一种基于消息传递神经网络的深度学习编译器测试加速方法技术

本发明专利技术属于软件测试领域，涉及一种基于消息传递神经网络的深度学习编译器测试加速方法，可用于优化深度学习编译器测试用例的执行顺序，从而提高测试效率。本方法由数据预处理、数据集构建、预测器和调度器四个模块组成。数据预处理模块负责从深度学习模型中提取算子特征、边特征及结构特征，并转换为消息传递神经网络的输入；数据集构建模块利用NNSmith等模型生成工具，生成大量的深度学习模型，使用数据预处理模块提取每个模型的特征，并判断每个模型是否触发了目标编译器的错误；预测器负责利用模型的特征信息预测一个模型是否会引发目标编译器的错误；调度器模块负责对测试用例集合中的模型进行排序，决定将哪些模型输入给目标编译器。

【技术实现步骤摘要】

本专利技术属于软件测试领域，具体为一种基于消息传递神经网络的深度学习编译器测试加速方法，可用于优化深度学习编译器测试用例的执行顺序，从而提高测试效率。

技术介绍

1、多样化的深度学习框架和目标硬件架构给工业生产的深度学习模型部署带来了巨大的挑战。因此，一系列先进的深度学习编译器被开发出来，例如tvm、glow、ngraph。与传统编译器不同，深度学习编译器采用深度学习框架构建的深度学习模型作为输入，并生成针对特定目标设备的代码作为输出。然而，深度学习编译器作为一类软件，同样不可避免会出现错误，这些错误可能导致深度学习编译器生成不正确的代码及运算结果，甚至导致崩溃等意外的模型行为。因此，保障深度学习编译器的质量至关重要。

2、编译器测试是保证编译器质量的有效且使用广泛的方法。目前，已有许多测试技术被提出来保障深度学习编译器测试的质量，这些技术依赖于一些深度学习模型生成工具(例如nnsmith、hirgen、gencog)生成的大量深度学习模型，深度学习编译器以这些深度学习模型作为输入，并通过对比编译前后模型的输出结果来判定深度学习编译器是否存在错本文档来自技高网...

【技术保护点】

1.一种基于消息传递神经网络的深度学习编译器测试加速方法，其特征在于，所述的方法由数据预处理、数据集构建、预测器和调度器四个模块组成；其中，数据预处理模块负责从深度学习模型中提取算子特征、边特征及结构特征，并转换为消息传递神经网络的输入；数据集构建模块利用模型生成工具，生成深度学习模型，使用数据预处理模块提取每个模型的特征，并判断每个模型是否触发了目标编译器的错误；预测器负责利用模型的特征信息预测一个模型是否会引发目标编译器的错误；调度器模块负责对测试用例集合中的模型进行排序，决定将哪些模型输入给目标编译器；具体步骤如下：

2.根据权利要求1所述的一种基于消息传递神经网络的深...

【技术特征摘要】

1.一种基于消息传递神经网络的深度学习编译器测试加速方法，其特征在于，所述的方法由数据预处理、数据集构建、预测器和调度器四个模块组成；其中，数据预处理模块负责从深度学习模型中提取算子特征、边特征及结构特征，并转换为消息传递神经网络的输入；数据集构建模块利用模型生成工具，生成深度学习模型，使用数据预处理模块提取每个模型的特...

【专利技术属性】
技术研发人员：丁熠琪，周志德，江贺，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：