正向运算核、第二节点的后继节点对应的反向运算核。通过第二节点的前驱节点对应的正向运算核中的数据地址可以获取第二节点的前驱节点的正向输出操作数，通过第二节点的后继节点对应的反向正向运算核中的数据地址可以获取第二节点的后继节点的反向输出操作数。

在获取需要的输入数据(第二节点的前驱节点的正向输出操作数)后，可以根据第二节点对应的正向运算核、所述第二节点的前驱节点的正向输出操作数进行正向计算得到第二节点的正向输出操作数，也就是将第二节点的前驱节点的输出操作数、作为第二节点对应的正向运算核的正向操作符的输入操作数输入，进行正向计算得到第二节点的正向输出操作数。

需要说明的是，有些神经网络的反向训练的过程可以同时包含图4以及图5所示的示例的方法，神经网络中既存在一部分第一节点和一部分第二节点，本公开对此不作限定。在实际应用中，根据反向操作符需要的输入数据，选择不同的过程进行反向训练即可。

根据以上应用示例可知，通过上下文信息中的正向连接关系和正向运算核实现正向计算，通过上下文信息中的反向连接关系和反向运算核以及正向连接关系和正向运算核是实现反向训练，根据本公开的方法，不需要额外提供针对反向训练的计算图，使用一张计算图就可以实现神经网络的正向计算和反向训练的过程。

图6示出根据本公开一实施例的神经网络的计算装置的框图。本公开提供的神经网络的计算装置可以基于神经网络对应的计算图的上下文信息进行神经网络的训练，其中，所述上下文信息可以包括计算图中节点之间的连接关系以及计算图中的节点对应的正向运算核和反向运算核，所述节点之间的连接关系包括正向连接关系和反向连接关系，所述正向运算核包括正向操作符和正向输出操作数，所述反向运算核包括反向操作符和反向输出操作数。

如图6所示，该装置可以包括：

正向计算模块61，用于根据所述正向连接关系、正向运算核对所述神经网络进行正向计算；

反向训练模块62，用于根据所述反向连接关系以及反向运算核对所述神经网络进行反向训练，或者，根据反向连接关系、反向运算核、正向连接关系以及正向运算核对所述神经网络进行反向训练。

通过上下文信息中的正向连接关系和正向运算核实现正向计算，通过上下文信息中的反向连接关系、反向运算核，或者反向连接关系、反向运算核、正向连接关系和正向运算核实现反向训练，根据本公开的方法，不需要额外提供针对反向训练的计算图，使用一张计算图就可以实现神经网络的正向计算和反向训练的过程。

图7示出根据本公开一实施例的神经网络的计算装置的框图。如图7所示，在一种可能的实现方式中，所述装置还可以包括：

上下文模块63，用于根据计算图中节点的输入节点获取每一个节点的前驱节点和后继节点，根据所述前驱节点和所述后继结点确定所述计算图中节点之间的连接关系。

在一种可能的实现方式中，所述装置还包括：

第一创建模块64，用于根据所述计算图的拓扑序正向遍历所述计算图，为计算图中每一个节点创建对应的正向操作符和正向输出操作数作为每一个节点对应的正向运算核；

第二创建模块65，用于根据所述计算图的拓扑序反向遍历所述计算图，为计算图中每一个节点创建对应的反向操作符和反向输出操作数作为每一个节点对应的反向运算核。

在一种可能的实现方式中，所述正向计算模块61还用于针对计算图中的任一节点执行以下操作：

通过接口从所述上下文信息中获取所述任一节点的前驱节点；其中，所述接口用于读取所述上下文信息；

根据节点和正向运算核之间的对应关系获取所述任一节点对应的正向运算核、以及所述任一节点的前驱节点对应的正向运算核；

根据所述任一节点的前驱节点对应的正向运算核中的正向输出操作数和所述任一节点对应的正向运算核中的正向操作符进行正向计算。

在一种可能的实现方式中，所述反向训练模块62还用于针对计算图中第一部分节点中的第一节点执行以下操作：

通过接口从所述上下文信息中获取所述第一节点的后继节点；其中，所述接口用于读取所述上下文信息；

根据节点和反向运算核之间的对应关系获得所述第一节点对应的反向运算核、以及所述第一节点的后继节点对应的反向运算核；

根据第一反向输出操作数以及所述第一节点对应的反向运算核中的反向操作符进行反向训练，

其中，所述第一反向输出操作数为所述第一节点的后继节点对应的反向运算核中的反向输出操作数。

在一种可能的实现方式中，所述反向训练模块62还用于针对计算图中第二部分节点中的第二节点执行以下操作：

根据所述第二节点对应的反向运算核中的反向操作符，以及第二节点的后继节点的反向输出操作数、或者第二节点的前驱节点的正向输出操作数、或者第二节点的正向输出操作数进行反向训练。

在一种可能的实现方式中，所述反向训练模块62还用于针对计算图中第二部分节点中的第二节点执行以下操作：

通过接口从所述上下文信息中获取所述第二节点的前驱节点和后继节点；其中，所述接口用于读取所述上下文信息；

获取所述第二节点的后继节点的反向输出操作数，以及所述第二节点的前驱节点的正向输出操作数；

根据所述第二节点对应的正向运算核、所述第二节点的前驱节点的正向输出操作数进行正向计算得到第二节点的正向输出操作数。

在一种可能的实现方式中，所述反向训练模块62还用于：根据节点和反向运算核之间的对应关系，获取所述第二节点的后继节点对应的反向运算核，将所述第二节点的后继节点对应的反向运算核中的反向输出操作数为所述第二节点的后继节点的反向输出操作数。

在一种可能的实现方式中，所述反向训练模块还用于：根据节点和正向运算核之间的对应关系，获取所述第二节点的前驱节点对应的正向运算核，将所述第二节点的前驱节点对应的正向运算核中的正向输出操作数作为所述第二节点的前驱节点的正向输出操作数。

图8是根据一示例性实施例示出的一种用于神经网络计算的装置800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8，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。

图9是根据一示例性实施例示出的一种用于神经网络计算的装置1900的框图。例如，装置1900可以被提供为一服务器。参照图9，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Windows ServerTM，MacOS XTM，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。

Claims (20)

1.一种神经网络的计算方法，其特征在于，所述方法基于神经网络对应的计算图的上下文信息进行神经网络的训练，其中，所述上下文信息包括计算图中节点之间的连接关系以及计算图中的节点对应的正向运算核和反向运算核，所述节点之间的连接关系包括正向连接关系和反向连接关系，所述正向运算核包括正向操作符和正向输出操作数，所述反向运算核包括反向操作符和反向输出操作数；

所述方法包括：

设置第一接口和第二接口；

处理器根据所述正向连接关系、正向运算核对所述神经网络进行正向计算，通过第一接口读取上下文信息时，返回的是节点的前驱节点，通过第二接口读取上下文信息时，返回的是节点的后继节点；

处理器根据所述反向连接关系以及反向运算核对所述神经网络进行反向训练，或者，根据反向连接关系、反向运算核、正向连接关系以及正向运算核对所述神经网络进行反向训练，通过第一接口读取上下文信息时，返回的是节点的后继节点，通过第二接口读取上下文信息时，返回的是节点的前驱节点。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

根据计算图中节点的输入节点获取每一个节点的前驱节点和后继节点，根据所述前驱节点和所述后继结点确定所述计算图中节点之间的连接关系。

3.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：

根据所述计算图的拓扑序正向遍历所述计算图，为计算图中每一个节点创建对应的正向操作符和正向输出操作数作为每一个节点对应的正向运算核；

根据所述计算图的拓扑序反向遍历所述计算图，为计算图中每一个节点创建对应的反向操作符和反向输出操作数作为每一个节点对应的反向运算核。

4.据权利要求2所述的方法，其特征在于，根据所述正向连接关系、正向运算核对所述神经网络进行正向计算，包括：针对计算图中的任一节点执行以下操作：

通过接口从所述上下文信息中获取所述任一节点的前驱节点；其中，所述接口用于读取所述上下文信息；

根据节点和正向运算核之间的对应关系获取所述任一节点对应的正向运算核、以及所述任一节点的前驱节点对应的正向运算核；

根据所述任一节点的前驱节点对应的正向运算核中的正向输出操作数和所述任一节点对应的正向运算核中的正向操作符进行正向计算。

5.根据权利要求2所述的方法，其特征在于，根据所述反向连接关系、反向运算核对所述神经网络进行反向训练，包括：

针对计算图中第一部分节点中的第一节点执行以下操作：

通过接口从所述上下文信息中获取所述第一节点的后继节点；其中，所述接口用于读取所述上下文信息；

根据节点和反向运算核之间的对应关系获得所述第一节点对应的反向运算核、以及所述第一节点的后继节点对应的反向运算核；

根据第一反向输出操作数以及所述第一节点对应的反向运算核中的反向操作符进行反向训练，

其中，所述第一反向输出操作数为所述第一节点的后继节点对应的反向运算核中的反向输出操作数。

6.根据权利要求2或5所述的方法，其特征在于，根据所述反向连接关系、反向运算核、正向连接关系以及正向运算核对所述神经网络进行反向训练，包括：

针对计算图中第二部分节点中的第二节点执行以下操作：

根据所述第二节点对应的反向运算核中的反向操作符和以下三者中的多个进行反向训练：第二节点的后继节点的反向输出操作数、第二节点的前驱节点的正向输出操作数、或者第二节点的正向输出操作数。

7.根据权利要求6所述的方法，其特征在于，针对计算图中第二部分节点中的第二节点执行的操作还包括：

通过接口从所述上下文信息中获取所述第二节点的前驱节点和后继节点；其中，所述接口用于读取所述上下文信息；

获取所述第二节点的后继节点的反向输出操作数，以及所述第二节点的前驱节点的正向输出操作数；

根据所述第二节点对应的正向运算核、所述第二节点的前驱节点的正向输出操作数进行正向计算得到第二节点的正向输出操作数。

8.根据权利要求7所述的方法，其特征在于，获取所述第二节点的后继节点的反向输出操作数，包括：

根据节点和反向运算核之间的对应关系，获取所述第二节点的后继节点对应的反向运算核，

将所述第二节点的后继节点对应的反向运算核中的反向输出操作数为所述第二节点的后继节点的反向输出操作数。

9.根据权利要求7所述的方法，其特征在于，获取所述第二节点的前驱节点的正向输出操作数，包括：

根据节点和正向运算核之间的对应关系，获取所述第二节点的前驱节点对应的正向运算核，

将所述第二节点的前驱节点对应的正向运算核中的正向输出操作数作为所述第二节点的前驱节点的正向输出操作数。

10.一种神经网络的计算装置，其特征在于，所述装置基于神经网络对应的计算图的上下文信息进行神经网络的训练，其中，所述上下文信息包括计算图中节点之间的连接关系以及计算图中的节点对应的正向运算核和反向运算核，所述节点之间的连接关系包括正向连接关系和反向连接关系，所述正向运算核包括正向操作符和正向输出操作数，所述反向运算核包括反向操作符和反向输出操作数；

所述装置应用于处理器，所述装置包括：第一接口和第二接口；

正向计算模块，用于根据所述正向连接关系、正向运算核对所述神经网络进行正向计算，通过第一接口读取上下文信息时，返回的是节点的前驱节点，通过第二接口读取上下文信息时，返回的是节点的后继节点；

反向训练模块，用于根据所述反向连接关系以及反向运算核对所述神经网络进行反向训练，或者，根据反向连接关系、反向运算核、正向连接关系以及正向运算核对所述神经网络进行反向训练，通过第一接口读取上下文信息时，返回的是节点的后继节点，通过第二接口读取上下文信息时，返回的是节点的前驱节点。

11.根据权利要求10所述的装置，其特征在于，所述装置还包括：

上下文模块，用于根据计算图中节点的输入节点获取每一个节点的前驱节点和后继节点，根据所述前驱节点和所述后继结点确定所述计算图中节点之间的连接关系。

12.根据权利要求10或11所述的装置，其特征在于，所述装置还包括：

第一创建模块，用于根据所述计算图的拓扑序正向遍历所述计算图，为计算图中每一个节点创建对应的正向操作符和正向输出操作数作为每一个节点对应的正向运算核；

第二创建模块，用于根据所述计算图的拓扑序反向遍历所述计算图，为计算图中每一个节点创建对应的反向操作符和反向输出操作数作为每一个节点对应的反向运算核。

13.据权利要求11所述的装置，其特征在于，所述正向计算模块还用于针对计算图中的任一节点执行以下操作：

通过接口从所述上下文信息中获取所述任一节点的前驱节点；其中，所述接口用于读取所述上下文信息；

根据节点和正向运算核之间的对应关系获取所述任一节点对应的正向运算核、以及所述任一节点的前驱节点对应的正向运算核；

根据所述任一节点的前驱节点对应的正向运算核中的正向输出操作数和所述任一节点对应的正向运算核中的正向操作符进行正向计算。

14.根据权利要求11所述的装置，其特征在于，所述反向训练模块还用于针对计算图中第一部分节点中的第一节点执行以下操作：

通过接口从所述上下文信息中获取所述第一节点的后继节点；其中，所述接口用于读取所述上下文信息；

根据节点和反向运算核之间的对应关系获得所述第一节点对应的反向运算核、以及所述第一节点的后继节点对应的反向运算核；

根据第一反向输出操作数以及所述第一节点对应的反向运算核中的反向操作符进行反向训练，

其中，所述第一反向输出操作数为所述第一节点的后继节点对应的反向运算核中的反向输出操作数。

15.根据权利要求11或14所述的装置，其特征在于，所述反向训练模块还用于针对计算图中第二部分节点中的第二节点执行以下操作：

根据所述第二节点对应的反向运算核中的反向操作符和以下三者中的多个进行反向训练：第二节点的后继节点的反向输出操作数、第二节点的前驱节点的正向输出操作数、或者第二节点的正向输出操作数。

16.根据权利要求15所述的装置，其特征在于，所述反向训练模块还用于针对计算图中第二部分节点中的第二节点执行以下操作：

通过接口从所述上下文信息中获取所述第二节点的前驱节点和后继节点；其中，所述接口用于读取所述上下文信息；

获取所述第二节点的后继节点的反向输出操作数，以及所述第二节点的前驱节点的正向输出操作数；

根据所述第二节点对应的正向运算核、所述第二节点的前驱节点的正向输出操作数进行正向计算得到第二节点的正向输出操作数。

17.根据权利要求16所述的装置，其特征在于，所述反向训练模块还用于：根据节点和反向运算核之间的对应关系，获取所述第二节点的后继节点对应的反向运算核，将所述第二节点的后继节点对应的反向运算核中的反向输出操作数为所述第二节点的后继节点的反向输出操作数。

18.根据权利要求16所述的装置，其特征在于，所述反向训练模块还用于根据节点和正向运算核之间的对应关系，获取所述第二节点的前驱节点对应的正向运算核，将所述第二节点的前驱节点对应的正向运算核中的正向输出操作数作为所述第二节点的前驱节点的正向输出操作数。

19.一种神经网络的计算设备，其特征在于，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所述可执行指令时实现权利要求1至9中任意一项所述的方法。

20.一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，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至9中任意一项所述的方法。

Images