CN111538656B - 梯度检查的监控方法、装置、设备及存储介质 - Google Patents

Abstract

本申请公开了梯度检查的监控方法、装置、设备及存储介质，涉及人工智能技术。具体实现方案为：通过根据深度学习框架中的多个算子对应的测试样例在单元测试过程中的梯度检测情况、预设算子信息和上述测试样例的第一标识信息，确定出需要进行梯度检查但是在单元测试过程中没有进行梯度检查的目标测试样例，然后根据上述目标测试样例输出监测提示信息，以便于测试人员或者开发人员可以根据上述监测提示信息及时地获知监控结果。可见，本申请实施例实现了对于梯度检查的自动监控，不仅可以节省人力成本和时间成本，而且还可以保障监控的正确性，从而提高了对于梯度检查的监控效率。

Description

梯度检查的监控方法、装置、设备及存储介质

技术领域

本申请涉及计算机技术领域，尤其涉及一种人工智能技术。

背景技术

深度学习框架为人工智能领域的研究工作提供了模型构建、训练和验证模块。算子(operator)是深度学习框架中的基本计算单元，通常分为前向算子和反向算子。为了保障深度学习框架中反向算子实现的正确性，在单元测试环节对算子进行梯度检查(gradient check)是非常重要的。

通常情况下，任意算子的单元测试会涉及多个测试样例，即在单元测试环节，正常情况下需要遍历该算子对应的每个测试样例来对该算子进行梯度检查，但在实际应用中通常会出现某些算子的某些测试样例本应进行梯度检查但并未进行梯度检查的情况。

现有技术中，通过人工审核代码的方式，来监控每个算子对应的每个测试样例是否进行了梯度检查，由于深度学习框架的算子数量非常多，因此，通过人工审核代码的监控方式不仅需要花费较多的人力成本和时间成本，而且难以保证监控的正确性，因此，现有技术对于梯度检查的监控效率较低。

发明内容

提供了一种梯度检查的监控方法、装置、设备及存储介质，实现了对于梯度检查的自动监控，提高了对于梯度检查的监控效率。

根据第一方面，提供了一种梯度检查的监控方法，包括：

获取深度学习框架中的多个算子对应的测试样例在单元测试过程中的梯度检测情况，其中，所述梯度检测情况用于描述是否对所述测试样例进行了梯度检查，每个算子对应至少一个测试样例；

根据所述多个算子对应的测试样例的梯度检测情况、预设算子信息和所述测试样例的第一标识信息，确定目标测试样例，其中，所述预设算子信息包括至少一个无需进行梯度检查的预设算子，所述第一标识信息用于指示所述测试样例是否属于无需进行梯度检查的测试样例，所述目标测试样例为需要进行梯度检查但是在所述单元测试过程中没有进行梯度检查的测试样例；

根据所述目标测试样例输出监测提示信息。

可以看出，与现有技术不同的是，本申请实施例中，通过根据深度学习框架中的多个算子对应的测试样例在单元测试过程中的梯度检测情况、预设算子信息和上述测试样例的第一标识信息，确定出需要进行梯度检查但是在单元测试过程中没有进行梯度检查的目标测试样例，然后根据上述目标测试样例输出监测提示信息，以便于测试人员或者开发人员可以根据上述监测提示信息及时地获知监控结果。可见，本申请实施例实现了对于梯度检查的自动监控，不仅可以节省人力成本和时间成本，而且还可以保障监控的正确性，从而提高了对于梯度检查的监控效率。

根据第二方面，提供了一种梯度检查的监控装置，包括：

获取模块，用于获取深度学习框架中的多个算子对应的测试样例在单元测试过程中的梯度检测情况，其中，所述梯度检测情况用于描述是否对所述测试样例进行了梯度检查，每个算子对应至少一个测试样例；

第一确定模块，用于根据所述多个算子对应的测试样例的梯度检测情况、预设算子信息和所述测试样例的第一标识信息，确定目标测试样例，其中，所述预设算子信息包括至少一个无需进行梯度检查的预设算子，所述第一标识信息用于指示所述测试样例是否属于无需进行梯度检查的测试样例，所述目标测试样例为需要进行梯度检查但是在所述单元测试过程中没有进行梯度检查的测试样例；

输出模块，用于根据所述目标测试样例输出监测提示信息。

根据第三方面，提供了一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述第一方面所述的方法。

根据第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行上述第一方面所述的方法。

上述申请中的一个实施例具有如下优点或有益效果：通过根据深度学习框架中的多个算子对应的测试样例在单元测试过程中的梯度检测情况、预设算子信息和上述测试样例的第一标识信息，确定出需要进行梯度检查但是在单元测试过程中没有进行梯度检查的目标测试样例，然后根据上述目标测试样例输出监测提示信息，以便于测试人员或者开发人员可以根据上述监测提示信息及时地获知监控结果。可见，相对于现有技术中人工审核代码的监控方式，本申请实施例实现了对于梯度检查的自动监控，不仅可以节省人力成本和时间成本，而且还可以保障监控的正确性，从而提高了对于梯度检查的监控效率。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本申请的限定。其中：

图1为本申请实施例提供的应用场景示意图；

图2为本申请一实施例提供的梯度检查的监控方法的流程示意图；

图3为本申请另一实施例提供的梯度检查的监控方法的流程示意图；

图4为本申请另一实施例提供的梯度检查的监控方法的流程示意图；

图5为本申请实施例提供的梯度检查的监控装置的结构示意图；

图6是用来实现本申请实施例的梯度检查的监控方法的电子设备的框图。

具体实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

首先，对本申请实施例的应用场景和所涉及的部分词汇进行解释说明。

深度学习框架为人工智能领域的研究工作提供了模型构建、训练和验证模块。算子(operator)是深度学习框架中的基本计算单元，通常分为前向算子和反向算子。其中，反向算子使用误差反向传播(Back Propagation，BP)算法计算目标函数关于每个模型参数的梯度，用于模型训练过程更新模型参数。为了保障深度学习框架中反向算子实现的正确性，在单元测试环节对算子进行梯度检查是非常重要的。

通常情况下，任意算子的单元测试会涉及多个测试样例，即在单元测试环节，正常情况下需要遍历该算子对应的每个测试样例来对该算子进行梯度检查，但在实际应用中通常会出现某些算子的某些测试样例本应进行梯度检查但并未进行梯度检查的情况。

现有技术中，通过人工审核代码的方式，来监控每个算子对应的每个测试样例是否进行了梯度检查，由于深度学习框架的算子数量非常多，因此，通过人工审核代码的监控方式不仅需要花费较多的人力成本和时间成本，而且难以保证监控的正确性，因此，现有技术对于梯度检查的监控效率较低。

针对现有技术中的监控效率较低的技术问题，本申请实施例中，通过结合深度学习框架中的多个算子对应的测试样例在单元测试过程中的梯度检测情况、无需进行梯度检查的各预设算子以及各测试样例是否属于无需进行梯度检查的测试样例，来确定出需要进行梯度检查但是在单元测试过程中没有进行梯度检查的目标测试样例，然后根据上述目标测试样例输出监测提示信息，以便于测试人员或者开发人员可以根据上述监测提示信息及时地获知监控结果。可见，本申请实施例实现了对于梯度检查的自动监控，不仅可以节省人力成本和时间成本，而且还可以保障监控的正确性，从而提高了对于梯度检查的监控效率。

图1为本申请实施例提供的应用场景示意图。如图1所示，本申请实施例的应用场景中可以包括但不限于：至少一个第一电子设备(图1中以第一电子设备10和第一电子设备11为例示出的)和第二电子设备12。

其中，任意第一电子设备可以向第二电子设备发送待监控的深度学习框架；其中，待监控的深度学习框架中可以包括但不限于：多个算子和每个算子对应的测试脚本，测试脚本中通常会包括多个测试样例。

上述第二电子设备可以采用本申请实施例提供的梯度检查的监控方法，对上述待监控的深度学习框架中的各算子对应的各测试样例在单元测试过程中是否进行了梯度检查进行自动地监控。

应理解，上述第一电子设备也可以采用本申请实施例提供的梯度检查的监控方法对其中的待监控的深度学习框架中的各算子对应的各测试样例在单元测试过程中是否进行了梯度检查进行自动地监控。

示例性地，本申请实施例中涉及的任意电子设备(例如第一电子设备或第二电子设备)可以包括但不限于：笔记本电脑、台式电脑，或者其它形式的计算机。

本申请实施例中涉及的任意算子对应的任意测试样例在单元测试过程中的梯度检查情况用于描述在单元测试过程中是否对该算子对应的该测试样例进行了梯度检查。

本申请实施例中涉及的上述预设算子信息可以包括至少一个无需进行梯度检查的预设算子。应理解，上述预设算子对应的至少一个测试样例在单元测试过程中均无需进行梯度检查。

本申请实施例中涉及的任意算子对应的任意测试样例的第一标识信息用于指示该测试样例是否属于无需进行梯度检查的测试样例。

示例性地，若任意算子对应的任意测试样例的第一标识信息包括标识1(例如，真)，则用于指示该算子对应的该测试样例属于无需进行梯度检查的测试样例，例如，用于测试前向计算的测试样例等。若任意算子对应的任意测试样例的第一标识信息包括标识2(例如，假)，则用于指示该算子对应的该测试样例不属于无需进行梯度检查的测试样例，或者说该测试样例属于需要进行梯度检查的测试样例。

本申请实施例中涉及的任意算子的任意测试样例对应的第二标识信息用于指示在单元测试过程中是否对该算子对应的该测试样例进行了梯度检查。

示例性地，若在单元测试过程中对该算子对应的该测试样例进行了梯度检查，则该算子的该测试样例对应的第二标识信息可以包括标识3(例如，真)，用于指示在单元测试过程中对该算子对应的该测试样例进行了梯度检查。

又一示例性地，若在单元测试过程中没有对该算子对应的该测试样例进行梯度检查，则该算子的该测试样例对应的第二标识信息可以包括标识4(例如，假)，用于指示在单元测试过程中没有对该算子对应的该测试样例进行梯度检查。

下面以具体地实施例对本申请的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。

图2为本申请一实施例提供的梯度检查的监控方法的流程示意图。本申请实施例的执行主体可以为电子设备(例如上述第一电子设备，或者第二电子设备)，或者上述电子设备中的梯度检查的监控装置(需要说的是，本申请下述实施例中以执行主体为上述电子设备为例进行介绍)。示例性地，该梯度检查的监控装置可以通过软件和/或硬件实现。

如图2所示，本申请实施例提供的梯度检查的监控方法可以包括：

步骤S201、获取深度学习框架中的多个算子对应的测试样例在单元测试过程中的梯度检测情况。

本步骤中，电子设备可以获取到待监控的深度学习框架中的多个算子对应的测试样例在单元测试过程中的梯度检测情况，其中，每个算子对应至少一个测试样例，也就是说电子设备可以获取到待监控的深度学习框架中的每个算子对应的每个测试样例在单元测试过程中的梯度检测情况；其中，任意算子对应的任意测试样例在单元测试过程中的梯度检查情况用于描述在单元测试过程中是否对该算子对应的该测试样例进行了梯度检查。

步骤S202、根据上述多个算子对应的测试样例的梯度检测情况、预设算子信息和上述测试样例的第一标识信息，确定目标测试样例。

本申请实施例中，上述电子设备中可以预置有预设算子信息和各算子对应的各测试样例的第一标识信息。例如，上述电子设备在执行步骤S202之前，可以预先获取到上述预设算子信息和上述测试样例的第一标识信息。

本申请实施例中涉及的上述预设算子信息可以包括至少一个无需进行梯度检查的预设算子。应理解，上述预设算子对应的至少一个测试样例在单元测试过程中均无需进行梯度检查。

示例性地，上述预设算子可以为上述待监控的深度学习框架中的一些不需要实现反向计算函数的前向算子，例如，算子“fill_constant”等。

示例性地，上述预设算子信息可以按照列表形式，例如，预设算子列表“empty_grad_op_list”；当然还可以按照其它形式，本申请实施例中对此并不作限定。

本申请实施例中涉及的任意算子对应的任意测试样例的第一标识信息用于指示该测试样例是否属于无需进行梯度检查的测试样例。示例性地，若任意算子对应的任意测试样例的第一标识信息包括标识1(例如，真)，则用于指示该算子对应的该测试样例属于无需进行梯度检查的测试样例，例如，用于测试前向计算的测试样例等。若任意算子对应的任意测试样例的第一标识信息包括标识2(例如，假)，则用于指示该算子对应的该测试样例不属于无需进行梯度检查的测试样例，或者说该测试样例属于需要进行梯度检查的测试样例。

示例性地，任意算子对应的任意测试样例的第一标识信息可以为该算子的该测试样例对应的成员变量“no_need_check_grad”。例如，若该测试样例对应的成员变量“no_need_check_grad”的取值为真(True)，则用于指示该测试样例属于无需进行梯度检查的测试样例；若该测试样例对应的成员变量“no_need_check_grad”的取值为假(False)，则用于指示该测试样例不属于无需进行梯度检查的测试样例。

需要说明的是，若上述待监控的深度学习框架中的任意算子对应的任意测试样例中包括：用于跳过梯度检查的装饰器“skip_check_grad”以及跳过梯度检查的原因信息，则上述电子设备在单元测试过程中会将该算子的该测试样例对应的成员变量“no_need_check_grad”的取值设置为真。

本步骤中，上述电子设备可以根据上述多个算子对应的各测试样例的梯度检测情况、上述预设算子信息和各测试样例的第一标识信息，来判断是否存在目标测试样例，其中，上述目标测试样例为需要进行梯度检查但是在单元测试过程中没有进行梯度检查的测试样例。需要说明的是，本申请实施例中涉及的目标测试样例可以包括：需要进行梯度检查但是在单元测试过程中没有进行梯度检查的各测试样例。

示例性地，若根据上述多个算子对应的各测试样例的梯度检测情况、上述预设算子信息和各测试样例的第一标识信息，判断存在需要进行梯度检查但是在单元测试过程中没有进行梯度检查的至少一个测试样例，则上述电子设备可以确定出目标测试样例可以包括：上述需要进行梯度检查但是在单元测试过程中没有进行梯度检查的至少一个测试样例，并可以确定上述目标测试样例中的各测试样例在单元测试过程中没有进行梯度检查是异常情况，需要提示测试人员或者开发人员。

应理解，若根据上述多个算子对应的各测试样例的梯度检测情况、上述预设算子信息和各测试样例的第一标识信息，判断不存在需要进行梯度检查但是在单元测试过程中没有进行梯度检查的测试样例，则上述电子设备可以确定出上述多个算子对应的各测试样例在单元测试过程中没有出现异常情况。

步骤S203、根据上述目标测试样例输出监测提示信息。

本步骤中，上述电子设备可以根据上述步骤S202确定出的上述目标测试样例输出监测提示信息，用于指示上述目标测试样例中所包括的需要进行梯度检查但是在单元测试过程中没有进行梯度检查的至少一个测试样例，以便于测试人员或者开发人员可以根据上述监测提示信息及时地获知监控结果，并根据监控结果对上述待监控的深度学习框架中关于上述目标测试样例的相应代码进行修改，从而可以保障和提升深度学习框架的质量。

示例性地，若上述待监控的深度学习框架是上述电子设备从其它电子设备处获取的，则上述电子设备可以向该其它电子设备输出上述监测提示信息，以便于该其它电子设备的用户可以查看到上述监测提示信息。

又一示例性地，若上述待监控的深度学习框架不是上述电子设备从其它电子设备处获取的，也就是说上述待监控的深度学习框架是上述电子设备中的深度学习框架，则上述电子设备可以直接输出上述监测提示信息，以便于上述电子设备的用户可以查看到上述监测提示信息。

综上所述，本申请实施例中，通过根据深度学习框架中的多个算子对应的测试样例在单元测试过程中的梯度检测情况、预设算子信息和上述测试样例的第一标识信息，确定出需要进行梯度检查但是在单元测试过程中没有进行梯度检查的目标测试样例，然后根据上述目标测试样例输出监测提示信息，以便于测试人员或者开发人员可以根据上述监测提示信息及时地获知监控结果。可见，相对于现有技术中人工审核代码的监控方式，本申请实施例实现了对于梯度检查的自动监控，不仅可以节省人力成本和时间成本，而且还可以保障监控的正确性，从而提高了对于梯度检查的监控效率。

进一步地，为了便于在单元测试结束后可以获取上述待监控的深度学习框架中的多个算子对应的测试样例在单元测试过程中的梯度检测情况，上述电子设备可以在单元测试过程中，分别为上述待监控的深度学习框架中的多个算子对应的测试样例设置对应的第二标识信息，其中，任意算子的任意测试样例对应的第二标识信息用于指示在单元测试过程中是否对该算子对应的该测试样例进行了梯度检查。

示例性地，若在单元测试过程中对该算子对应的该测试样例进行了梯度检查，则该算子的该测试样例对应的第二标识信息可以包括标识3(例如，真)，用于指示在单元测试过程中对该算子对应的该测试样例进行了梯度检查。

又一示例性地，若在单元测试过程中没有对该算子对应的该测试样例进行梯度检查，则该算子的该测试样例对应的第二标识信息可以包括标识4(例如，假)，用于指示在单元测试过程中没有对该算子对应的该测试样例进行梯度检查。

可选地，任意算子对应的任意测试样例的第二标识信息可以为该算子的该测试样例对应的成员变量“exist_check_grad”。需要说明的是，任意测试样例对应的成员变量“exist_check_grad”的默认取值为假，若在单元测试过程中对该测试样例进行了梯度检查，则上述电子设备在单元测试过程中可以采用梯度检查的计算函数(例如，函数“check_grad”)将该测试样例对应的成员变量“exist_check_grad”的取值设置为真。

应理解，若该测试样例对应的成员变量“exist_check_grad”的取值为真(True)，则用于指示在单元测试过程中对该测试样例进行了梯度检查；若该测试样例对应的成员变量“exist_check_grad”的取值为假(False)，则用于指示在单元测试过程中没有对该测试样例进行梯度检查。

应理解，上述电子设备在单元测试结束后可以获取到上述多个算子对应的测试样例所对应的第二标识信息，便可以获知上述待监控的深度学习框架中的多个算子对应的测试样例在单元测试过程中的梯度检测情况，以便于准确地确定需要进行梯度检查但是在单元测试过程中没有进行梯度检查的目标测试样例，从而实现对于梯度检查的自动监控。

进一步地，上述电子设备还可以根据上述待监控的深度学习框架中的各算子对应的源码中的关键字段，或者各算子的名称，来确定上述预设算子信息，以便于准确地确定需要进行梯度检查但是在单元测试过程中没有进行梯度检查的目标测试样例，从而实现对于梯度检查的自动监控。

示例性地，上述电子设备可以通过将上述待监控的深度学习框架中的各算子对应的源码中的关键字段与预设关键字段(例如,关键字段“EmptyGradOpMaker”)进行匹配，确定出关键字段与上述预设关键字段相匹配的至少一个算子，然后根据确定出的上述至少一个算子得到上述预设算子信息，即上述至少一个算子便属于上述预设算子信息中的预设算子。

又一示例性地，上述电子设备可以根据上述待监控的深度学习框架中的各算子的名称，确定出不存在对应的反向算子名称的各前向算子名称，然后根据上述各前向算子名称对应的算子得到上述预设算子信息。例如，假设某个前向算子名称为“fill_constant”，若上述待监控的深度学习框架中的各算子的名称中不存在与该前向算子名称对应的反向算子名称(例如，“fill_constant_grad”)，则上述电子设备可以将该前向算子名称对应的算子作为上述预设算子信息中的一个预设算子。

当然，上述电子设备还可以通过其它方式确定上述预设算子信息，本申请实施例中对此并不作限定。

进一步地，在上述实施例的基础上，本申请实施例对上述步骤S202中根据上述多个算子对应的测试样例的梯度检测情况、预设算子和上述测试样例的第一标识信息，确定目标测试样例的可实现方式进行介绍。

示例性地，若根据上述多个算子对应的测试样例的梯度检测情况可以获知当前算子(或者称之为任意算子)的当前测试样例(或者称之为任意测试样例)的梯度检测情况为在单元测试过程中没有进行梯度检查，则上述电子设备可以根据上述预设算子信息和上述当前测试样例对应的第一标识信息，来判断上述当前测试样例是否为需要进行梯度检查的测试样例。

应理解，若上述当前测试样例为需要进行梯度检查的测试样例，则上述电子设备可以确定上述当前测试样例属于目标测试样例，从而需要提示测试人员或者开发人员，对应地，上述监测提示信息可以用于指示在单元测试过程中没有对上述当前算子的上述当前测试样例进行梯度检查，以便于测试人员或者开发人员可以根据上述监测提示信息对上述待监控的深度学习框架中的关于上述当前算子的上述当前测试样例的相应代码进行修改，从而可以保障和提升深度学习框架的质量。

若上述当前测试样例为不需要进行梯度检查的测试样例，则上述电子设备可以确定上述当前测试样例在单元测试过程中没有进行梯度检查是正常情况，无需提示测试人员或者开发人员。

图3为本申请另一实施例提供的梯度检查的监控方法的流程示意图。在上述实施例的基础上，本申请实施例对上述根据上述预设算子信息和上述当前测试样例对应的第一标识信息，判断上述当前测试样例是否为需要进行梯度检查的测试样例的可实现方式进行介绍。如图3所示，本申请实施例的方法可以包括：

步骤S301、判断上述当前算子是否属于上述预设算子信息。

本申请实施例中涉及的上述预设算子信息可以包括至少一个无需进行梯度检查的预设算子。应理解，上述预设算子对应的至少一个测试样例在单元测试过程中均无需进行梯度检查。

应理解，若上述当前算子属于上述预设算子信息，则上述电子设备可以获知上述当前算子对应的各测试样例在单元测试过程中均无需进行梯度检查，即上述当前算子对应的各测试样例为不需要进行梯度检查的测试样例，从而可以确定上述当前算子的当前测试样例在单元测试过程中没有进行梯度检查是正常情况，无需提示测试人员或者开发人员。

若上述当前算子不属于上述预设算子信息，则进一步地执行步骤S302。

步骤S302、根据上述当前测试样例对应的第一标识信息，判断上述当前测试样例是否属于无需进行梯度检查的测试样例。

本申请实施例中涉及的上述当前测试样例的第一标识信息用于指示上述当前测试样例是否属于无需进行梯度检查的测试样例。示例性地，若上述当前测试样例的第一标识信息包括标识1(例如，真)，则用于指示该当前测试样例属于无需进行梯度检查的测试样例；若上述当前测试样例的第一标识信息包括标识2(例如，假)，则用于指示该当前测试样例不属于无需进行梯度检查的测试样例，或者说该当前测试样例属于需要进行梯度检查的测试样例。

应理解，若上述当前测试样例属于无需进行梯度检查的测试样例，则上述电子设备可以获知上述当前测试样例为不需要进行梯度检查的测试样例，从而可以确定上述当前测试样例在单元测试过程中没有进行梯度检查是正常情况，无需提示测试人员或者开发人员。

若上述当前测试样例不属于无需进行梯度检查的测试样例，则执行步骤S303。

步骤S303、确定上述当前测试样例为需要进行梯度检查的测试样例。

本步骤中，上述电子设备可以确定上述当前测试样例为需要进行梯度检查的测试样例，即上述当前测试样例属于目标测试样例，从而需要提示测试人员或者开发人员。

综上所述，本申请实施例中，在当前算子的当前测试样例的梯度检测情况为在单元测试过程中没有进行梯度检查时，上述电子设备通过结合上述预设算子信息和上述当前测试样例对应的第一标识信息，来判断上述当前测试样例是否属于无需进行梯度检查的测试样例，从而可以准确地确定上述当前测试样例是否为需要进行梯度检查但是在单元测试过程中没有进行梯度检查的目标测试样例，有利于准确地输出监测提示信息，从而以便于测试人员或者开发人员可以根据上述监测提示信息及时且准确地获知对于梯度检查的监控结果。

图4为本申请另一实施例提供的梯度检查的监控方法的流程示意图。在上述实施例的基础上，为了便于理解，本申请实施例对关于上述待监控的深度学习框架中的任意算子的第i个测试样例的梯度检查的监控方式进行介绍，其中，i可以为大于0的整数。

可选地，上述电子设备为上述待监控的深度学习框架中算子的单元测试设置一个基类(例如，“OpTest”基类)，也就是说上述待监控的深度学习框架中的所有算子的所有测试样例都需要继承该基类。其中，该基类中可以包括但不限于：用于记录对应算子名称的成员变量“op_type”、用于记录算子对应的测试样例是否进行了梯度检查的成员变量“exist_check_grad”(其默认的取值为假)、用于指示对应的测试样例是否属于无需进行梯度检查的成员变量“no_need_check_grad”(其默认的取值为假)、用于实现梯度检查的计算函数(例如，函数“check_grad”)。

示例性地，一方面中，若上述待监控的深度学习框架中的任意算子对应的任意测试样例中包括：用于跳过梯度检查的装饰器“skip_check_grad”以及跳过梯度检查的原因信息，则上述电子设备在单元测试过程中会将该算子的该测试样例对应的成员变量“no_need_check_grad”(即上述第一标识信息)的取值设置为真，即用于指示该测试样例属于无需进行梯度检查的测试样例。

另一方面中，若在单元测试过程中对上述任意算子对应的任意测试样例进行了梯度检查，则上述电子设备在单元测试过程中可以采用梯度检查的计算函数(例如，函数“check_grad”)将该算子的该测试样例对应的成员变量“exist_check_grad”(即上述第二标识信息)的取值设置为真，即用于指示在单元测试过程中对该测试样例进行了梯度检查。

需要说明的是，本申请实施例中涉及的任意基类名称、任意算子名称、任意成员变量名称、任意算子列表名称和/或任意函数名称等均为示例性地名称，本申请实施例中对此并不作限定。

如图4所示，本申请实施例的方法可以包括：

步骤S401、获取预设算子信息。

示例性地，上述预设算子信息可以按照列表形式，例如，预设算子列表“empty_grad_op_list”。

步骤S402、监控该算子的第i个测试样例的梯度检查。

步骤S403、根据第i个测试样例对应的第二标识信息判断在单元测试过程中是否没有对第i个测试样例进行梯度检查。

若在单元测试过程中对第i个测试样例进行了梯度检查，则执行步骤S404；若在单元测试过程中没有第i个测试样例进行梯度检查，则执行步骤S405。

示例性地，判断第i个测试样例对应的成员变量“exist_check_grad”的取值是否为假。若第i个测试样例对应的成员变量“exist_check_grad”的取值不为假，即在单元测试过程中对第i个测试样例进行了梯度检查，则执行步骤S404；若第i个测试样例对应的成员变量“exist_check_grad”的取值为假，即在单元测试过程中没有对第i个测试样例进行梯度检查，则进一步地执行步骤S405。

步骤S404、将i加1得到更新后的i，从而返回执行步骤S402。

步骤S405、判断该算子是否不属于预设算子信息。

若该算子属于预设算子信息，则执行步骤S404；若该算子不属于预设算子信息，则执行步骤S406。

示例性地，判断该算子名称的成员变量“op_type”是否不属于预设算子列表“empty_grad_op_list”。若该算子名称的成员变量“op_type”属于预设算子列表“empty_grad_op_list”，即该算子对应的各测试样例在单元测试过程中均无需进行梯度检查，则执行步骤S404；若该算子名称的成员变量“op_type”不属于预设算子列表“empty_grad_op_list”，则进一步地执行步骤S406。

步骤S406、根据第i个测试样例对应的第一标识信息判断第i个测试样例是否不属于无需进行梯度检查的测试样例。

示例性地，若第i个测试样例属于无需进行梯度检查的测试样例，则执行步骤S404；若第i个测试样例不属于无需进行梯度检查的测试样例，则执行步骤S407。

示例性地，判断第i个测试样例对应的成员变量no_need_check_grad”的取值是否为假。若第i个测试样例对应的成员变量no_need_check_grad”的取值为真，即第i个测试样例属于无需进行梯度检查的测试样例，则执行步骤S404；若第i个测试样例对应的成员变量no_need_check_grad”的取值为假，即第i个测试样例不属于无需进行梯度检查的测试样例，但在单元测试过程中并没有对其进行梯度检查(或者说第i个测试样例属于目标测试样例)，需要提示测试人员或者开发人员，从而执行步骤S407。

步骤S407、输出监测提示信息。

示例性地，上述监测提示信息可以用于指示在单元测试过程中没有对上述算子的第i个测试样例进行梯度检查，以便于测试人员或者开发人员可以根据上述监测提示信息对上述待监控的深度学习框架中的关于上述算子的第i个测试样例的相应代码进行修改。

应理解，本申请实施例中的步骤S405和步骤S406的执行顺序可以互换，只要该算子属于预设算子信息或者第i个测试样例属于无需进行梯度检查的测试样例，则执行步骤S404；否则，进一步地执行步骤S407。

需要说明的是，本申请实施例中各步骤的具体实现方式可以参考本申请上述实施例中的相关内容，此处不再赘述。

综上所述，通过结合待监控的深度学习框架中的任意算子的测试样例对应的第二标识信息、预设算子信息以及任意算子的测试样例对应的第一标识信息，来判断是否存在需要进行梯度检查但是在单元测试过程中没有进行梯度检查的目标测试样例，然后在确定出存在目标测试样例时输出监测提示信息，以便于测试人员或者开发人员可以根据上述监测提示信息及时且准确地获知监控结果。可见，本申请实施例实现了对于梯度检查的自动监控，不仅可以节省人力成本和时间成本，而且还可以保障监控的正确性，从而提高了对于梯度检查的监控效率。

需要说明的是，本领域普通技术人员可以理解，在本申请的上述各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

图5为本申请实施例提供的梯度检查的监控装置的结构示意图，如图5所示，本申请实施例提供的梯度检查的监控装置可以包括：获取模块501、第一确定模块502和输出模块503。

其中，获取模块501，用于获取深度学习框架中的多个算子对应的测试样例在单元测试过程中的梯度检测情况，其中，所述梯度检测情况用于描述是否对所述测试样例进行了梯度检查，每个算子对应至少一个测试样例；

第一确定模块502，用于根据所述多个算子对应的测试样例的梯度检测情况、预设算子信息和所述测试样例的第一标识信息，确定目标测试样例，其中，所述预设算子信息包括至少一个无需进行梯度检查的预设算子，所述第一标识信息用于指示所述测试样例是否属于无需进行梯度检查的测试样例，所述目标测试样例为需要进行梯度检查但是在所述单元测试过程中没有进行梯度检查的测试样例；

输出模块503，用于根据所述目标测试样例输出监测提示信息。

在一种可能的实现方式中，所述第一确定模块502，包括：

判断单元，用于若当前算子的当前测试样例的梯度检测情况为在所述单元测试过程中没有进行梯度检查，则根据所述预设算子信息和所述当前测试样例对应的第一标识信息，判断所述当前测试样例是否为需要进行梯度检查的测试样例；

确定单元，用于若所述当前测试样例为需要进行梯度检查的测试样例，则确定所述当前测试样例属于所述目标测试样例；

对应地，所述监测提示信息用于指示在所述单元测试过程中没有对所述当前算子的所述当前测试样例进行梯度检查。

在一种可能的实现方式中，所述判断单元具体用于：

判断所述当前算子是否属于所述预设算子信息；

若所述当前算子不属于所述预设算子信息，则根据所述当前测试样例对应的第一标识信息，判断所述当前测试样例是否属于无需进行梯度检查的测试样例；

若所述当前测试样例不属于无需进行梯度检查的测试样例，则确定所述当前测试样例为需要进行梯度检查的测试样例。

在一种可能的实现方式中，所述装置还包括：

设置模块，用于在单元测试过程中，分别为所述多个算子对应的测试样例设置对应的第二标识信息，其中，所述测试样例对应的第二标识信息用于指示在所述单元测试过程中是否对所述测试样例进行了梯度检查；

对应地，所述获取模块具体用于：

获取所述多个算子对应的测试样例所对应的第二标识信息。

在一种可能的实现方式中，所述装置还包括：

第二确定模块，用于根据各所述算子对应的源码中的关键字段，或者各所述算子的名称，确定所述预设算子信息。

本实施例提供的梯度检查的监控装置，用于执行本申请上述梯度检查的监控方法实施例中的技术方案，其技术原理和技术效果相似，此处不再赘述。

根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。

如图6所示，是根据本申请实施例的梯度检查的监控方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。

如图6所示，该电子设备包括：一个或多个处理器601、存储器602，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图6中以一个处理器601为例。

存储器602即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的梯度检查的监控方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的梯度检查的监控方法。

存储器602作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的梯度检查的监控方法对应的程序指令/模块(例如，附图5所示的获取模块501、第一确定模块502和输出模块503)。处理器601通过运行存储在存储器602中的非瞬时软件程序、指令以及模块，从而执行电子设备的各种功能应用以及数据处理，即实现上述方法实施例中的梯度检查的监控方法。

存储器602可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据电子设备的使用所创建的数据等。此外，存储器602可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器602可选包括相对于处理器601远程设置的存储器，这些远程存储器可以通过网络连接至上述电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

上述电子设备还可以包括：输入装置603和输出装置604。处理器601、存储器602、输入装置603和输出装置604可以通过总线或者其他方式连接，图6中以通过总线连接为例。

输入装置603可接收输入的数字或字符信息，以及产生与上述电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置604可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。

此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。

根据本申请实施例的技术方案，通过根据深度学习框架中的多个算子对应的测试样例在单元测试过程中的梯度检测情况、预设算子信息和上述测试样例的第一标识信息，确定出需要进行梯度检查但是在单元测试过程中没有进行梯度检查的目标测试样例，然后根据上述目标测试样例输出监测提示信息，以便于测试人员或者开发人员可以根据上述监测提示信息及时地获知监控结果。可见，相对于现有技术中人工审核代码的监控方式，本申请实施例实现了对于梯度检查的自动监控，不仅可以节省人力成本和时间成本，而且还可以保障监控的正确性，从而提高了对于梯度检查的监控效率。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (12)

1.一种梯度检查的监控方法，其特征在于，包括：

获取深度学习框架中的多个算子对应的测试样例在单元测试过程中的梯度检测情况，其中，所述梯度检测情况用于描述是否对所述测试样例进行了梯度检查，每个算子对应至少一个测试样例；

根据所述多个算子对应的测试样例的梯度检测情况、预设算子信息和所述测试样例的第一标识信息，确定目标测试样例，其中，所述预设算子信息包括至少一个无需进行梯度检查的预设算子，所述第一标识信息用于指示所述测试样例是否属于无需进行梯度检查的测试样例，所述目标测试样例为需要进行梯度检查但是在所述单元测试过程中没有进行梯度检查的测试样例；

根据所述目标测试样例输出监测提示信息。

2.根据权利要求1所述的方法，其特征在于，所述根据所述多个算子对应的测试样例的梯度检测情况、预设算子和所述测试样例的第一标识信息，确定目标测试样例，包括：

若当前算子的当前测试样例的梯度检测情况为在所述单元测试过程中没有进行梯度检查，则根据所述预设算子信息和所述当前测试样例对应的第一标识信息，判断所述当前测试样例是否为需要进行梯度检查的测试样例；

若所述当前测试样例为需要进行梯度检查的测试样例，则确定所述当前测试样例属于所述目标测试样例；

对应地，所述监测提示信息用于指示在所述单元测试过程中没有对所述当前算子的所述当前测试样例进行梯度检查。

3.根据权利要求2所述的方法，其特征在于，所述根据所述预设算子信息和所述当前测试样例对应的第一标识信息，判断所述当前测试样例是否为需要进行梯度检查的测试样例，包括：

判断所述当前算子是否属于所述预设算子信息；

若所述当前算子不属于所述预设算子信息，则根据所述当前测试样例对应的第一标识信息，判断所述当前测试样例是否属于无需进行梯度检查的测试样例；

若所述当前测试样例不属于无需进行梯度检查的测试样例，则确定所述当前测试样例为需要进行梯度检查的测试样例。

4.根据权利要求1-3中任一项所述的方法，其特征在于，所述方法还包括：

在单元测试过程中，分别为所述多个算子对应的测试样例设置对应的第二标识信息，其中，所述测试样例对应的第二标识信息用于指示在所述单元测试过程中是否对所述测试样例进行了梯度检查；

对应地，所述获取深度学习框架中的多个算子对应的测试样例在单元测试过程中的梯度检测情况，包括：

获取所述多个算子对应的测试样例所对应的第二标识信息。

5.根据权利要求1-3中任一项所述的方法，其特征在于，所述方法还包括：

根据各所述算子对应的源码中的关键字段，或者各所述算子的名称，确定所述预设算子信息。

6.一种梯度检查的监控装置，其特征在于，包括：

获取模块，用于获取深度学习框架中的多个算子对应的测试样例在单元测试过程中的梯度检测情况，其中，所述梯度检测情况用于描述是否对所述测试样例进行了梯度检查，每个算子对应至少一个测试样例；

第一确定模块，用于根据所述多个算子对应的测试样例的梯度检测情况、预设算子信息和所述测试样例的第一标识信息，确定目标测试样例，其中，所述预设算子信息包括至少一个无需进行梯度检查的预设算子，所述第一标识信息用于指示所述测试样例是否属于无需进行梯度检查的测试样例，所述目标测试样例为需要进行梯度检查但是在所述单元测试过程中没有进行梯度检查的测试样例；

输出模块，用于根据所述目标测试样例输出监测提示信息。

7.根据权利要求6所述的装置，其特征在于，所述第一确定模块，包括：

判断单元，用于若当前算子的当前测试样例的梯度检测情况为在所述单元测试过程中没有进行梯度检查，则根据所述预设算子信息和所述当前测试样例对应的第一标识信息，判断所述当前测试样例是否为需要进行梯度检查的测试样例；

确定单元，用于若所述当前测试样例为需要进行梯度检查的测试样例，则确定所述当前测试样例属于所述目标测试样例；

对应地，所述监测提示信息用于指示在所述单元测试过程中没有对所述当前算子的所述当前测试样例进行梯度检查。

8.根据权利要求7所述的装置，其特征在于，所述判断单元具体用于：

判断所述当前算子是否属于所述预设算子信息；

若所述当前算子不属于所述预设算子信息，则根据所述当前测试样例对应的第一标识信息，判断所述当前测试样例是否属于无需进行梯度检查的测试样例；

若所述当前测试样例不属于无需进行梯度检查的测试样例，则确定所述当前测试样例为需要进行梯度检查的测试样例。

9.根据权利要求6-8中任一项所述的装置，其特征在于，所述装置还包括：

设置模块，用于在单元测试过程中，分别为所述多个算子对应的测试样例设置对应的第二标识信息，其中，所述测试样例对应的第二标识信息用于指示在所述单元测试过程中是否对所述测试样例进行了梯度检查；

对应地，所述获取模块具体用于：

获取所述多个算子对应的测试样例所对应的第二标识信息。

10.根据权利要求6-8中任一项所述的装置，其特征在于，所述装置还包括：

第二确定模块，用于根据各所述算子对应的源码中的关键字段，或者各所述算子的名称，确定所述预设算子信息。

11.一种电子设备，其特征在于，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法。

12.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-5中任一项所述的方法。

Images