【技术实现步骤摘要】
本专利技术涉及智能软件测试，具体为基于深度神经网路软件的自适应覆盖率方法及装置。
技术介绍
1、随着深度学习技术的不断进步，其在计算机视觉、自然语言处理、语音识别等多个领域取得了显著成果。人工智能技术正逐渐渗透到各个领域，对于相关软件和硬件的需求也越来越大。在这个过程中，深度神经网络成为了实现人工智能的核心技术。目前市面上有许多深度学习框架，如tensorflow、pytorch、keras、caffe、mxnet等。这些框架有各自的特点和优势，为深度学习研究和应用提供了丰富的选择。然而随着模型和任务的复杂度增加，如何有效地评估和优化深度神经网络模型的性能及测试充分性成为智能软件测试的挑战。
2、在现有技术中，多种深度学习框架可能存在api和功能的差异，这导致在一个框架下训练和评估的模型在另一个框架下无法直接使用，从而影响神经元覆盖率的评估。不同的深度学习框架的设计理念、实现方式以及支持的功能存在差异。不同深度学习框架在性能上可能存在差异，如计算速度、内存占用等。这使得在一个框架下表现良好的模型在另一个框架下可能性能不佳，导致覆盖率评估结果不准确。不同框架下的模型可能针对不同类型的数据集进行优化。这使得在一个框架下表现良好的模型在另一个框架下可能无法适应新的数据集，从而影响覆盖率评估。航天领域深度神经网络软件采用多种深度学习框架时，会面临覆盖率评估不充分的问题。
3、因此，更好的解决航天智能软件配置项采用多深度学习框架评估覆盖的测试不充分问题，成为同行从业人员亟待解决的问题。对提升模型性能、加速在航天领域
技术实现思路
1、本专利技术的目的在于提供基于深度神经网路软件的自适应覆盖率方法及装置，以解决上述
技术介绍
中提出的问题。
2、为实现上述目的，本专利技术提供如下技术方案：基于深度神经网路软件的自适应覆盖率方法，包括：
3、步骤一：解析导入深度学习框架导入库，根据规则自适应选择深度学习框架模板；
4、步骤二：根据框架模板解析加载测试数据集和深度学习模型后，插桩神经元输出列表、神经元覆盖列表、激活神经元数、神经元总数、神经元阈值初始化语句；
5、步骤三：解析循环测试数据过程中，插桩更新覆盖率函数；
6、步骤四：解析循环测试数据结束后，插桩打印输出神经元覆盖率语句。
7、优选的，所述步骤一中，具体为：import keras对应keras、import tensorflow astf对应tensorflow、import torch对应pytroch、import mxnet as mx对应mxnet、importcaffe对应caffe、import theano对应theano、import chainer对应chainer、import cntkas c对应cntk、import paddle对应paddlepaddle、import mindspore对应mindspore、import megengine as mge对应megengine、import oneflow对应oneflow模板。
8、优选的，所述步骤二中，具体为：keras模板采用枚举模型层名称和层神经元个数获取神经元输出列表，pytroch模板采用前向神经网络hook函数获取神经元输出列表。
9、优选的，所述步骤三中，具体为：枚举全部的神经元，若根据输入计算神经元输出的均值大于神经元阈值，则该神经元激活被覆盖，更新神经元覆盖列表。
10、基于深度神经网路软件的自适应覆盖率装置，包括自适应深度学习框架模块、神经元覆盖率初始化模块、神经元覆盖率更新模块和神经元覆盖率统计输出模块，所述自适应深度学习框架模块数据连接有神经元覆盖率初始化模块，神经元覆盖率初始化模块数据连接有神经元覆盖率更新模块，神经元覆盖率更新模块数据连接有神经元覆盖率统计输出模块。
11、优选的，所述自适应深度学习框架模块用于解析导入深度学习框架导入库，根据规则自适应选择深度学习框架模板。
12、优选的，所述神经元覆盖率初始化模块用于根据框架模板解析加载测试数据集和深度学习模型后，插桩神经元输出列表、神经元覆盖列表、激活神经元数、神经元总数、神经元阈值初始化语句。
13、优选的，所述神经元覆盖率更新模块用于解析循环测试数据过程中，插桩更新覆盖率函数。
14、优选的，所述神经元覆盖率统计输出模块用于解析循环测试数据结束后，插桩打印输出神经元覆盖率语句。
15、优选的，所述神经元覆盖率初始化模块包括神经元覆盖率模板单元，神经元覆盖率更新模块包括神经元覆盖率计算单元。
16、与现有技术相比，本专利技术的有益效果是：本专利技术通过规则自适应选择深度学习框架模板，插桩神经元覆盖率初始化语句和函数以及神经元覆盖率统计输出语句，解决了航天智能软件配置项采用多深度学习框架评估覆盖的测试不充分问题。
本文档来自技高网...【技术保护点】
1.基于深度神经网路软件的自适应覆盖率方法，其特征在于，包括：
2.根据权利要求1所述的基于深度神经网路软件的自适应覆盖率方法，其特征在于：所述步骤一中，具体为：import keras对应Keras、import tensorflow as tf对应TensorFlow、import torch对应PyTroch、import mxnet as mx对应MXNet、import caffe对应Caffe、import theano对应Theano、import chainer对应Chainer、import cntk as C对应CNTK、import paddle对应PaddlePaddle、import mindspore对应MindSpore、importmegengine as mge对应MegEngine、import oneflow对应OneFlow模板。
3.根据权利要求1所述的基于深度神经网路软件的自适应覆盖率方法，其特征在于：所述步骤二中，具体为：Keras模板采用枚举模型层名称和层神经元个数获取神经元输出列表，PyTroch模板采用前
4.根据权利要求1所述的基于深度神经网路软件的自适应覆盖率方法，其特征在于：所述步骤三中，具体为：枚举全部的神经元，若根据输入计算神经元输出的均值大于神经元阈值，则该神经元激活被覆盖，更新神经元覆盖列表。
5.基于深度神经网路软件的自适应覆盖率装置，包括自适应深度学习框架模块(1)、神经元覆盖率初始化模块(2)、神经元覆盖率更新模块(3)和神经元覆盖率统计输出模块(4)，其特征在于：所述自适应深度学习框架模块(1)数据连接有神经元覆盖率初始化模块(2)，神经元覆盖率初始化模块(2)数据连接有神经元覆盖率更新模块(3)，神经元覆盖率更新模块(3)数据连接有神经元覆盖率统计输出模块(4)。
6.根据权利要求5所述的基于深度神经网路软件的自适应覆盖率装置，其特征在于：所述自适应深度学习框架模块(1)用于解析导入深度学习框架导入库，根据规则自适应选择深度学习框架模板。
7.根据权利要求5所述的基于深度神经网路软件的自适应覆盖率装置，其特征在于：所述神经元覆盖率初始化模块(2)用于根据框架模板解析加载测试数据集和深度学习模型后，插桩神经元输出列表、神经元覆盖列表、激活神经元数、神经元总数、神经元阈值初始化语句。
8.根据权利要求5所述的基于深度神经网路软件的自适应覆盖率装置，其特征在于：所述神经元覆盖率更新模块(3)用于解析循环测试数据过程中，插桩更新覆盖率函数。
9.根据权利要求5所述的基于深度神经网路软件的自适应覆盖率装置，其特征在于：所述神经元覆盖率统计输出模块(4)用于解析循环测试数据结束后，插桩打印输出神经元覆盖率语句。
10.根据权利要求5所述的基于深度神经网路软件的自适应覆盖率装置，其特征在于：所述神经元覆盖率初始化模块(2)包括神经元覆盖率模板单元，神经元覆盖率更新模块(3)包括神经元覆盖率计算单元。
...【技术特征摘要】
1.基于深度神经网路软件的自适应覆盖率方法，其特征在于，包括：
2.根据权利要求1所述的基于深度神经网路软件的自适应覆盖率方法，其特征在于：所述步骤一中，具体为：import keras对应keras、import tensorflow as tf对应tensorflow、import torch对应pytroch、import mxnet as mx对应mxnet、import caffe对应caffe、import theano对应theano、import chainer对应chainer、import cntk as c对应cntk、import paddle对应paddlepaddle、import mindspore对应mindspore、importmegengine as mge对应megengine、import oneflow对应oneflow模板。
3.根据权利要求1所述的基于深度神经网路软件的自适应覆盖率方法，其特征在于：所述步骤二中，具体为：keras模板采用枚举模型层名称和层神经元个数获取神经元输出列表，pytroch模板采用前向神经网络hook函数获取神经元输出列表。
4.根据权利要求1所述的基于深度神经网路软件的自适应覆盖率方法，其特征在于：所述步骤三中，具体为：枚举全部的神经元，若根据输入计算神经元输出的均值大于神经元阈值，则该神经元激活被覆盖，更新神经元覆盖列表。
5.基于深度神经网路软件的自适应覆盖率装置，包括自适应深度学...
【专利技术属性】
技术研发人员：李鹏宇，陈睿，江云松，
申请(专利权)人：北京轩宇信息技术有限公司，
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。