System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本说明书实施例涉及计算机,特别涉及模型性能评估方法、检测模型性能评估方法及分类模型构建方法。
技术介绍
1、随着科学技术的发展,模型的应用已经逐渐深入到各种应用领域中。通过在线上部署模型,来达到想要的效果。例如,利用模型进行目标检测、人脸识别、规划学习方案等。在线上部署模型后,可以针对效果不佳的部署场景进行优化,而模型面对未知环境,其模型性能处于未知状态,导致不能及时对模型性能进行优化。
2、因此,亟需一种方法来解决上述技术问题。
技术实现思路
1、有鉴于此,本说明书实施例提供了两种模型性能评估方法、一种检测模型性能评估方法、一种分类模型构建方法。本说明书一个或者多个实施例同时涉及两种模型性能评估装置、一种检测模型性能评估装置、一种分类模型构建装置,一种计算设备,一种计算机可读存储介质以及一种计算机程序,以解决现有技术中存在的技术缺陷。
2、根据本说明书实施例的第一方面,提供了一种模型性能评估方法,包括:
3、获取待处理业务数据,将所述待处理业务数据输入待评估业务模型,获得所述待评估业务模型输出的检测结果;
4、基于所述检测结果,从所述待处理业务数据中提取目标业务数据;
5、将所述目标业务数据输入目标分类模型,获得所述目标分类模型输出的分类结果,其中,所述目标分类模型基于对初始分类模型进行异常裁剪获得;
6、根据所述分类结果和所述检测结果,计算所述待评估业务模型的模型性能指标。
7、根据本说明书实施
8、获取模块,被配置为获取待处理业务数据,将所述待处理业务数据输入待评估业务模型,获得所述待评估业务模型输出的检测结果;
9、提取模块,被配置为基于所述检测结果,从所述待处理业务数据中提取目标业务数据;
10、输入模块,被配置为将所述目标业务数据输入目标分类模型,获得所述目标分类模型输出的分类结果,其中,所述目标分类模型基于对初始分类模型进行异常裁剪获得;
11、计算模块,被配置为根据所述分类结果和所述检测结果,计算所述待评估业务模型的模型性能指标。
12、根据本说明书实施例的第三方面,提供了一种检测模型性能评估方法,包括:
13、获取待处理图像,将所述待处理图像输入待评估检测模型,获得所述待评估检测模型输出的检测结果;
14、基于所述检测结果,从所述待处理图像中提取目标子图像;
15、将所述目标子图像输入目标分类模型,获得所述目标分类模型输出的分类结果,其中,所述目标分类模型基于对初始分类模型进行异常裁剪获得;
16、根据所述分类结果和所述检测结果,计算所述待评估检测模型的模型性能指标。
17、根据本说明书实施例的第四方面,提供了一种检测模型性能评估装置,包括:
18、图像获取模块,被配置为获取待处理图像,将所述待处理图像输入待评估检测模型,获得所述待评估检测模型输出的检测结果;
19、图像提取模块,被配置为基于所述检测结果,从所述待处理图像中提取目标子图像;
20、图像输入模块,被配置为将所述目标子图像输入目标分类模型,获得所述目标分类模型输出的分类结果,其中,所述目标分类模型基于对初始分类模型进行异常裁剪获得;
21、指标计算模块,被配置为根据所述分类结果和所述检测结果,计算所述待评估检测模型的模型性能指标。
22、根据本说明书实施例的第五方面,提供了一种分类模型构建方法,包括:
23、获取样本目标业务数据,将所述样本目标业务数据输入初始分类模型,获得所述样本目标业务数据的分类结果;
24、根据所述分类结果,计算所述样本目标业务数据的样本数据类别置信度,并根据所述样本数据类别置信度,计算所述初始分类模型各模型参数的梯度幅值;
25、根据各模型参数的梯度幅值确定各模型参数的参数敏感度,以及所述初始分类模型的神经元敏感度;
26、基于各模型参数的参数敏感度和各神经元的神经元敏感度,确定所述初始分类模型的异常模型参数和异常神经元;
27、对所述异常模型参数和所述异常神经元进行裁剪,获得目标分类模型。
28、根据本说明书实施例的第六方面,提供了一种分类模型构建装置,包括:
29、数据获取模块,被配置为获取样本目标业务数据,将所述样本目标业务数据输入初始分类模型,获得所述样本目标业务数据的分类结果;
30、数据计算模块,被配置为根据所述分类结果,计算所述样本目标业务数据的样本数据类别置信度,并根据所述样本数据类别置信度,计算所述初始分类模型各模型参数的梯度幅值;
31、第一确定模块,被配置为根据各模型参数的梯度幅值确定各模型参数的参数敏感度,以及所述初始分类模型的神经元敏感度;
32、第二确定模块,被配置为基于各模型参数的参数敏感度和各神经元的神经元敏感度,确定所述初始分类模型的异常模型参数和异常神经元;
33、裁剪模块,被配置为对所述异常模型参数和所述异常神经元进行裁剪,获得目标分类模型。
34、根据本说明书实施例的第七方面,提供了一种模型性能评估方法,应用于云侧设备,包括:
35、接收模型性能评估请求,其中,所述模型性能评估请求中携带待评估业务模型;
36、获取待处理业务数据,将所述待处理业务数据输入所述待评估业务模型,获得所述待评估业务模型输出的检测结果;
37、基于所述检测结果,从所述待处理业务数据中提取目标业务数据;
38、将所述目标业务数据输入目标分类模型,获得所述目标分类模型输出的分类结果,其中,所述目标分类模型基于对初始分类模型进行异常裁剪获得;
39、根据所述分类结果和所述检测结果,计算所述待评估业务模型的模型性能指标;
40、将所述模型性能指标发送至目标终端。
41、根据本说明书实施例的第八方面,提供了一种模型性能评估装置,应用于云侧设备,包括:
42、请求接收模块,被配置为接收模型性能评估请求,其中,所述模型性能评估请求中携带待评估业务模型;
43、结果获得模块,被配置为获取待处理业务数据,将所述待处理业务数据输入所述待评估业务模型,获得所述待评估业务模型输出的检测结果;
44、数据提取模块,被配置为基于所述检测结果,从所述待处理业务数据中提取目标业务数据;
45、数据输入模块,被配置为将所述目标业务数据输入目标分类模型,获得所述目标分类模型输出的分类结果,其中,所述目标分类模型基于对初始分类模型进行异常裁剪获得;
46、性能指标计算模块,被配置为根据所述分类结果和所述检测结果,计算所述待评估业务模型的模型性能指标;
47、发送模块,被配置为将所述模型性能指标发送至目标终端。
48、本文档来自技高网...
【技术保护点】
1.一种模型性能评估方法,包括:
2.如权利要求1所述的方法,将所述待处理业务数据输入待评估业务模型,获得所述待评估业务模型输出的检测结果,包括:
3.如权利要求2所述的方法,基于所述检测结果,从所述待处理业务数据中提取目标业务数据,包括:
4.如权利要求1所述的方法,根据所述分类结果和所述检测结果,计算所述待评估业务模型的模型性能指标,包括:
5.如权利要求4所述的方法,根据各目标业务数据的数据类别置信度,计算各检测类别的检测类别置信度,包括:
6.如权利要求4所述的方法,基于各检测类别的检测类别置信度,计算所述待评估业务模型的模型性能指标,包括:
7.如权利要求1所述的方法,所述目标分类模型基于下述方法获得:
8.如权利要求7所述的方法,确定所述初始分类模型的异常模型参数,包括:
9.如权利要求8所述的方法,确定所述初始分类模型各模型参数的梯度幅值,包括:
10.如权利要求9所述的方法,根据各模型参数的梯度幅值确定各模型参数的参数敏感度,包括:
11.如权利
12.如权利要求8所述的方法,确定所述初始分类模型的异常神经元,包括:
13.如权利要求1所述的方法,所述初始分类模型基于下述方法训练获得:
14.一种检测模型性能评估方法,包括:
15.一种模型性能评估方法,应用于云侧设备,包括:
16.一种计算设备,包括:
17.一种计算机可读存储介质,其存储有计算机可执行指令,该计算机可执行指令被处理器执行时实现权利要求1至15任意一项所述方法的步骤。
...【技术特征摘要】
1.一种模型性能评估方法,包括:
2.如权利要求1所述的方法,将所述待处理业务数据输入待评估业务模型,获得所述待评估业务模型输出的检测结果,包括:
3.如权利要求2所述的方法,基于所述检测结果,从所述待处理业务数据中提取目标业务数据,包括:
4.如权利要求1所述的方法,根据所述分类结果和所述检测结果,计算所述待评估业务模型的模型性能指标,包括:
5.如权利要求4所述的方法,根据各目标业务数据的数据类别置信度,计算各检测类别的检测类别置信度,包括:
6.如权利要求4所述的方法,基于各检测类别的检测类别置信度,计算所述待评估业务模型的模型性能指标,包括:
7.如权利要求1所述的方法,所述目标分类模型基于下述方法获得:
8.如权利要求7所述的方法,确定所述初始分类模型的异常模型参数,包括...
【专利技术属性】
技术研发人员:陈超,付志航,刘凯,陈泽,陶明渊,叶杰平,
申请(专利权)人:杭州阿里云飞天信息技术有限公司,
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。