[发明专利]神经网络处理方法、计算机系统及存储介质

权利要求书

1.一种神经网络的处理方法，其特征在于，所述方法包括如下步骤：

获取原始网络的模型数据集及模型结构参数，其中，所述模型数据集包括所述原始网络中各个计算节点对应的网络权值，所述模型结构参数包括所述原始网络中多个计算节点的连接关系及各个计算节点的计算属性；

根据所述原始网络的模型数据集和模型结构参数，对所述原始网络进行编译运行，获得所述原始网络中各个计算节点对应的指令；

根据所述原始网络的各个计算节点对应的网络权值及指令，生成所述原始网络对应的离线模型，并将所述原始网络对应的离线模型存储至非易失性存储器中，其中，所述离线模型包含所述原始网络中各个计算节点对应的网络权值及指令，每个所述计算节点的网络权值及指令对应存储。

2.根据权利要求1所述的方法，其特征在于，所述的根据所述原始网络的模型数据集和模型结构参数运行所述原始网络，获得所述原始网络中各个计算节点对应的指令的步骤，包括：

根据所述原始网络的模型结构参数，获得所述原始网络中各个计算节点的执行顺序；

按照所述原始网络中各个计算节点的执行顺序运行所述原始网络，分别获得所述原始网络中各个计算节点对应的指令。

3.根据权利要求1所述的方法，其特征在于，所述的根据所述原始网络的各个计算节点对应的网络权值及指令，生成所述原始网络对应的离线模型的步骤，包括：

根据所述原始网络的模型数据集和模型结构参数，获得所述原始网络的内存分配方式；

根据所述原始网络的内存分配方式，将所述原始网络运行过程中的相关数据存储至第一存储器中，其中，所述原始网络运行过程中的相关数据包括所述原始网络的各个计算节点对应的网络权值、指令、输入数据及输出数据；

从所述第一存储器中获取所述原始网络的各个计算节点对应的网络权值及指令，并将所述原始网络的各个计算节点对应的网络权值及指令存储于第二存储器中，生成所述离线模型，其中，所述第二存储器为非易失性存储器。

4.根据权利要求3所述的方法，其特征在于，所述离线模型中还包括节点接口数据，所述节点接口数据用于表示所述原始网络的各个计算节点的连接关系。

5.根据权利要求1所述的方法，其特征在于，根据所述原始网络的模型数据集和模型结构参数运行所述原始网络的步骤，包括：

计算机系统的处理器或虚拟设备根据所述原始网络的模型数据集和模型结构参数运行所述原始网络。

6.根据权利要求1-5任一项所述的方法，其特征在于，所述方法还包括如下步骤：

获取新的原始网络的模型数据集和模型结构参数；

若所述新的原始网络存在对应的离线模型时，则从所述非易失性存储器中获取所述新的原始网络对应的离线模型，并根据所述新的原始网络对应的离线模型运行所述新的原始网络；

若所述新的原始网络不存在对应的离线模型，则根据所述新的原始网络的模型数据集和模型结构参数运行所述新的原始网络，生成所述新的原始网络对应的离线模型，并将所述新的原始网络对应的离线模型存储至非易失性存储器中。

7.一种神经网络的处理方法，其特征在于，所述方法还包括如下步骤：

获取原始网络的模型结构参数，其中，所述模型结构参数包括所述原始网络中多个计算节点的连接关系；

从非易失性存储器中获取所述原始网络对应的离线模型，其中，所述原始网络对应的离线模型中包含所述原始网络的各个计算节点对应的网络权值及指令；

根据所述原始网络对应的离线模型以及所述原始网络的模型结构参数运行所述原始网络。

8.一种计算机系统，其特征在于，包括处理器、第一存储器及第二存储器，所述第一存储器或所述第二存储器中存储有计算机程序，所述处理器在执行所述计算机程序时，执行如权利要求1-5任一项或权利要求7所述的方法。