一种深度学习框架的异常定位方法、装置及存储介质制造方法及图纸

本公开提供了一种深度学习框架的异常定位方法、装置及介质，此方法包括：确定第一神经网络模型的总层数；根据第一神经网络模型确定有序的多个子模型，其中，多个子模型的个数与所述总层数相同，每个子模型包括第一神经网络模型中以第一层为起点的连续的多个层，不同的子模型包括的层的个数不同；使用相同的输入数据分别在参考框架和测试框架上依序运行多个子模型，并且根据每个子模型在所述参考框架和所述测试框架上的运行结果的差别确定每个子模型对应的信噪比，其中所述参考框架和所述测试框架均包括与所述第一神经网络模型的每个层对应的算子；根据所有子模型对应的信噪比定位所述测试框架的异常位置。本公开可以提高定位准确度。

【技术实现步骤摘要】
一种深度学习框架的异常定位方法、装置及存储介质
本公开涉及深度学习
，尤其涉及一种深度学习框架的异常定位方法、装置及存储介质。
技术介绍
越来越多的用于机器学习算法编程实现的框架得到广泛应用。此类系统一般部署于各类服务器、PC端和网页并支持图形处理器(GraphicsProcessingUnit，简称GPU)高性能数值计算，被广泛应用于产品开发和各领域的科学研究。检测此类系统的异常位置的方式一般为对系统的内部单元进行测试，发现内部单元与设计目标的差异。但这种检测方式需要较大的较长的处理时间并使用较多的处理资源。所以提高定位框架异常位置的性能是需要解决的技术问题。
技术实现思路
为克服相关技术中存在的问题，本公开提供了一种深度学习框架的异常定位方法、装置及存储介质根据本公开实施例的第一方面，提供一种深度学习框架的异常定位方法，包括：确定第一神经网络模型的总层数；根据所述第一神经网络模型确定有序的多个子模型，其中，所述多个子模型的个数与所述总层数相同，每个子模型包括所述第一神经网络模本文档来自技高网...

【技术保护点】
1.一种深度学习框架的异常定位方法，其特征在于，包括：/n确定第一神经网络模型的总层数；/n根据所述第一神经网络模型确定有序的多个子模型，其中，所述多个子模型的个数与所述总层数相同，每个子模型包括所述第一神经网络模型中以第一层为起点的连续的多个层，不同的子模型包括的层的个数不同；/n使用相同的输入数据分别在参考框架和测试框架上依序运行所述多个子模型，并且根据每个子模型在所述参考框架和所述测试框架上的运行结果的差别确定每个子模型对应的信噪比，其中,所述参考框架和所述测试框架均包括与所述第一神经网络模型的每个层对应的算子；/n根据所有子模型对应的信噪比定位所述测试框架的异常位置。/n

【技术特征摘要】
1.一种深度学习框架的异常定位方法，其特征在于，包括：
确定第一神经网络模型的总层数；
根据所述第一神经网络模型确定有序的多个子模型，其中，所述多个子模型的个数与所述总层数相同，每个子模型包括所述第一神经网络模型中以第一层为起点的连续的多个层，不同的子模型包括的层的个数不同；
使用相同的输入数据分别在参考框架和测试框架上依序运行所述多个子模型，并且根据每个子模型在所述参考框架和所述测试框架上的运行结果的差别确定每个子模型对应的信噪比，其中,所述参考框架和所述测试框架均包括与所述第一神经网络模型的每个层对应的算子；
根据所有子模型对应的信噪比定位所述测试框架的异常位置。


2.如权利要求1所述的方法，其特征在于，
所述根据每个子模型在所述参考框架和所述测试框架上的运行结果的差别确定每个子模型对应的信噪比，包括：
将每个子模型在所述参考框架的运行结果作为信号，将所述子模型在所述参考框架的运行结果与所述测试框架的运行结果之间的差值作为噪声，根据所述信号和所述噪声计算所述子模型的信噪比。


3.如权利要求1所述的方法，其特征在于，
所述根据所有子模型对应的信噪比定位所述测试框架的异常位置，包括：
确定多个模型对，每个模型对包括总层数相差1的两个子模型，每个模型对中第一个子模型的总层数小于第二个子模型的总层数；
计算每个模型对中第二个子模型的信噪比相比第一个子模型的噪比的降低幅度；
确定满足降低幅度大于设定幅度的各个模型对；
从满足降低幅度大于设定幅度的各个模型对中选择第一个子模型的总层数最低的模型对，或者选择第二个子模型的总层数最低的模型对；
确定选择出的模型对中第二个子模型的最后一层是目标层，确定所述测试框架的异常位置是所述目标层在所述测试框架中对应的算子。


4.如权利要求1所述的方法，其特征在于，
所述方法还包括：确定第二神经网络模型；所述第二神经网络模型的第一层的节点是非数值变换类的节点；
所述根据所有子模型对应的信噪比定位所述测试框架的异常位置，包括：所述有序的多个子模型中的第一个子模型对应的信噪比小于设定值并且所述第一神经网络模型的第一层的节点是数值变换类的节点时，使用相同的输入数据对所述第二神经网络的第一层分别在参考框架和测试框架上运行，根据所述第二神经网络的第一层在所述参考框架和所述测试框架上的运行结果之间的差值确定所述第第二神经网络的第一层对应的信噪比，在所述第二神经网络的第一层对应的信噪比小于或等于所述设定值时，确定所述测试框架的异常位置是框架结构。


5.如权利要求4所述的方法，其特征在于，
所述方法还包括：在所述第二神经网络的第一层对应的信噪比大于所述设定值时，确定所述测试框架的异常位置是所述第一神经网络模型的第一层在所述测试框架对应的算子。


6.一种深度学习框架的异常定位装置，其特征在于，包括：
第一确定模块，被配置为确定第一神经网络模型的总层数；
第二确定模块，被配置为根据所述第一神经网络模型确定有序的多个子模型，其中，所述多个子模型的个数与所述总层数相同，每个子模型包括所述第一神经网络模型中以第一层为起点的连续的多个层，...

【专利技术属性】
技术研发人员：李滨，
申请(专利权)人：北京小米松果电子有限公司，
类型：发明
国别省市：北京;11