神经网络模型的运行方法、介质、程序产品以及电子设备与流程

技术特征：
1.一种神经网络模型的运行方法，应用于电子设备，其特征在于，所述神经网络模型包括指数函数运算，所述方法包括：在神经网络模型的运行过程中，接收待进行所述指数函数运算的第一浮点型数据；对所述第一浮点型数据进行数值转换，得到属于预设浮点型数据范围的第二浮点型数据，其中所述预设浮点型数据范围为小于或者等于零；将所述第二浮点型数据进行量化得到所述第二浮点型数据的第一定点数；将所述第一定点数作为索引值在查找表中查找所述第一定点数对应的第一指数定点结果值，其中所述查找表中的各索引值对应的浮点数值的范围与所述预设浮点型数据范围相同；基于所述第一指数定点结果值确定所述第一浮点型数据的指数函数运算的第二指数定点结果值。2.根据权利要求1所述的方法，其特征在于，所述对所述第一浮点型数据进行数值转换，得到属于预设浮点型数据范围的第二浮点型数据，包括：将所述第一浮点型数据减去预先确定的所述指数函数运算的浮点型输入数据范围内的最大值，得到所述第二浮点型数据。3.根据权利要求2所述的方法，其特征在于，所述指数函数运算的浮点型输入数据范围是在所述神经网络模型的训练过程中确定的。4.根据权利要求1至3中任一项所述的方法，其特征在于，在所述查找表中查找到的所述第一指数定点结果值与所述第二指数定点结果值相同。5.根据权利要求4所述的方法，其特征在于，所述第一指数定点结果值为：所述第一定点数对应的浮点型的指数函数运算结果的定点值与定点转换因子的乘积。6.根据权利要求5所述的方法，其特征在于，所述定点转换因子为所述指数函数运算的浮点型输入数据范围内的最大值的指数函数运算结果的定点值。7.根据权利要求1至3中任一项所述的方法，其特征在于，所述基于所述第一指数定点结果值确定所述第一浮点型数据的指数函数运算的第二指数定点结果值，包括：将所述第一指数定点结果值乘以定点转换因子得到所述第二指数定点结果值。8.根据权利要求7所述的方法，其特征在于，所述第一指数定点结果值为：所述第一定点数对应的浮点型的指数函数运算结果的定点值。9.根据权利要求7所述的方法，其特征在于，所述定点转换因子为所述指数函数运算的浮点型输入数据范围内的最大值的指数函数运算结果的定点值。10.根据权利要求1所述的方法，其特征在于，所述各索引值为所述第二浮点型输入数据的量化类型对应的可取值范围内的各个整数。11.根据权利要求10所述的方法，其特征在于，所述量化类型包括下列中的至少一种：int32、int16、int8、int4、uint32、uint16、uint8、uint4。12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有指令，该指令在电子设备上执行时，使电子设备实现如权利要求1-11中的任一项所述的神经网络模型的运行方法。13.一种计算机程序产品，其特征在于，所述计算机程序产品包括指令，所述指令被一个或多个处理器执行时，实现如权利要求要求1-11中的任一项所述的神经网络模型的运行
方法。14.一种电子设备，其特征在于，包括：存储器，用于存储指令，以及一个或多个处理器，所述指令被所述一个或多个处理器执行时，使电子设备实现如权利要求1-11中的任一项所述的神经网络模型的运行方法。

技术总结
本申请涉及人工智能技术领域，特别涉及一种神经网络模型的运行方法、介质、程序产品以及电子设备。该方法包括：在神经网络模型的运行过程中，接收待进行指数函数运算的第一浮点型数据；对第一浮点型数据进行数值转换，得到属于预设浮点型数据范围的第二浮点型数据，预设浮点型数据范围为小于或等于零；将第二浮点型数据进行量化得到第二浮点型数据的第一定点数；将第一定点数作为索引值在查找表中查找第一定点数对应的第一指数定点结果值。基于第一指数定点结果值确定第一浮点型数据的指数函数运算的第二指数定点结果值。本申请构建的查找表精度高，使得基于该精度更高的查找表进行指数函数量化运算的结果更准确，可以提高模型运算结果的准确性。型运算结果的准确性。型运算结果的准确性。


技术研发人员：章小龙 黄敦博 陈柏韬
受保护的技术使用者：安谋科技（中国）有限公司
技术研发日：2022.03.31
技术公布日：2022/6/10