CN111930368A - 信息可视化方法、装置、存储介质及处理器 - Google Patents
信息可视化方法、装置、存储介质及处理器 Download PDFInfo
- Publication number
- CN111930368A CN111930368A CN201910394934.0A CN201910394934A CN111930368A CN 111930368 A CN111930368 A CN 111930368A CN 201910394934 A CN201910394934 A CN 201910394934A CN 111930368 A CN111930368 A CN 111930368A
- Authority
- CN
- China
- Prior art keywords
- deep learning
- code
- version
- data structure
- positioning result
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/30—Creation or generation of source code
- G06F8/34—Graphical or visual programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/70—Software maintenance or management
- G06F8/71—Version control; Configuration management
Abstract
本发明公开了一种信息可视化方法、装置、存储介质及处理器。其中,该方法包括:获取待运行的深度学习代码,其中,深度学习代码用于训练深度学习模型;按照设定执行单位,对深度学习代码的运行位置进行定位以得到定位结果,并对定位结果进行可视化展示,其中,定位结果用于辅助确认深度学习模型的潜在缺陷;和/或,对深度学习代码进行版本控制。本发明解决了无法对深度学习模型的开发代码进行可视化定位的技术问题。
Description
技术领域
本发明涉及计算机领域,具体而言,涉及一种信息可视化方法、装置、存储介质及处理器。
背景技术
随着2012年深度学习在国际图像识别比赛中以碾压第二名的性能初露头角后,在2016年随着AlphaGo被世人所知。深度学习框架已经成为越来越多公司的首要选择。
但是,在开发深度学习模型的时候,传统代码编码方式成为了许多数据科学家的阻碍,对于在其上开发的科学家而言上手难度较大。对于业内在使用的可视化深度学习平台而言,其对于单步调试并没有相应的查看功能。使得开发者在其上面进行开发的时候,无法准确的看出运行到具体代码中哪一个层。
另一方便,现在使用的深度学习平台缺乏版本控制功能,在深度学习这种需要进行大量的调试比对模型的运算中,开发者很难能回到之前更优的某个版本。
针对上述无法对深度学习模型的开发代码进行可视化定位的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种信息可视化方法、装置、存储介质及处理器,以至少解决无法对深度学习模型的开发代码进行可视化定位的技术问题。
根据本发明实施例的一个方面,提供了一种信息可视化方法,包括:获取待运行的深度学习代码,其中,所述深度学习代码用于训练深度学习模型;按照设定执行单位,对所述深度学习代码的运行位置进行定位以得到定位结果,并对所述定位结果进行可视化展示,其中,所述定位结果用于辅助确认所述深度学习模型的潜在缺陷;和/或,对所述深度学习代码进行版本控制。
根据本发明实施例的另一方面,还提供了一种信息可视化装置,包括:获取单元,用于获取待运行的深度学习代码,其中,所述深度学习代码用于训练深度学习模型;定位单元,用于按照设定执行单位,对所述深度学习代码的运行位置进行定位以得到定位结果,并对所述定位结果进行可视化展示,其中,所述定位结果用于辅助确认所述深度学习模型的潜在缺陷;和/或,对所述深度学习代码进行版本控制。
根据本发明实施例的另一个方面,还提供了一种存储介质,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行上述所述的信息可视化方法。
根据本发明实施例的又一个方面,还提供了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行上述所述的信息可视化方法。
在本发明实施例中,获取待运行的深度学习代码,再按照设定执行单位对深度学习代码的运行位置进行定位,可以得到深度学习代码的定位结果,通过该定位结果可以辅助确认深度学习模型的潜在缺陷,以及对深度学习代码进行版本控制,通过对定位结果进行可视化展示,方便用户根据可视化的定位结果对深度学习代码进行调整,从而实现了对深度学习代码进行可视化定位的技术效果,进而解决了无法对深度学习模型的开发代码进行可视化定位的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是一种用于实现信息可视化方法的计算机终端的硬件结构框图;
图2是根据本发明实施例的一种信息可视化方法的流程图;
图3是根据本发明实施例的一种对深度学习代码的运行位置进行定位的示意图;
图4是根据本发明实施例的一种对深度学习代码进行版本控制的示意图;
图5是根据本发明实施例的一种信息可视化装置的示意图;
图6是根据本发明实施例的一种计算机终端的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
首先,在对本申请实施例进行描述的过程中出现的部分名词或术语适用于如下解释:
深度学习:深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征,以发现数据的分布式特征表示,例如含多隐层的多层感知器就是一种深度学习结构。
实施例1
根据本发明实施例,还提供了一种信息可视化方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例1所提供的方法实施例可以在移动终端、计算机终端或者类似的运算方法中执行。图1示出了一种用于实现信息可视化方法的计算机终端(或移动设备)的硬件结构框图。如图1所示,计算机终端10(或移动设备10)可以包括一个或多个(图中采用102a、102b,……,102n来示出)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器104、以及用于通信功能的传输装置106,其中,传输装置106包括:输入/输出接口(I/O接口)、网络接口。除此以外,还可以包括:显示器、BUS总线、电源和/或相机。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述电子装置的结构造成限定。例如,计算机终端10还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
应当注意到的是上述一个或多个处理器102和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外,数据处理电路可为单个独立的处理模块,或全部或部分的结合到计算机终端10(或移动设备)中的其他元件中的任意一个内。如本申请实施例中所涉及到的,该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。
存储器104可用于存储应用软件的软件程序以及模块,如本发明实施例中的信息可视化方法对应的程序指令/数据存储方法,处理器102通过运行存储在存储器104内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的信息可视化方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至计算机终端10。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。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端10的通信供应商提供的无线网络。在一个实例中,传输装置106包括一个网络适配器(Network Interface Controller,NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置106可以为射频(RadioFrequency,RF)模块,其用于通过无线方式与互联网进行通讯。
显示器可以例如触摸屏式的液晶显示器(LCD),该液晶显示器可使得用户能够与计算机终端10(或移动设备)的用户界面进行交互。
此处需要说明的是,在一些可选实施例中,上述图1所示的计算机设备(或移动设备)可以包括硬件元件(包括电路)、软件元件(包括存储在计算机可读介质上的计算机代码)、或硬件元件和软件元件两者的结合。应当指出的是,图1仅为特定具体实例的一个实例,并且旨在示出可存在于上述计算机设备(或移动设备)中的部件的类型。
在上述运行环境下,本申请提供了如图2所示的信息可视化方法。图2是根据本发明实施例的一种信息可视化方法的流程图,如图2所示的方法可以包括如下步骤:
步骤S202,获取待运行的深度学习代码,其中,深度学习代码用于训练深度学习模型;
步骤S204,按照设定执行单位,对深度学习代码的运行位置进行定位以得到定位结果,并对定位结果进行可视化展示,其中,定位结果用于辅助确认深度学习模型的潜在缺陷;和/或,对深度学习代码进行版本控制。
在本发明实施例中,获取待运行的深度学习代码,再按照设定执行单位对深度学习代码的运行位置进行定位,可以得到深度学习代码的定位结果,通过该定位结果可以辅助确认深度学习模型的潜在缺陷,以及对深度学习代码进行版本控制,通过对定位结果进行可视化展示,方便用户根据可视化的定位结果对深度学习代码进行调整,从而实现了对深度学习代码进行可视化定位的技术效果,进而解决了无法对深度学习模型的开发代码进行可视化定位的技术问题。
需要说明的是,深度学习代码在运行后可以训练出深度学习模型,也即深度学习代码即为深度学习模型的开发代码。但是在训练深度学习模型之前,需要对深度学习代码进行设计、调试和查看等多种预先准备过程。
可选地,上述步骤S202和步骤S204可以应用在对深度学习代码的预先准备过程中,辅助确认深度学习模型的潜在缺陷。
可选地,上述步骤S202和步骤S204还可以应用在对深度学习代码的运行之后,对深度学习代码进行版本控制。
可选地,在上述步骤S202中,可以由用户直接编写深度学习代码;还可以通过图形用户界面来生成深度学习代码。
作为一种可选的实施例,获取深度学习代码包括以下至少之一:接收通过图形用户界面编辑的深度学习代码;获取按照自定义数据结构对深度学习图形进行转换后得到的深度学习代码。
本发明上述实施例,在获取深度学习代码的过程中,可以直接获取用户通过图像用户界面来编辑的深度学习代码,例如,获取用户直接输入的深度学习代码。
需要说明的是,深度学习图形可以为多个,每个深度学习图形存在对应的深度学习代码,用户在设置或调整深度学习代码的过程中,可以通过拖拽不同的深度学习图形来实现。
本发明上述实施例,在获取深度学习代码的过程中,还可以获取用户设置的深度学习图形,然后再按照自定义数据结构对深度学习图形进行转换后,即可得到深度学习代码。
需要说明的是,用于对深度学习图形进行转换的自定义数据结构至少包括以下之一:JSON、XML,也即自定义数据结构可以使用JSON或XML等多种数据结构保存。
需要说明的是,JSON,即JavaScript Objece Notation,是一种轻量级的数据交换格式。
需要说明的是,XML,即Extensible Markup Language,可扩展标记语言,是一种用于标记电子文件使其具有结构性的标记语言。
在上述步骤S204中,预定执行单位至少包括单步执行和多步执行的中的至少一种。
需要说明的是,单步运行是指深度学习代码按照执行流程一步一步地运行,并在深度学习代码运行的过程中,一步一步地跟踪深度学习代码执行的流程;多步运行是指深度学习代码按照执行流程一次运行多个或全部流程步骤。
本发明上述实施例,在对深度学习代码的运行位置进行定位的过程中,可以使深度学习代码进行单步运行,还可以使深度学习代码进行多步运行。
在上述步骤S204中,按照设定执行单位,对深度学习代码的运行位置进行定位以得到定位结果包括:按照设定执行单位运行深度学习代码;调用预设插件定位深度学习代码当前运行位置所在行数。
本发明上述实施例,在对深度学习代码的运行位置进行定位的中,可以按照设定执行单位运行深度学习代码,然后再调用预设插件定位深度学习代码在当前运行位置所在的行数,从而实现对深度学习代码的运行位置的定位。
需要说明的是,预设插件可以是预先设置的,用于对深度学习代码进行定位的特定插件。
在上述步骤S204中,对定位结果进行可视化展示包括以下至少之一:在图形用户界面中显示深度学习代码中与定位结果关联的部分代码;调用自定义数据结构接口,在图形用户界面中显示深度学习图形中与定位结果关联的部分图形。
本发明上述实施例,在得到定位结果之后,可以在图形用户界面中,直接显示深度学习代码中与定位结果关联的部分代码。
需要说明的是,自定义数据结构接口,可以是使用JSON或XML等多种数据结构的接口。
本发明上述实施例,在得到定位结果之后,还可以通过调用自定义数据结构接口,通过自定义数据结构接口在图形用户界面中显示深度学习图形中与定位结果关联的部分图形。
例如,在得到定位结果之后,可以调用自定义数据结构接口,对深度学习代码的定位结果进行处理,得到深度学习图形中与定位结果关联的部分图形,然后在图形用户界面中显示该部分图形。
图3是根据本发明实施例的一种对深度学习代码的运行位置进行定位的示意图,如图3所示,在单步运行深度学习代码的过程中,可以定位深度学习代码的具体运行位置,并同时在代码和图形界面告知用户,具体包括步骤如下。
可选地,如图3所示的步骤S3011至步骤S3014,针对从代码运行入口进来的用户,可以直接调用代码运行核心,通过代码行数解析插件(即预设插件)获取用户当前运行代码行数(即定位结果)。
步骤S3011,用户编写深度学习代码,即接收通过图形用户界面编辑的深度学习代码。
步骤S3012,代码运行核心。
步骤S3013,代码行数解析插件(即预设插件)。
步骤S3014,代码层数定位(即得到定位结果)。
可选地,如图3所示的步骤S3021至步骤S3024,针对从图形运行入口进来的用户,可以调用图形运行核心,该图形运行核心将图形翻译为自定义的JSON结构,从而可以通过该图形运行核心生成可运行的代码,之后执行上述步骤S3012。
步骤S3021,用户拖拽深度学习图形。
步骤S3022,图形运行核心。
步骤S3023,自定义JSON结构(即自定义数据结构)代码描述。
步骤S3024,生成深度学习代码,然后执行步骤S3012。
上述步骤S3021至步骤S3024,用于实现获取按照自定义数据结构对深度学习图形进行转换后得到的深度学习代码。
可选地,如图3所示的步骤S3031至步骤S3033,获取代码运行行数(即得到定位结果)后,代码层可以直接展现给用户;还可以定位到自定义JSON接口,再通过图形层面展示给用户。
步骤S3031,在步骤S3014之后执行,展示代码位置,即在图形用户界面中显示深度学习代码中与定位结果关联的部分代码。
步骤S3032,在步骤S3014之后执行,自定义JSON结构定位,即调用自定义数据结构接口,然后执行步骤S3033。
步骤S3033,展示图形位置,即在图形用户界面中显示深度学习图形中与定位结果关联的部分图形。
本发明上述实施例,提供了代码定位功能,可以方便的查看和调试用户编写的深度学习代码或者拖拽深度学习图形中的深度学习内容,对于没有丰富代码经验的算法开发者来说,可以极大的提高其开发深度学习算法模型的能力,比如可以方便的在单步调试中看到哪个转换层有问题,或者缺连接层等。
本发明上述实施例,在深度学习可视化中的准备过程中,可以定位到所执行的图形层和代码位置,为开发者的开发提供了极大的便利。
作为一种可选的实施例,对深度学习代码进行版本控制包括以下至少之一:在图形用户界面中,通过调用版本提交功能,将当前版本的深度学习代码进行保存;在图形用户界面中,通过调用版本回滚功能,将当前版本的深度学习代码回滚至待使用的历史版本的深度学习代码,其中,待使用的历史版本通过对多个版本的模型结果进行比对后确定,多个版本的模型结果是采用多个版本的深度学习代码对深度学习模型进行调试所得到的结果;在图形用户界面中,通过调用版本提交功能,将按照自定义数据结构对深度学习图形进行转换后得到的当前版本的深度学习代码进行保存;在图形用户界面中,通过调用版本回滚功能,将按照自定义数据结构对深度学习图形进行转换后得到的当前版本的深度学习代码回滚至待使用的历史版本的深度学习代码,其中,待使用的历史版本通过对多个版本的模型结果进行比对后确定,多个版本的模型结果是采用多个版本的深度学习代码对深度学习模型进行调试所得到的结果;在图形用户界面中,通过调用版本提交功能,将按照自定义数据结构对深度学习图形进行转换后得到的当前版本的自定义数据结构描述文件进行保存;在图形用户界面中,通过调用版本回滚功能,将按照自定义数据结构对深度学习图形进行转换后得到的当前版本的自定义数据结构描述文件回滚至待使用的历史版本的自定义数据结构描述文件,其中,待使用的历史版本通过对多个版本的模型结果进行比对后确定,多个版本的模型结果是采用多个版本的深度学习代码对深度学习模型进行调试所得到的结果。
需要说明的是,回滚指的是程序或数据处理错误,将程序或数据恢复到上一次正确状态的行为,在本申请中指恢复到历史版本的深度学习代码。
图4是根据本发明实施例的一种对深度学习代码进行版本控制的示意图,如图4所示,具体包括步骤如下。
可选地,如图4所示的步骤S4011至步骤S4014,针对代码入口用户,可以直接调用版本提交装置保存当前版本,或者调用回滚装置重新打开之前的保存内容。
步骤S4011,用户编写深度学习代码。
步骤S4012,生成深度学习代码。
步骤S4013,版本提交。
步骤S4014,版本回滚。
可选地,如图4所示的步骤S4021至步骤S4022针对图形入口用户,首先将图形内容(即深度学习图形)翻译为自定义JSON定义,由该定义生成可运行代码(即深度学习代码),之后执行步骤S4012。
步骤S4021,用户拖拽深度学习图形。
步骤S4022,自定义JSON结构(即自定义数据结构)代码描述,然后执行步骤S4012。
本发明上述实施例,在深度学习模型开发完成后需要进行大量的参数调试,以便找出最优的模型结果,加入版本控制方面内容可以直观的保存和展示对比每一次参数调试结果,以便算法工程师最终选出最理想的深度学习模型,避免内容的丢失。
本发明上述实施例,增加了对可视化的深度学习代码的版本控制,极大的方便了开发者的调试对比不同训练版本。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
实施例2
根据本发明实施例,还提供了一种用于实施上述信息可视化方法的信息可视化装置,如图5所示,该装置包括:获取单元51和定位单元53,其中,获取单元51,用于获取待运行的深度学习代码,其中,深度学习代码用于训练深度学习模型;定位单元53,用于按照设定执行单位,对深度学习代码的运行位置进行定位以得到定位结果,并对定位结果进行可视化展示,其中,定位结果用于辅助确认深度学习模型的潜在缺陷;和/或,对深度学习代码进行版本控制。
此处需要说明的是,上述获取单元51和定位单元53对应于实施例1中的步骤S202和步骤S204,上述单元与对应的步骤所实现的实例和应用场景相同,但不限于上述实施例1所公开的内容。需要说明的是,上述单元作为装置的一部分可以运行在实施例1提供的计算机终端10中。
在本发明实施例中,获取待运行的深度学习代码,再按照设定执行单位对深度学习代码的运行位置进行定位,可以得到深度学习代码的定位结果,通过该定位结果可以辅助确认深度学习模型的潜在缺陷,以及对深度学习代码进行版本控制,通过对定位结果进行可视化展示,方便用户根据可视化的定位结果对深度学习代码进行调整,从而实现了对深度学习代码进行可视化定位的技术效果,进而解决了无法对深度学习模型的开发代码进行可视化定位的技术问题。
作为一种可选的实施例,设定执行单位至少包括以下至少之一:单步执行、多步执行。
作为一种可选的实施例,获取单元包括以下至少之一:接收模块,用于接收通过图形用户界面编辑的深度学习代码;获取模块,用于获取按照自定义数据结构对深度学习图形进行转换后得到的深度学习代码。
作为一种可选的实施例,所述自定义数据结构至少包括以下之一:JSON、XML。
作为一种可选的实施例,定位单元包括:运行模块,用于按照设定执行单位运行深度学习代码;第一调用模块,用于调用预设插件定位深度学习代码当前运行位置所在行数。
作为一种可选的实施例,定位单元包括以下至少之一:显示单模块,用于在图形用户界面中显示深度学习代码中与定位结果关联的部分代码;第二调用模块,用于调用自定义数据结构接口,在图形用户界面中显示深度学习图形中与定位结果关联的部分图形。
作为一种可选的实施例,定位单元包括以下至少之一:第一保存模块,用于在图形用户界面中,通过调用版本提交功能,将当前版本的深度学习代码进行保存;第一回滚模块,用于在图形用户界面中,通过调用版本回滚功能,将当前版本的深度学习代码回滚至待使用的历史版本的深度学习代码,其中,待使用的历史版本通过对多个版本的模型结果进行比对后确定,多个版本的模型结果是采用多个版本的深度学习代码对深度学习模型进行调试所得到的结果;第二保存模块,用于在图形用户界面中,通过调用版本提交功能,将按照自定义数据结构对深度学习图形进行转换后得到的当前版本的深度学习代码进行保存;第二回滚模块,用于在图形用户界面中,通过调用版本回滚功能,将按照自定义数据结构对深度学习图形进行转换后得到的当前版本的深度学习代码回滚至待使用的历史版本的深度学习代码,其中,待使用的历史版本通过对多个版本的模型结果进行比对后确定,多个版本的模型结果是采用多个版本的深度学习代码对深度学习模型进行调试所得到的结果;第三保存模块,用于在图形用户界面中,通过调用版本提交功能,将按照自定义数据结构对深度学习图形进行转换后得到的当前版本的自定义数据结构描述文件进行保存;第三回滚模块,用于在图形用户界面中,通过调用版本回滚功能,将按照自定义数据结构对深度学习图形进行转换后得到的当前版本的自定义数据结构描述文件回滚至待使用的历史版本的自定义数据结构描述文件,其中,待使用的历史版本通过对多个版本的模型结果进行比对后确定,多个版本的模型结果是采用多个版本的深度学习代码对深度学习模型进行调试所得到的结果。
实施例3
本发明的实施例可以提供一种计算机终端,该计算机终端可以是计算机终端群中的任意一个计算机终端设备。可选地,在本实施例中,上述计算机终端也可以替换为移动终端等终端设备。
可选地,在本实施例中,上述计算机终端可以位于计算机网络的多个网络设备中的至少一个网络设备。
在本实施例中,上述计算机终端可以执行应用程序的信息可视化方法中以下步骤的程序代码:获取待运行的深度学习代码,其中,深度学习代码用于训练深度学习模型;按照设定执行单位,对深度学习代码的运行位置进行定位以得到定位结果,并对定位结果进行可视化展示,其中,定位结果用于辅助确认深度学习模型的潜在缺陷;和/或,对深度学习代码进行版本控制。
可选地,图6是根据本发明实施例的一种计算机终端的结构框图。如图6所示,该计算机终端10可以包括:一个或多个(图中仅示出一个)处理器102、存储器104、以及传输装置106。
其中,存储器可用于存储软件程序以及模块,如本发明实施例中的信息可视化方法和装置对应的程序指令/模块,处理器通过运行存储在存储器内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的信息可视化方法。存储器可包括高速随机存储器,还可以包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器可进一步包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至终端10。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。
处理器可以通过传输装置调用存储器存储的信息及应用程序,以执行下述步骤:获取待运行的深度学习代码,其中,深度学习代码用于训练深度学习模型;按照设定执行单位,对深度学习代码的运行位置进行定位以得到定位结果,并对定位结果进行可视化展示,其中,定位结果用于辅助确认深度学习模型的潜在缺陷;和/或,对深度学习代码进行版本控制。
可选的,上述处理器还可以执行如下步骤的程序代码:接收通过图形用户界面编辑的深度学习代码;获取按照自定义数据结构对深度学习图形进行转换后得到的深度学习代码。
可选的,上述处理器还可以执行如下步骤的程序代码:按照设定执行单位运行深度学习代码;调用预设插件定位深度学习代码当前运行位置所在行数。
可选的,上述处理器还可以执行如下步骤的程序代码:在图形用户界面中显示深度学习代码中与定位结果关联的部分代码;调用自定义数据结构接口,在图形用户界面中显示深度学习图形中与定位结果关联的部分图形。
可选的,上述处理器还可以执行如下步骤的程序代码:在图形用户界面中,通过调用版本提交功能,将当前版本的深度学习代码进行保存;在图形用户界面中,通过调用版本回滚功能,将当前版本的深度学习代码回滚至待使用的历史版本的深度学习代码,其中,待使用的历史版本通过对多个版本的模型结果进行比对后确定,多个版本的模型结果是采用多个版本的深度学习代码对深度学习模型进行调试所得到的结果;在图形用户界面中,通过调用版本提交功能,将按照自定义数据结构对深度学习图形进行转换后得到的当前版本的深度学习代码进行保存;在图形用户界面中,通过调用版本回滚功能,将按照自定义数据结构对深度学习图形进行转换后得到的当前版本的深度学习代码回滚至待使用的历史版本的深度学习代码,其中,待使用的历史版本通过对多个版本的模型结果进行比对后确定,多个版本的模型结果是采用多个版本的深度学习代码对深度学习模型进行调试所得到的结果;在图形用户界面中,通过调用版本提交功能,将按照自定义数据结构对深度学习图形进行转换后得到的当前版本的自定义数据结构描述文件进行保存;在图形用户界面中,通过调用版本回滚功能,将按照自定义数据结构对深度学习图形进行转换后得到的当前版本的自定义数据结构描述文件回滚至待使用的历史版本的自定义数据结构描述文件,其中,待使用的历史版本通过对多个版本的模型结果进行比对后确定,多个版本的模型结果是采用多个版本的深度学习代码对深度学习模型进行调试所得到的结果。
采用本发明实施例,提供了一种信息可视化方案。通过获取待运行的深度学习代码,再按照设定执行单位对深度学习代码的运行位置进行定位,可以得到深度学习代码的定位结果,根据该定位结果可以辅助确认深度学习模型的潜在缺陷,以及对深度学习代码进行版本控制,通过对定位结果进行可视化展示,方便用户根据可视化的定位结果对深度学习代码进行调整,从而实现了对深度学习代码进行可视化定位的技术效果,进而解决了无法对深度学习模型的开发代码进行可视化定位的技术问题。
本领域普通技术人员可以理解,图6所示的结构仅为示意,计算机终端也可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌声电脑以及移动互联网设备(MobileInternet Devices,MID)、PAD等终端设备。图6其并不对上述电子装置的结构造成限定。例如,计算机终端10还可包括比图6中所示更多或者更少的组件(如网络接口、显示装置等),或者具有与图6所示不同的配置。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成,该程序可以存储于计算机可读存储介质中,存储介质可以包括:闪存盘、只读存储器(Read-Only Memory,ROM)、随机存取器(RandomAccess Memory,RAM)、磁盘或光盘等。
实施例4
本发明的实施例还提供了一种存储介质。可选地,在本实施例中,上述存储介质可以用于保存上述实施例1所提供的信息可视化方法所执行的程序代码。
可选地,在本实施例中,上述存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中,或者位于移动终端群中的任意一个移动终端中。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:获取待运行的深度学习代码,其中,深度学习代码用于训练深度学习模型;按照设定执行单位,对深度学习代码的运行位置进行定位以得到定位结果,并对定位结果进行可视化展示,其中,定位结果用于辅助确认深度学习模型的潜在缺陷;和/或,对深度学习代码进行版本控制。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:接收通过图形用户界面编辑的深度学习代码;获取按照自定义数据结构对深度学习图形进行转换后得到的深度学习代码。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:按照设定执行单位运行深度学习代码;调用预设插件定位深度学习代码当前运行位置所在行数。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:在图形用户界面中显示深度学习代码中与定位结果关联的部分代码;调用自定义数据结构接口,在图形用户界面中显示深度学习图形中与定位结果关联的部分图形。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:在图形用户界面中,通过调用版本提交功能,将当前版本的深度学习代码进行保存;在图形用户界面中,通过调用版本回滚功能,将当前版本的深度学习代码回滚至待使用的历史版本的深度学习代码,其中,待使用的历史版本通过对多个版本的模型结果进行比对后确定,多个版本的模型结果是采用多个版本的深度学习代码对深度学习模型进行调试所得到的结果;在图形用户界面中,通过调用版本提交功能,将按照自定义数据结构对深度学习图形进行转换后得到的当前版本的深度学习代码进行保存;在图形用户界面中,通过调用版本回滚功能,将按照自定义数据结构对深度学习图形进行转换后得到的当前版本的深度学习代码回滚至待使用的历史版本的深度学习代码,其中,待使用的历史版本通过对多个版本的模型结果进行比对后确定,多个版本的模型结果是采用多个版本的深度学习代码对深度学习模型进行调试所得到的结果;在图形用户界面中,通过调用版本提交功能,将按照自定义数据结构对深度学习图形进行转换后得到的当前版本的自定义数据结构描述文件进行保存;在图形用户界面中,通过调用版本回滚功能,将按照自定义数据结构对深度学习图形进行转换后得到的当前版本的自定义数据结构描述文件回滚至待使用的历史版本的自定义数据结构描述文件,其中,待使用的历史版本通过对多个版本的模型结果进行比对后确定,多个版本的模型结果是采用多个版本的深度学习代码对深度学习模型进行调试所得到的结果。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种信息可视化方法,其特征在于,包括:
获取待运行的深度学习代码,其中,所述深度学习代码用于训练深度学习模型;
按照设定执行单位,对所述深度学习代码的运行位置进行定位以得到定位结果,并对所述定位结果进行可视化展示,其中,所述定位结果用于辅助确认所述深度学习模型的潜在缺陷;和/或,对所述深度学习代码进行版本控制。
2.根据权利要求1所述的方法,其特征在于,所述设定执行单位至少包括以下至少之一:单步执行、多步执行。
3.根据权利要求1所述的方法,其特征在于,获取所述深度学习代码包括以下至少之一:
接收通过图形用户界面编辑的所述深度学习代码;
获取按照自定义数据结构对深度学习图形进行转换后得到的所述深度学习代码。
4.根据权利要求3所述的方法,其特征在于,所述自定义数据结构至少包括以下之一:JSON、XML。
5.根据权利要求1所述的方法,其特征在于,按照所述设定执行单位,对所述深度学习代码的运行位置进行定位以得到所述定位结果包括:
按照所述设定执行单位运行所述深度学习代码;
调用预设插件定位所述深度学习代码当前运行位置所在行数。
6.根据权利要求1所述的方法,其特征在于,对所述定位结果进行可视化展示包括以下至少之一:
在图形用户界面中显示所述深度学习代码中与所述定位结果关联的部分代码;
调用自定义数据结构接口,在图形用户界面中显示深度学习图形中与所述定位结果关联的部分图形。
7.根据权利要求1所述的方法,其特征在于,对所述深度学习代码进行版本控制包括以下至少之一:
在图形用户界面中,通过调用版本提交功能,将当前版本的所述深度学习代码进行保存;
在图形用户界面中,通过调用版本回滚功能,将当前版本的所述深度学习代码回滚至待使用的历史版本的所述深度学习代码,其中,所述待使用的历史版本通过对多个版本的模型结果进行比对后确定,所述多个版本的模型结果是采用多个版本的所述深度学习代码对所述深度学习模型进行调试所得到的结果;
在图形用户界面中,通过调用版本提交功能,将按照自定义数据结构对深度学习图形进行转换后得到的当前版本的所述深度学习代码进行保存;
在图形用户界面中,通过调用版本回滚功能,将按照自定义数据结构对深度学习图形进行转换后得到的当前版本的所述深度学习代码回滚至待使用的历史版本的所述深度学习代码,其中,所述待使用的历史版本通过对多个版本的模型结果进行比对后确定,所述多个版本的模型结果是采用多个版本的所述深度学习代码对所述深度学习模型进行调试所得到的结果;
在图形用户界面中,通过调用版本提交功能,将按照自定义数据结构对深度学习图形进行转换后得到的当前版本的自定义数据结构描述文件进行保存;
在图形用户界面中,通过调用版本回滚功能,将按照自定义数据结构对深度学习图形进行转换后得到的当前版本的自定义数据结构描述文件回滚至待使用的历史版本的所述自定义数据结构描述文件,其中,所述待使用的历史版本通过对多个版本的模型结果进行比对后确定,所述多个版本的模型结果是采用多个版本的所述深度学习代码对所述深度学习模型进行调试所得到的结果。
8.一种信息可视化装置,其特征在于,包括:
获取单元,用于获取待运行的深度学习代码,其中,所述深度学习代码用于训练深度学习模型;
定位单元,用于按照设定执行单位,对所述深度学习代码的运行位置进行定位以得到定位结果,并对所述定位结果进行可视化展示,其中,所述定位结果用于辅助确认所述深度学习模型的潜在缺陷;和/或,对所述深度学习代码进行版本控制。
9.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行权利要求1至7中任意一项所述的信息可视化方法。
10.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1至7中任意一项所述的信息可视化方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910394934.0A CN111930368A (zh) | 2019-05-13 | 2019-05-13 | 信息可视化方法、装置、存储介质及处理器 |
PCT/CN2020/089572 WO2020228667A1 (zh) | 2019-05-13 | 2020-05-11 | 信息可视化方法、装置、存储介质及处理器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910394934.0A CN111930368A (zh) | 2019-05-13 | 2019-05-13 | 信息可视化方法、装置、存储介质及处理器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111930368A true CN111930368A (zh) | 2020-11-13 |
Family
ID=73282875
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910394934.0A Pending CN111930368A (zh) | 2019-05-13 | 2019-05-13 | 信息可视化方法、装置、存储介质及处理器 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111930368A (zh) |
WO (1) | WO2020228667A1 (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109255234A (zh) * | 2018-08-15 | 2019-01-22 | 腾讯科技(深圳)有限公司 | 机器学习模型的处理方法、装置、介质及电子设备 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106445804B (zh) * | 2016-08-24 | 2019-04-05 | 北京奇虎测腾安全技术有限公司 | 一种基于序列化中间表示的源代码云检测系统及方法 |
CN108334321A (zh) * | 2017-01-18 | 2018-07-27 | 阿里巴巴集团控股有限公司 | 程序代码的展示设备、方法及装置 |
CN109254830A (zh) * | 2018-09-04 | 2019-01-22 | 郑州云海信息技术有限公司 | 深度学习系统中可视化管理方法和装置 |
-
2019
- 2019-05-13 CN CN201910394934.0A patent/CN111930368A/zh active Pending
-
2020
- 2020-05-11 WO PCT/CN2020/089572 patent/WO2020228667A1/zh active Application Filing
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109255234A (zh) * | 2018-08-15 | 2019-01-22 | 腾讯科技(深圳)有限公司 | 机器学习模型的处理方法、装置、介质及电子设备 |
Non-Patent Citations (1)
Title |
---|
ERIC JANG: "Interactive, node-by-node debugging and visualization for TensorFlow", pages 1 - 5, Retrieved from the Internet <URL:https://github.com/ericjang/tdb> * |
Also Published As
Publication number | Publication date |
---|---|
WO2020228667A1 (zh) | 2020-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10643023B2 (en) | Programmatic native rendering of structured content | |
CN109683953B (zh) | 一种基于可视化界面进行配置文件处理的方法及装置 | |
De Andrade et al. | Cross platform app: a comparative study | |
CN105868039B (zh) | 一种用于管理软件问题报告的方法、系统和设备 | |
CN108491320A (zh) | 应用程序的异常分析方法、装置、计算机设备和存储介质 | |
US20130042190A1 (en) | Systems and methods for remote dashboard image generation | |
US20120221933A1 (en) | Method and system to build interactive documents | |
US20170192877A1 (en) | Mobile application development and deployment | |
US20160048308A1 (en) | Automatic flowchart-based webpage generation for troubleshooting or task completion without manual programming | |
US20210064693A1 (en) | Automated Front-End Code Generating Method and System for a Website | |
CN114239504A (zh) | 表单配置方法、装置、设备、可读存储介质及程序产品 | |
CN111930368A (zh) | 信息可视化方法、装置、存储介质及处理器 | |
JP7033913B2 (ja) | 3dデータに対するデジタル仕上げマテリアルのための高度自動化アプリケーション | |
CN112799658B (zh) | 模型训练方法、模型训练平台、电子设备和存储介质 | |
US20210232755A1 (en) | Machine first approach for identifying accessibility, non-compliances, remediation techniques and fixing at run-time | |
Bittar et al. | Web communication and interaction modeling using model-driven development | |
CN115033233A (zh) | 一种接口调用方法、装置、电子设备及存储介质 | |
CN111444170B (zh) | 基于预测业务场景的自动机器学习方法和设备 | |
CN113297522A (zh) | 一种页面渲染方法、装置、电子设备及可读存储介质 | |
CN113760317A (zh) | 一种页面显示方法、装置、设备及存储介质 | |
CN112540803B (zh) | 一种表单设计适配方法、装置、设备及存储介质 | |
Kumar et al. | Value matrix: From value to quality and architecture | |
Cheung et al. | manymome: An R package for computing the indirect effects, conditional effects, and conditional indirect effects, standardized or unstandardized, and their bootstrap confidence intervals, in many (though not all) models | |
CN111813838B (zh) | 数据处理方法、装置及电子设备 | |
CN112948245B (zh) | 元素调试方法、装置、设备、存储介质及程序产品 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |