(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111567466.6 (22)申请日 2021.12.20 (71)申请人 北京达佳互联信息技 术有限公司 地址 100089 北京市海淀区上地西路6号1 幢1层101D1-7 (72)发明人 彭薛葵　钟辉　刘晓戬　刘凌志　 (74)专利代理 机构 北京康信知识产权代理有限 责任公司 1 1240 代理人 张文华 (51)Int.Cl. G06K 9/62(2022.01) G06N 20/00(2019.01) (54)发明名称 基于机器学习模型实现数据分类的方法及 装置、 电子设备 (57)摘要 本公开关于一种基于机器学习模型实现数 据分类的方法及装置、 电子设备， 该方法通过现 场可编程逻辑门阵列器件实现， 包括： 获取待输 入至机器学习模型的特征参量， 其中， 机器学习 模型用于通过推理对特征参量进行分类， 机器学 习模型被分割成多级推理单元， 多级推理单元存 储在现场可编程逻辑门阵列器件的随机存取存 储器， 每级推理单元包括机器学习模 型的节点信 息； 根据多级推理单元， 将特征参量在随机存取 存储器上进行多级缓存， 其中， 特征参量进行缓 存的级数与推理单元的个数相同， 其中， 每级缓 存的特征参量相同； 依次利用多级推理单元中的 各级推理单元从随机存取存储器上获取与推理 单元对应的特征参量， 并对特征参量进行推理处 理。 权利要求书2页 说明书11页 附图6页 CN 114266306 A 2022.04.01 CN 114266306 A 1.一种基于机器学习模型实现数据分类的方法， 其特征在于， 该方法通过现场可编程 逻辑门阵列器件实现， 包括： 获取待输入至机器学习模型的特征参量， 其中， 所述机器学习模型用于通过推理对所 述特征参量进行分类， 所述机器学习模型被分割成多级推理单元， 所述多级推理单元存储 在所述现场可编程逻辑门 阵列器件的随机存取存储器， 每级 所述推理单元包括所述机器学 习模型的节点信息； 根据所述多级推理单元， 将所述特征参量在所述随机存取存储器上进行多级缓存， 其 中， 每级缓存的所述特 征参量相同； 依次利用所述多级推理单元中的各级推理单元从所述随机存取存储器上获取与所述 推理单元对应的所述特 征参量， 并对所述特 征参量进行推理 处理。 2.根据权利要求1所述的方法， 其特征在于， 每级所述推理单元包括多个线程， 其中， 所 述多个线程用于并行对所述特 征参量进行分类处 理。 3.根据权利要求2所述的方法， 其特征在于， 依次利用所述多级推理单元中的各级推理 单元从所述随机存取存储器上获取与所述推理单元对应的所述特征参量， 并对所述特征参 量进行推理 处理， 包括： 分别利用所述多个线程中的每 个线程执 行以下流 程： 从所述随机存取存储器读取当前线程所在的所述推理单元对应的所述机器学习模型 的节点信息， 得到在进行推理 处理过程中 需要进行比较运 算的特征号和对应的阈值； 从当前推理单元对应的层级缓存中获取进行所述推理处理对应的特征参量， 其中， 获 取所述特征参量包括： 特 征请求和特 征返回； 利用获取的所述特 征参量与所述阈值按照所述特 征号进行比较运 算。 4.根据权利要求3所述的方法， 其特征在于， 每个线程执行所述流程的周期包括多个时 钟周期， 其中， 所述时钟周期为所述现场可编程逻辑门阵列器件的时钟周期。 5.根据权利要求3或4所述的方法， 其特 征在于， 所述方法还 包括： 分别控制所述每个线程在所述周期的不同时钟周期内执行所述特征请求的步骤， 以及 分别控制所述每个线程在所述周期的不同时钟周期内执行所述特征返回的步骤， 其中， 同 一个线程执 行所述特征请求的步骤和执 行所述特征返回的步骤的时钟周期不同。 6.根据权利要求1所述的方法， 其特征在于， 将所述特征参量在所述随机存取存储器上 进行多级缓存， 包括： 分别利用两片所述随机存取存储器在每级缓存中缓存所述特征参量， 其中， 两片所述 随机存取存储器包括第一随机存取存储器和 第二随机存取存储器， 在所述推理单元从对应 层级缓存的所述第一随机存取存储器中获取所述特征参量的情况下， 所述层级缓存的第二 随机存取存 储器接收并缓存新的推理请求的特 征参量。 7.根据权利要求2所述的方法， 其特 征在于， 所述机器学习 模型为随机森林模型， 所述机器学习 模型的节点信 息包括组成所述随机 森林模型的决策树节点层数； 每个所述推理单元包括的各个线程获取的所述随机森林模型的决策树节点层数在预 设范围内。 8.一种基于 机器学习模型实现数据分类的装置， 其特 征在于， 包括：权　利　要　求　书 1/2 页 2 CN 114266306 A 2获取模块， 被配置为执行获取待输入至机器学习模型的特征参量， 其中， 所述机器学习 模型用于通过推理对所述特征参量进行分类， 所述机器学习模型被分割成多级推理单元， 所述多级推理单元存储在现场可编程逻辑门阵列器件的随机存取存储器， 每级所述推理单 元包括所述机器学习模型的节点信息； 存储模块， 被配置为执行根据所述多级推理单元， 将所述特征参量在所述随机存取存 储器上进行多 级缓存， 其中， 每级缓存的所述特 征参量相同； 处理模块， 被配置为执行依次利用所述多级推理单元中的各级推理单元从所述随机存 取存储器上获取与所述推理单 元对应的所述特 征参量， 并对所述特 征参量进行推理 处理。 9.一种电子设备， 其特 征在于， 包括： 处理器； 用于存储所述处 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指令， 以实现如权利要求1至7中任一项所述的基 于机器学习模型实现数据分类的方法。 10.一种计算机可读存储介质， 当所述计算机可读存储介质中的指令由电子设备的处 理器执行时， 使得电子 设备能够执行如权利要求 1至7中任一项 所述的基于机器学习模型实 现数据分类的方法。权　利　要　求　书 2/2 页 3 CN 114266306 A 3