【技术实现步骤摘要】
验证模型转换前后正确性的方法、相关装置及程序产品
[0001]本公开涉及数据处理
,具体涉及深度学习、神经网络模型、模型转换等人工智能
,尤其涉及一种验证模型转换前后正确性的方法、装置、电子设备、计算机可读存储介质及计算机程序产品。
技术介绍
[0002]深度学习模型的量化部署,在目前深度学习落地使用场景中非常常见,涌现了很多厂商提供各自的深度学习处理芯片。
[0003]为了适配不同用户各自使用的主流框架,这些厂商会提供一些独有工具,以对目前市面上的主流框架的模型结构进行转换处理。
[0004]但由于转换处理的方式五花八门,在向目标平台上移植前后,很难直观判断模型转换之前是否保持了正确性。
技术实现思路
[0005]本公开实施例提出了一种验证模型转换前后正确性的方法、装置、电子设备、计算机可读存储介质及计算机程序产品。
[0006]第一方面,本公开实施例提出了一种验证模型转换前后正确性的方法,包括:获取训练侧模型对输入的样本数据生成的第一输入输出特征图;获取部署侧模型对输入的样本数据生成的第二输入输出特征图;其中,部署侧模型由训练侧模型结合部署侧特性转换得到;将第一输入输出特征图转换为第一热力图、将第二输入输出特征图转换为第二热力图;基于第一热力图与第二热力图之间的一致性比较结果,确定训练侧模型在转换得到部署侧模型的过程中是否保持了正确性。
[0007]第二方面,本公开实施例提出了一种验证模型转换前后正确性的装置,包括:第一特征图生成单元,被配置成获取训练侧 ...
【技术保护点】
【技术特征摘要】
1.一种验证模型转换前后正确性的方法,包括:获取训练侧模型对输入的样本数据生成的第一输入输出特征图;获取部署侧模型对输入的所述样本数据生成的第二输入输出特征图;其中,所述部署侧模型由所述训练侧模型结合部署侧特性转换得到;将所述第一输入输出特征图转换为第一热力图、将所述第二输入输出特征图转换为第二热力图;基于所述第一热力图与所述第二热力图之间的一致性比较结果,确定所述训练侧模型在转换得到所述部署侧模型的过程中是否保持了正确性。2.根据权利要求1所述的方法,其中,所述基于所述第一热力图与所述第二热力图之间的一致性比较结果,确定所述训练侧模型在转换得到所述部署侧模型的过程中是否保持了正确性,包括:响应于所述第一热力图与所述第二热力图具有一致性,确定所述训练侧模型在转换得到所述部署侧模型的过程中保持了正确性;响应于所述第一热力图与所述第二热力图不具有一致性,确定所述训练侧模型在转换得到所述部署侧模型的过程中未保持正确性。3.根据权利要求1所述的方法,其中,所述第一输入输出特征图、所述第二输入输出特征图按相同的数据存储格式进行保存。4.根据权利要求1
‑
3任一项所述的方法,还包括:获取所述训练侧模型对输入的随机数据生成的第三输入输出特征图;其中,所述随机数据为不同于所述样本数据的数据;将所述第三输入输出特征图转换为第三热力图;对应的,所述基于所述第一热力图与所述第二热力图之间的一致性比较结果,确定所述训练侧模型在转换得到所述部署侧模型的过程中是否保持了正确性,包括:比较所述第一热力图与所述第三热力图之间的一致性,得到第一结果;比较所述第一热力图与所述第二热力图之间的一致性,得到第二结果;根据所述第一结果和所述第二结果,确定所述训练侧模型在转换得到所述部署侧模型的过程中是否保持了正确性。5.根据权利要求4所述的方法,其中,所述根据所述第一结果和所述第二结果,确定所述训练侧模型在转换得到所述部署侧模型的过程中是否保持了正确性,包括:响应于所述第一热力图与所述第二热力图和所述第三热力图均不具有一致性,确定所述训练侧模型在转换得到所述部署侧模型的过程中未保持正确性;响应于所述第一热力图与所述第三热力图不具有一致性、所述第一热力图与所述第二热力图具有一致性,确定所述训练侧模型在转换得到所述部署侧模型的过程中保持了正确性。6.根据权利要求4所述的方法,还包括:响应于所述第一热力图与所述第三热力图具有一致性,重新选择所述随机数据。7.根据权利要求4所述的方法,其中,所述第一输入输出特征图、所述第二输入输出特征图、所述第三输入输出特征图按相同的数据存储格式进行保存。8.一种验证模型转换前后正确性的装置,包括:
第一特征图生成单元,被配置成获取训练侧模型对输入的样本数据生成的第一输入输出特征图;第二特征图生成单元,被配置成获取部署侧模型对输入的所述样本数据生成的第二输入输出特征图;其中,所述部署侧模型由所述训练侧模型结合部署侧特性转换得到;第一及第二特征图转换单元,被配置成将所述第一输入输出特征图转...
【专利技术属性】
技术研发人员:赵复阳,
申请(专利权)人:阿波罗智能技术北京有限公司,
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。