一种层序列提取实现方法、系统及存储介质技术方案

本申请提出的一种层序列提取实现方法、系统及存储介质，所述方法包括：根据预设概率阈值范围判断目标特征矩阵中每个运算符的存在性，并输出运算符存在矩阵；通过运算符存在矩阵计算获得运算符数量矩阵；根据运算符存在矩阵和运算符数量矩阵，计算出操作分布矩阵和一阶段损失函数，并根据其中的损失计算梯度进行一阶段迭代反向传播；提取操作分布矩阵中计数值大于0的操作值进行序列编码和融合后，通过计算解码获得目标层次序列和二阶段损失函数，并根据其中的CTC损失计算梯度进行二阶段迭代反向传播。本申请通过二阶段层序列提取方法，解决了运算融合优化造成DNN模型层序列预测准确度大幅下降的问题，提高了层序列提取的准确度和降低了错误率。

【技术实现步骤摘要】

本申请属于ai模型，尤其涉及一种层序列提取实现方法、系统及存储介质。

技术介绍

1、深度神经网络(dnn)是自动驾驶领域常常会用到的一类ai模型。这一类ai模型往往需要大量数据和算力来进行训练以达到较好的表现，此过程是极其昂贵的。如果把一个已部署的dnn模型视为一个黑盒，则需要建立一个系统化的方法来通过旁路信息来分析模型的层序列。许多现存的工作通过假设一些实际难以获得的信息来进行相关研究，比如完整的内存循迹信息，训练过程的介入，目标dnn架构的范围等。有一些研究会设置一些额外的限制，比如对运算映射和层类型的限制来简化问题。在近期发表的研究中，基于深度学习的方法在较少的前置信息的情况下表现出可靠的性能表现。但是该方法仍然会假设dnn模型未经过诸如运算融合等方法的优化。这些优化可通过常用的工具如apache张量虚拟机(tvm)来实现。由于对部署的模型一般都有性能上的要求，这种假设是欠妥的。有证据表明当应用于tvm优化过的回归神经网络(rnn)和卷积神经网络(cnn)时，当下的基于深度学习逆向方法的准确度有大幅的下降。因此，需要一个新颖的基于深度学习的方法来克服本文档来自技高网...

【技术保护点】

1.一种层序列提取实现方法，其特征在于，包括：

2.根据权利要求1所述的一种层序列提取实现方法，其特征在于，在所述步骤S1之前，还包括：

3.根据权利要求2所述的一种层序列提取实现方法，其特征在于，所述步骤S1具体为：

4.根据权利要求3所述的一种层序列提取实现方法，其特征在于，所述步骤S2具体为：

5.根据权利要求4所述的一种层序列提取实现方法，其特征在于，所述计算出操作分布矩阵，具体为：

6.根据权利要求5所述的一种层序列提取实现方法，其特征在于，

7.根据权利要求6所述的一种层序列提取实现方法，其特征在于，所述...

【技术特征摘要】

1.一种层序列提取实现方法，其特征在于，包括：

2.根据权利要求1所述的一种层序列提取实现方法，其特征在于，在所述步骤s1之前，还包括：

3.根据权利要求2所述的一种层序列提取实现方法，其特征在于，所述步骤s1具体为：

4.根据权利要求3所述的一种层序列提取实现方法，其特征在于，所述步骤s2具体为：

5.根据权利要求4所述的一种层序列提取实现方法，其特征在于，所述计算出操作分布矩阵，具体为：

6.根据权利要求5所述的一种层序列提取实现方法，其特征...

【专利技术属性】
技术研发人员：钱汉华，孙一丹，林兆基，
申请(专利权)人：惠州市德赛西威汽车电子股份有限公司，
类型：发明
国别省市：