网络模型异常的处理方法、装置、设备和存储介质制造方法及图纸

本公开提供了网络模型异常的处理方法、装置、设备和存储介质，涉及人工智能技术领域，尤其涉及深度学习技术领域。具体实现方案为：确定异常网络模型版本和异常样本特征值；根据所述异常网络模型版本和所述异常样本特征值，确定异常网络模型的网络参数和异常样本特征值的嵌入向量；根据所述异常网络模型的网络参数和所述嵌入向量，预测异常样本特征值的任务得分，并记录预测过程中的网络层输出值。本公开实施例能够提高网络模型的异常处理效率。实施例能够提高网络模型的异常处理效率。实施例能够提高网络模型的异常处理效率。

【技术实现步骤摘要】
网络模型异常的处理方法、装置、设备和存储介质


[0001]本公开涉及人工智能
，尤其涉及深度学习
，具体涉及网络模型异常的处理方法、装置、设备和存储介质。

技术介绍

[0002]诸如深度神经网络(Deep Neural Networks，DNN)模型之类的非线性模型，广泛应用于线上预测任务。非线性模型不同于线性模型，更似于黑盒系统，从输入层到输出层存在多个隐藏层。
[0003]在线上预测任务存在异常的情况下，需要对非线性模型进行分析，以定位模型异常原因。

技术实现思路

[0004]本公开提供了一种用于网络模型异常的处理方法、装置、设备和存储介质。
[0005]根据本公开的一方面，提供了一种网络模型异常的处理方法，包括：
[0006]确定异常网络模型版本和异常样本特征值；
[0007]根据所述异常网络模型版本和所述异常样本特征值，确定异常网络模型的网络参数和异常样本特征值的嵌入向量；
[0008]根据所述异常网络模型的网络参数和所述嵌入向量，预测异常样本特征值的任务得分，并记录预测过程中的网络层输出值。
[0009]根据本公开的又一方面，提供了一种网络模型异常的处理装置，包括：
[0010]版本特征值模块，用于确定异常网络模型版本和异常样本特征值；
[0011]参数向量模块，用于根据所述异常网络模型版本和所述异常样本特征值，确定异常网络模型的网络参数和异常样本特征值的嵌入向量；
[0012]预测模块，用于根据所述异常网络模型的网络参数和所述嵌入向量，预测异常样本特征值的任务得分，并记录预测过程中的网络层输出值。
[0013]根据本公开的又一方面，提供了一种电子设备，包括：
[0014]至少一个处理器；以及
[0015]与所述至少一个处理器通信连接的存储器；其中，
[0016]所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本公开任意实施例所提供的网络模型异常的处理方法。
[0017]根据本公开的又一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行本公开任意实施例所提供的网络模型异常的处理方法。
[0018]根据本公开的又一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现本公开任意实施例所提供的网络模型异常的处理方法。
[0019]根据本公开的技术，能够提高网络模型的异常处理效率。
[0020]应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0021]附图用于更好地理解本方案，不构成对本公开的限定。其中：
[0022]图1是根据本公开实施例提供的一种网络模型异常的处理方法的示意图；
[0023]图2是根据本公开实施例提供的另一种网络模型异常的处理方法的示意图；
[0024]图3是根据本公开实施例提供的又一种网络模型异常的处理方法的示意图；
[0025]图4是根据本公开实施例提供的又一种网络模型异常的处理方法的逻辑示意图；
[0026]图5根据本公开实施例提供的一种网络模型异常的处理装置的示意图；
[0027]图6是用来实现本公开实施例的网络模型异常的处理方法电子设备的框图。
具体实施方式
[0028]以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
[0029]以下结合附图，对本公开实施例提供的该方案进行详细说明。
[0030]图1是根据本公开实施例提供的一种网络模型异常的处理方法的示意图，本公开实施例可适用于网络模型在线上运行异常的情况下，对网络模型进行异常分析的情况。该方法可由一种网络模型异常的处理装置来执行，该装置可采用硬件和/或软件的方式来实现，可配置于电子设备中。参考图1，该方法具体包括如下：
[0031]S110、确定异常网络模型版本和异常样本特征值；
[0032]S120、根据所述异常网络模型版本和所述异常样本特征值，确定异常网络模型的网络参数和异常样本特征值的嵌入向量；
[0033]S130、根据所述异常网络模型的网络参数和所述嵌入向量，预测异常样本特征值的任务得分，并记录预测过程中的网络层输出值。
[0034]在本公开实施例中，在通过网络模型执行线上预测任务过程中，可以对网络模型进行离线更新，并且从离线更新的网络模型中选择满足模型发布条件的网络模型发布到线上，执行线上预测任务。例如，可以将每天零点离线更新的网络模型作为基础网络模型，将每隔预设时长(如1小时)发布到线上的网络模型作为增量网络模型。基础网络模型、增量网络模型可以为非线性网络模型。本公开实施例对任务类型不做具体限定，如任务类型可以为推荐类任务。
[0035]其中，异常网络模型版本可以为线上预测任务发生异常时，线上使用的网络模型版本，异常网络模型可以为预测任务发生异常时所采用的线上预测模型，异常网络模型为增量网络模型，异常样本特征值可以为线上预测任务所采用的样本特征值。也就是说，在线上的任一网络模型对任意样本特征值所预测的任务得分异常的情况下，可以将该网络模型的版本信息作为异常网络模型版本，且将该样本特征值作为异常样本特征值。其中，样本可
以包括至少两个slot(样本槽)，每个样本槽有至少一个样本特征值(sign)，样本格式可以类似于slot1:sign1 slot1:sign2 slot2:sign3，即第一样本槽对应第一样本特征值和第二样本特征值，第二样本操作对应第三样本特征值。
[0036]其中，异常网络模型的网络参数可以包括参数权重w和偏置b，嵌入(Embedding)向量与样本特征值一一对应，各异常样本特征值有自己的嵌入向量。具体的，可以根据异常网络模型版本确定异常网络模型的网络参数，通过对异常样本特征值进行解析，得到异常样本特征值对应的嵌入向量。并且，可以基于深度学习库的静态库文件，采用异常样本特征值的嵌入向量和异常网络模型的网络参数对异常样本进行预测，得到预测的任务得分，且记录预测过程中的网络层输出值，即记录预测过程中各网络层的前向输出值。
[0037]通过对异常样本特征值进行解析得到异常样本特征值的嵌入向量，基于深度学习库的静态库文件，使用异常网络模型的网络参数对异常样本进行预测，并记录预测过程中各网络层的前向输出值，从而可以根据隐藏层的前向输出值对异常网络模型进行分析，定位网络模型线上预估任务出现异常的原因，能够克服非线性模型中隐藏层的不透明问本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.网络模型异常的处理方法，包括：确定异常网络模型版本和异常样本特征值；根据所述异常网络模型版本和所述异常样本特征值，确定异常网络模型的网络参数和异常样本特征值的嵌入向量；根据所述异常网络模型的网络参数和所述嵌入向量，预测异常样本特征值的任务得分，并记录预测过程中的网络层输出值。2.根据权利要求1所述的方法，其中，所述根据所述异常网络模型版本和所述异常样本特征值，确定异常网络模型的网络参数和异常样本特征值的嵌入向量，包括：根据所述异常网络模型版本，确定异常网络模型的网络参数；根据所述异常网络模型版本和所述异常样本特征值，确定异常样本特征值的嵌入向量。3.根据权利要求2所述的方法，其中，所述根据所述异常网络模型版本，确定异常网络模型的网络参数，包括：根据所述异常网络模型版本，确定异常网络模型的域名地址；根据所述异常网络模型的域名地址，获取异常网络模型的模型文件；从所述模型文件中提取所述异常网络模型的网络参数。4.根据权利要求2所述的方法，其中，所述根据所述异常网络模型版本和所述异常样本特征值，确定异常样本特征值的嵌入向量，包括：获取所述异常网络模型版本到基础网络模型版本之间的至少一个中间网络模型版本；根据所述异常样本特征值，从所述异常网络模型版本和所述中间网络模型版本关联的嵌入向量中，查询异常样本特征值的嵌入向量。5.根据权利要求1
‑
4中任一项所述的方法，其中，所述根据所述异常网络模型的网络参数和所述嵌入向量，预测异常样本特征值的任务得分，包括：若至少两个嵌入向量关联相同的样本槽，则对所述至少两个嵌入向量进行拼接；根据所述异常网络模型的网络参数和经拼接的嵌入向量，预测异常样本特征值的任务得分。6.根据权利要求1
‑
4中任一项所述的方法，所述记录预测过程中的网络层输出值之后，还包括：确定与待分析模型指标关联的可视化组件；通过所述可视化组件，对预测过程中的网络层输出值进行可视化，得到所述待分析模型指标的可视化分析结果。7.一种网络模型异常的处理装置，包括：版本特征值模块，用于确定异常网络模型版本和异常样本特征值；参数向量模块，用于根据所述异常网络模型版本和所述异常样本特征值，确定异常网络模型的网络参数和异常样本特征值的嵌入向量；预测模块，用于根据所述异常网络模型的网络参数和所述嵌入向量，预测异常样本特征值的任务得分...

【专利技术属性】
技术研发人员：李心明，魏龙，王召玺，王峰，武桓州，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：