【技术实现步骤摘要】
网络模型的可视化方法、装置、电子设备及存储介质
[0001]本公开涉及计算机
，尤其涉及大数据处理、深度学习等人工智能
，具体涉及一种网络模型的可视化方法、装置、电子设备及存储介质。
技术介绍
[0002]随着人工智能技术的不断发展，深度学习网络模型的结构越来越复杂，参数也越来越多。在得到的网络模型达不到预期的效果的情况下，很难从众多的数据中，快速、准确地确定存在缺陷的位置，以进一步对网络模型进行优化。因此，如何直观地、准确地确定网络模型中存在缺陷的位置，成为目前的重点研究方向。
技术实现思路
[0003]本公开提供了一种网络模型的可视化方法、装置、电子设备及存储介质。
[0004]根据本公开的第一方面，提供了一种网络模型的可视化方法，包括：
[0005]接收模型可视化请求，其中，所述可视化请求中包括目标模型的标识及对应的数据存储地址；
[0006]根据所述目标模型的标识及所述数据存储地址，获取所述目标模型对应的网络参数及训练数据，其中，所述训练数据中包括所述目标模型在训练...
【技术保护点】
【技术特征摘要】
1.一种网络模型的可视化方法，包括：接收模型可视化请求，其中，所述可视化请求中包括目标模型的标识及对应的数据存储地址；根据所述目标模型的标识及所述数据存储地址，获取所述目标模型对应的网络参数及训练数据，其中，所述训练数据中包括所述目标模型在训练过程中网络节点的前向输出数据及反向修正梯度；对所述网络参数进行解析，以确定所述目标模型对应的网络拓扑；根据所述网络节点的前向输出数据及反向修正梯度，确定所述网络节点的目标显示状态；根据所述网络节点的目标显示状态，在可视化界面中，显示所述网络拓扑。2.如权利要求1所述的方法，其中，所述根据所述网络节点的前向输出数据及反向修正梯度，确定所述网络节点的目标显示状态，包括：分别根据所述网络节点对应的前向输出数据及反向修正梯度，确定所述网络节点对应的数据分布图；根据所述网络节点对应的数据分布图，确定所述网络节点的目标显示状态。3.如权利要求2所述的方法，其中，所述网络节点的前向输出数据包括所述网络节点中各个神经元在每个训练样本下的前向输出数据，所述确定所述网络节点对应的数据分布图，包括：根据所述网络节点中各个神经元的前向输出数据中的最大值及最小值，确定数据分布区间；将所述数据分布区间分为N个子区间，其中，N为大于1的正整数；根据所述各个神经元的前向输出数据，确定落在每个子区间内的神经元数量；根据所述落在每个子区间内的神经元数量，确定所述网络节点对应的神经元维度的数值分布图。4.如权利要求2所述的方法，其中，所述网络节点的前向输出数据包括所述网络节点中各个神经元在每个训练样本下的前向输出数据，所述确定所述网络节点对应的数据分布图，包括：根据各个神经元在每个训练样本下的前向输出数据及反向修正梯度，确定所述网络节点对应的数据分布图，其中，所述数据分布图中包括以下至少一项：失活率，均值，方差，绝对值均值在不同时间的波动分布图，神经元维度的索引分布图，神经元维度的数值分布图。5.如权利要求4所述的方法，其中，所述根据所述网络节点的前向输出数据及反向修正梯度，确定所述网络节点的目标显示状态，包括：在所述数据分布图与任一异常条件匹配的情况下，确定所述网络节点目标显示状态为异常显示；在所述数据分布图与各个异常条件均未匹配的情况下，确定所述网络节点目标显示状态为正常显示。6.如权利要求5所述的方法，其中，所述数据分布图与任一异常条件匹配包括以下至少一项：数据分布图中至少一个分布值大于第一阈值；
数据分布图中至少一个分布值小于第二阈值；以及，数据分布图中各分布值间的差异值大于第三阈值。7.如权利要求2
‑
6任一所述的方法，其中，在所述显示所述网络拓扑之后，还包括：响应于接收到针对任一网络节点的选中操作，在所述可视化界面中显示所述任一网络节点对应的输出数据分布图及反向梯度分布图。8.如权利要求1
‑
6所述的方法，其中，所述对所述网络参数进行解析，以确定所述目标模型对应的网络拓扑，包括：根据所述目标模型的类型，确定所述网络参数的解析模式；基于所述解析模式，对所述进行解析，以确定所述各个网络节点间的关联关系；根据所述各个网络节点间的关联关系，生成所述网络拓扑。9.一种网络模型的可视化装置，包括：接收模块，用于接收模型可视化请求，其中，所述可视化请求中包括目标模型的标识及对应的数据存储地址；第一获取模块，用于根据所述目标模型的标识及所述数据存储地址，获取所述目标模型对应的网络参数及训练数据，其中，所述训练数据中包括所述...
【专利技术属性】
技术研发人员：李心明，陈葳蕤，魏龙，王召玺，王峰，
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：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。