CN113887101A - 网络模型的可视化方法、装置、电子设备及存储介质 - Google Patents
网络模型的可视化方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113887101A CN113887101A CN202111161916.1A CN202111161916A CN113887101A CN 113887101 A CN113887101 A CN 113887101A CN 202111161916 A CN202111161916 A CN 202111161916A CN 113887101 A CN113887101 A CN 113887101A
- Authority
- CN
- China
- Prior art keywords
- network node
- network
- data
- determining
- output data
- 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
- 238000007794 visualization technique Methods 0.000 title abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 50
- 238000000034 method Methods 0.000 claims abstract description 45
- 238000012800 visualization Methods 0.000 claims abstract description 35
- 238000012937 correction Methods 0.000 claims abstract description 34
- 238000013500 data storage Methods 0.000 claims abstract description 23
- 230000000007 visual effect Effects 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 17
- 210000002569 neuron Anatomy 0.000 claims description 65
- 230000002159 abnormal effect Effects 0.000 claims description 29
- 230000008569 process Effects 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 230000002779 inactivation Effects 0.000 claims description 6
- 230000007547 defect Effects 0.000 abstract description 12
- 238000013473 artificial intelligence Methods 0.000 abstract description 8
- 238000013135 deep learning Methods 0.000 abstract description 6
- 238000005457 optimization Methods 0.000 abstract description 5
- 230000005856 abnormality Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000009849 deactivation Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000013138 pruning Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/451—Execution arrangements for user interfaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Human Computer Interaction (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本公开提供了一种网络模型的可视化方法、装置、电子设备及存储介质，涉及计算机技术领域，尤其涉及大数据处理、深度学习等人工智能技术领域。包括：接收模型可视化请求；根据目标模型的标识及数据存储地址，获取目标模型对应的网络参数及训练数据，训练数据中包括网络节点的前向输出数据及反向修正梯度；对网络参数进行解析，以确定目标模型对应的网络拓扑；根据训练数据，确定网络节点的目标显示状态；根据网络节点的目标显示状态，在可视化界面中，显示网络拓扑。由此，通过在可视化界面中对每个网络节点进行针对性的显示，从而直观地、准确地指示了目标模型中存在缺陷的位置，为模型的优化提供了可靠的依据。
Description
技术领域
本公开涉及计算机技术领域，尤其涉及大数据处理、深度学习等人工智能技术领域，具体涉及一种网络模型的可视化方法、装置、电子设备及存储介质。
背景技术
随着人工智能技术的不断发展，深度学习网络模型的结构越来越复杂，参数也越来越多。在得到的网络模型达不到预期的效果的情况下，很难从众多的数据中，快速、准确地确定存在缺陷的位置，以进一步对网络模型进行优化。因此，如何直观地、准确地确定网络模型中存在缺陷的位置，成为目前的重点研究方向。
发明内容
本公开提供了一种网络模型的可视化方法、装置、电子设备及存储介质。
根据本公开的第一方面，提供了一种网络模型的可视化方法，包括：
接收模型可视化请求，其中，所述可视化请求中包括目标模型的标识及对应的数据存储地址；
根据所述目标模型的标识及所述数据存储地址，获取所述目标模型对应的网络参数及训练数据，其中，所述训练数据中包括所述目标模型在训练过程中网络节点的前向输出数据及反向修正梯度；
对所述网络参数进行解析，以确定所述目标模型对应的网络拓扑；
根据所述网络节点的前向输出数据及反向修正梯度，确定所述网络节点的目标显示状态；
根据所述网络节点的目标显示状态，在可视化界面中，显示所述网络拓扑。
根据本公开的第二方面，提供了一种网络模型的可视化装置，包括：
接收模块，用于接收模型可视化请求，其中，所述可视化请求中包括目标模型的标识及对应的数据存储地址；
第一获取模块，用于根据所述目标模型的标识及所述数据存储地址，获取所述目标模型对应的网络参数及训练数据，其中，所述训练数据中包括所述目标模型在训练过程中网络节点的前向输出数据及反向修正梯度；
第一确定模块，用于对所述网络参数进行解析，以确定所述目标模型对应的网络拓扑；
第二确定模块，用于根据所述网络节点的前向输出数据及反向修正梯度，确定所述网络节点的目标显示状态；
显示模块，用于根据所述网络节点的目标显示状态，在可视化界面中，显示所述网络拓扑。
根据本公开的第三方面，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如第一方面所述的网络模型的可视化方法。
根据本公开第四方面，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如第一方面所述的网络模型的可视化方法。
根据本公开的第五方面，提供了一种计算机程序产品，包括计算机指令，所述计算机指令在被处理器执行时实现如第一方面所述的网络模型的可视化方法的步骤。
本公开实施例可以直观准确地指示目标模型中存在缺陷的位置，为模型的优化提供了可靠的依据。
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，不构成对本公开的限定。其中：
图1是根据本公开一实施例提供的一种网络模型的可视化方法的流程示意图；
图2是根据本公开又一实施例提供的一种网络模型的可视化方法的流程示意图；
图2a是根据本公开一实施例提供的一种神经元维度的索引分布图；
图3是根据本公开一实施例提供的一种网络模型的可视化装置的结构示意图；
图4是用来实现本公开实施例的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开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，而不会背离本公开的范围和精神。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。
本公开实施例涉及大数据处理、深度学习等人工智能技术领域。
人工智能(Artificial Intelligence)，英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。
大数据处理技术是指通过多种渠道实现对大量数据的采集，并通过使用云计算技术来实现对数据的深度挖掘和分析，确保能够及时的找出数据之间的规律和特点，总结和归纳出数据所存在的价值。大数据技术对于了解数据特征，预测发展趋势具有十分重要的意义。
深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。深度学习的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。
图1是根据本公开一实施例提供的一种网络模型的可视化方法的流程示意图。
其中，需要说明的是，本实施例的网络模型的可视化方法的执行主体为网络模型的可视化装置，该装置可以由软件和/或硬件的方式实现，该装置可以配置在电子设备中，电子设备可以包括但不限于终端、服务器端等。
如图1所示，该网络模型的可视化方法包括：
S101：接收模型可视化请求，其中，可视化请求中包括目标模型的标识及对应的数据存储地址。
其中，目标模型可以为需要对模型中的数据进行分析，并进行可视化显示的网络模型。目标模型可以为飞桨(paddle)类型的网络模型，也可以为abacus类型的网络模型等等，本公开对此不做限定。
其中，目标模型的标识可以为目标模型的名称、网络参数的存储地址等等，本公开对此不做限定。
S102：根据目标模型的标识及数据存储地址，获取目标模型对应的网络参数及训练数据，其中，训练数据中包括目标模型在训练过程中网络节点的前向输出数据及反向修正梯度。
其中，网络参数可以包括：目标模型中包含的网络节点的名称，网络节点的参数，各个网络节点间的关系等等。本公开对此不做限定。
可选的，数据存储地址中可以保存目标模型在训练过程中的每个网络节点的全部前向输出数据及反向修正梯度，之后可采用随机抽样或等分抽样的方法，从存储的全部训练数据中，获取目标模型在训练过程中网络节点的前向输出数据及反向修正梯度。从而在保证了获取的训练数据具有足够的覆盖力度的同时，尽量降低数据处理量，提高处理速度。
举例来说，数据存储地址中保存了1000条目标模型在训练过程中的数据，之后对1000条数据进行等分抽样或随机抽样，获取100条数据作为目标模型的可视化数据等等。
需要说明的是，上述示例只是简单的举例说明，不能作为本公开实施例中训练数据的具体限定。
S103：对网络参数进行解析，以确定目标模型对应的网络拓扑。
可选的，由于不同类型的目标模型对应的配置文件的格式不同，相应的，对其进行解析，获取网络参数，以及根据网络参数确定网络拓扑的过程也不相同。因此，可以先根据目标模型的类型，确定网络参数的解析模式，之后基于解析模式，对网络参数进行解析，以确定各个网络节点间的关联关系，最后根据各个网络节点间的关联关系，生成网络拓扑。
举例来说，在目标模型为abacus类型的情况下，首先对目标模型对应的配置文件进行解析，读取各层(layer)的关键值，之后对layer的关键值进行逐条解析，以确定各个网络节点间的关联关系，最后根据各个网络节点间的关联关系，生成网络拓扑。
或者，在目标模型为paddle类型的情况下，首先对网络参数中的配置文件进行反序列化，之后对反序列化后生成的文件进行解析，读取文件块(blocks)中的ops结构，再对ops结构进行逐条解析，以确定各个网络节点间的关联关系，最后根据各个网络节点间的关联关系，生成网络拓扑。
S104：根据网络节点的前向输出数据及反向修正梯度，确定网络节点的目标显示状态。
其中，网络节点的目标显示状态可以包括正常显示、及异常显示等等，本公开对此不做限定。
可以理解的是，若网络节点的前向输出数据及反向修正梯度均未出现异常，则表示该网络节点正常，对该网络节点进行正常显示。若网络节点的前向输出数据及反向修正梯度，任一项出现异常，则表示该网络节点可能出现异常，进而可能导致目标模型存在缺陷，所以对该网络节点进行异常显示，以提醒用户目标模型中存在缺陷的位置，方便用户有针对性的对目标模型进行优化。
S105：根据网络节点的目标显示状态，在可视化界面中，显示网络拓扑。
可以理解的是，在可视化界面中显示目标模型的网络拓扑结构，并将网络拓扑中异常的网络节点进行异常显示，可以使用户可以直观地、快速地确定异常的网络节点，进而对该网络节点进行修正，以提高目标模型的性能。
本公开实施例中，首先接收模型可视化请求，其中，可视化请求中包括目标模型的标识及对应的数据存储地址，之后根据目标模型的标识及数据存储地址，获取目标模型对应的网络参数及训练数据，对网络参数进行解析，以确定目标模型对应的网络拓扑，再根据网络节点的前向输出数据及反向修正梯度，确定网络节点的目标显示状态，最后根据网络节点的目标显示状态，在可视化界面中，显示网络拓扑。由此，通过网络节点的前向输出数据及反向修正梯度确定网络节点的显示状态，进而在可视化界面中针对每个网络节点进行针对性的显示，从而直观地、准确地指示了目标模型中存在缺陷的位置，为模型的优化提供了可靠的依据。
图2是根据本公开又一实施例提供的一种网络模型的可视化方法的流程示意图。
如图2所示，该网络模型的可视化方法包括：
S201：接收模型可视化请求，其中，可视化请求中包括目标模型的标识及对应的数据存储地址。
S202：根据目标模型的标识及数据存储地址，获取目标模型对应的网络参数及训练数据。
其中，训练数据中包括目标模型在训练过程中网络节点的前向输出数据及反向修正梯度。
其中，步骤201及步骤202的具体实现形式，可参照本公开其他各实施例中的详细描述，此处不再详细赘述。
S203：对网络参数进行解析，以确定目标模型对应的网络拓扑。
可选的，由于不同类型的网络模型中，各个网络节点的作用不同，本公开中，在确定目标模型对应的网络拓扑时，可以根据目标模型的类型，对目标模型中的网络节点进行剪枝，从而在不影响对模型的分析结果的情况下，尽量减少后续网络拓扑及训练数据处理的数据量。
举例来说，由于飞桨(paddle)类型的网络模型中包含的输入层的网络节点用于对样本数据进行读取及预处理，因此，在确定目标模型对应的网络拓扑之前，可以将输入层的网络节点进行剪枝操作，以生成网络拓扑。从而不仅减少了网络拓扑中冗余的网络节点，使网络拓扑更轻便，而且减少了数据分析过程中的工作量。
可以理解的是，被剪枝的输入层的网络节点对应的数据不会被删除，仍被保存在数据库中。以保证在进行剪枝操作之后的网络拓扑中的网络节点出现异常，且异常溯源至输入层的网络节点的情况下，仍可以从数据库中调用输入层的网络节点对应的数据进行异常分析。
可选的，对于abacus类型的网络模型，可以不进行剪枝操作，本公开对此不做限定。
S204：分别根据网络节点对应的前向输出数据及反向修正梯度，确定网络节点对应的数据分布图。
可选的，本公开中，目标模型中的每个网络节点可以有多个神经元组成，因此，网络节点的前向输出数据可以包括网络节点中各个神经元在每个训练样本下的前向输出数据。从而可以根据各个神经元在每个训练样本下的前向输出数据及反向修正梯度，确定网络节点对应的数据分布图。
其中，数据分布图中可以包括以下至少一项：失活率，均值，方差，绝对值均值在不同时间的波动分布图，神经元维度的索引分布图，神经元维度的数值分布图。
其中，均值可以为网络节点中各个神经元在每个训练样本下的前向输出数据的均值；方差可以为网络节点中各个神经元在每个训练样本下的前向输出数据的方差；绝对值均值可以为网络节点中各个神经元在每个训练样本下的前向输出数据的绝对值均值。
其中，失活率可以为网络节点中不被样本激活的神经元的个数，与该网络节点中总神经元个数之间的比值。
可以理解的是，在众多训练样本经过该网络节点的情况下，该网络节点的某个神经元一直未被激活，则认为该神经元处于失活的状态。
举例来说，一个网络节点由10个神经元组成，其中，有2个神经元一直未被激活，则该网络节点的失活率为0.2。
需要说明的是，上述示例只是简单的举例说明，不能作为本公开实施例中网络节点中神经元的数量、及失活率的具体限定。
可选的，神经元维度的索引分布图中可以包括样本数据经过网络节点时，该网络节点中每个神经元对应的前向输出数据。
举例来说，如图2a所示，网络节点中可以包含m+1个神经元，每个神经元对应的索引位置分别是0-m，共有n个样本数据经过该网络节点，则样本1输入该网络节点时，索引位置为0的神经元对应的前向输出数据为P01，索引位置为n的神经元对应的前向输出数据为Pn1；样本n输入该网络节点时，索引位置为2的神经元对应的前向输出数据为P2n，索引位置为5的神经元对应的前向输出数据为P5n等等。
可选的，确定神经元维度的数值分布图的具体步骤可以包括：
(1)根据网络节点中各个神经元的前向输出数据中的最大值及最小值，确定数据分布区间。
(2)将数据分布区间分为N个子区间，其中，N为大于1的正整数。
(3)根据各个神经元的前向输出数据，确定落在每个子区间内的神经元数量。
(4)根据落在每个子区间内的神经元数量，确定网络节点对应的神经元维度的数值分布图。
可以理解的是，数值分布图可以反映该网络节点中每个神经元的前向输出数据的分布状态。比如：若数值分布图呈正态分布，表征该网络节点的前向输出数据是正常的。或者，若数值分布图呈一条直线，则说明每个神经元的前向输出数据集中分布在某个子区间内，进而说明样本数据比较单一，不具有多样性，或该网络节点的神经元数量设置的过多。或者，若数值分布图存在多个波动，则说明该网络节点为可以进行优化的节点。
S205：根据网络节点对应的数据分布图，确定网络节点的目标显示状态。
可选的，在数据分布图与任一异常条件匹配的情况下，确定网络节点目标显示状态为异常显示。
可选的，数据分布图与任一异常条件匹配可以包括以下至少一项：
数据分布图中至少一个分布值大于第一阈值；
数据分布图中至少一个分布值小于第二阈值；以及，
数据分布图中各分布值间的差异值大于第三阈值。
可选的，判断网络节点是否异常可以包括：直接命中异常、可能命中异常、连带异常。
其中，直接命中异常，可以指在网络节点对应的失活率，均值，方差、绝对值均值等任一分布图中的任一分布值大于第一阈值，或者，小于第二阈值的情况下，则可以判断该网络节点为异常。比如，任一网络节点的索引分布图中某个神经元的前向输出数据异常偏大，或异常偏小，则认为该节点为异常节点。
可选的，可能命中异常，可以为数据分布图中各分布值间的差异值大于第三阈值。比如，波动分布图中，与时间相关的各个时间段的失活率，均值，方差，绝对值均值的波动很大；或者，神经元与神经元之间的差异值大于第三阈值；或者，数值分布图不呈正态分布等等，判断该网络节点为异常。
连带异常，可以为网络拓扑中的其他网络节点的异常，导致当前网络节点异常。比如，当前的网络节点A显示异常，利用网络拓扑异常溯源法分析，得到网络节点A的异常是由网络节点B导致的，修复网络节点B之后，网络节点A就恢复正常，则可以认为网络节点A为连带异常。
可选的，在数据分布图与各个异常条件均未匹配的情况下，确定网络节点目标显示状态为正常显示。
S206：根据网络节点的目标显示状态，在可视化界面中，显示网络拓扑。
其中，步骤S206的具体实现形式，可参照本公开中其他各实施例中的详细描述，此处不再详细赘述。
S207：响应于接收到针对任一网络节点的选中操作，在可视化界面中显示任一网络节点对应的输出数据分布图及反向梯度分布图。
可以理解的是，在任一网络节点被选中的情况下，在可视化界面中显示该网络节点对应的输出数据分布图及反向梯度分布图，有利用用户可以快速地、直观地获取该网络节点的数据，进而判断该网络节点出现异常的原因，有针对性地对目标模型进行修复。
本公开实施例中，首先根据目标模型对应的网络参数及训练数据，确定目标模型对应的网络拓扑，及每个网络节点对应的数据分布图，之后根据数据分布图，确定网络节点的目标显示状态，最后在可视化界面中显示网络拓扑中每个网络节点的异常情况，并在任一网络节点被选中的情况下，显示任一网络节点对应的输出数据分布图及反向梯度分布图。由此，通过在可视化界面中显示网络拓扑中每个网络节点的异常情况，及网络节点对应的输出数据分布图及反向梯度分布图，从而用户不仅可以从可视化界面中，直观地、准确地确定目标模型存在缺陷的位置，而且可以进一步分析存在缺陷的原因，有针对性地对目标模型进行修复。
图3是根据本公开一实施例提供的一种网络模型的可视化装置的结构示意图。如图3所示，该网络模型的可视化装置300，包括：接收模块310、第一获取模块320、第一确定模块330、第二确定模块340、及显示模块350。
其中，接收模块310，用于接收模型可视化请求，其中，可视化请求中包括目标模型的标识及对应的数据存储地址；
第一获取模块320，用于根据目标模型的标识及数据存储地址，获取目标模型对应的网络参数及训练数据，其中，训练数据中包括目标模型在训练过程中网络节点的前向输出数据及反向修正梯度；
第一确定模块330，用于对网络参数进行解析，以确定目标模型对应的网络拓扑；
第二确定模块340，用于根据网络节点的前向输出数据及反向修正梯度，确定网络节点的目标显示状态；
显示模块350，用于根据网络节点的目标显示状态，在可视化界面中，显示网络拓扑。
可选的，第二确定模块340，包括：
第一确定单元，用于分别根据网络节点对应的前向输出数据及反向修正梯度，确定网络节点对应的数据分布图；
第二确定单元，用于根据网络节点对应的数据分布图，确定网络节点的目标显示状态。
可选的，网络节点的前向输出数据包括网络节点中各个神经元在每个训练样本下的前向输出数据，第一确定单元，具体用于：
根据网络节点中各个神经元的前向输出数据中的最大值及最小值，确定数据分布区间；
将数据分布区间分为N个子区间，其中，N为大于1的正整数；
根据各个神经元的前向输出数据，确定落在每个子区间内的神经元数量；
根据落在每个子区间内的神经元数量，确定网络节点对应的神经元维度的数值分布图。
可选的，网络节点的前向输出数据包括网络节点中各个神经元在每个训练样本下的前向输出数据，第一确定单元，具体用于：
根据各个神经元在每个训练样本下的前向输出数据及反向修正梯度，确定网络节点对应的数据分布图，其中，数据分布图中包括以下至少一项：失活率，均值，方差，绝对值均值在不同时间的波动分布图，神经元维度的索引分布图，神经元维度的数值分布图。
可选的，第二确定模块340，具体用于：
在数据分布图与任一异常条件匹配的情况下，确定网络节点目标显示状态为异常显示；
在数据分布图与各个异常条件均未匹配的情况下，确定网络节点目标显示状态为正常显示。
可选的，数据分布图与任一异常条件匹配包括以下至少一项：
数据分布图中至少一个分布值大于第一阈值；
数据分布图中至少一个分布值小于第二阈值；以及，
数据分布图中各分布值间的差异值大于第三阈值。
可选的，显示模块350，还具体用于：
响应于接收到针对任一网络节点的选中操作，在可视化界面中显示任一网络节点对应的输出数据分布图及反向梯度分布图。
可选的，第一确定模块330，具体用于：
根据目标模型的类型，确定网络参数的解析模式；
基于解析模式，对网络参数进行解析，以确定各个网络节点间的关联关系；
根据各个网络节点间的关联关系，生成网络拓扑。
需要说明的是，前述对网络模型的可视化方法的解释说明也适用于本实施例的网络模型的可视化装置，此处不再赘述。
本公开实施例中的装置300，首先接收模型可视化请求，其中，可视化请求中包括目标模型的标识及对应的数据存储地址，之后根据目标模型的标识及数据存储地址，获取目标模型对应的网络参数及训练数据，对网络参数进行解析，以确定目标模型对应的网络拓扑，再根据网络节点的前向输出数据及反向修正梯度，确定网络节点的目标显示状态，最后根据网络节点的目标显示状态，在可视化界面中，显示网络拓扑。由此，通过网络节点的前向输出数据及反向修正梯度确定网络节点的显示状态，进而在可视化界面中针对每个网络节点进行针对性的显示，从而直观地、准确地指示了目标模型中存在缺陷的位置，为模型的优化提供了可靠的依据。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图4示出了可以用来实施本公开的实施例的示例电子设备400的示意性框图。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。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。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/或者要求的本公开的实现。
如图4所示，设备400包括计算单元401，其可以根据存储在只读存储器(ROM)402中的计算机程序或者从存储单元408加载到随机访问存储器(RAM)403中的计算机程序，来执行各种适当的动作和处理。在RAM 403中，还可存储设备400操作所需的各种程序和数据。计算单元401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
设备400中的多个部件连接至I/O接口405，包括：输入单元406，例如键盘、鼠标等；输出单元407，例如各种类型的显示器、扬声器等；存储单元408，例如磁盘、光盘等；以及通信单元409，例如网卡、调制解调器、无线通信收发机等。通信单元409允许设备400通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元401可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元401的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元401执行上文所描述的各个方法和处理，例如网络模型的可视化方法。例如，在一些实施例中，网络模型的可视化方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元408。在一些实施例中，计算机程序的部分或者全部可以经由ROM 402和/或通信单元409而被载入和/或安装到设备400上。当计算机程序加载到RAM 403并由计算单元401执行时，可以执行上文描述的网络模型的可视化方法的一个或多个步骤。备选地，在其他实施例中，计算单元401可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行网络模型的可视化方法。
本文中以上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、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、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。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
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)、互联网及区块链网络。
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。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
本实施例中，首先接收模型可视化请求，其中，可视化请求中包括目标模型的标识及对应的数据存储地址，之后根据目标模型的标识及数据存储地址，获取目标模型对应的网络参数及训练数据，对网络参数进行解析，以确定目标模型对应的网络拓扑，再根据网络节点的前向输出数据及反向修正梯度，确定网络节点的目标显示状态，最后根据网络节点的目标显示状态，在可视化界面中，显示网络拓扑。由此，通过网络节点的前向输出数据及反向修正梯度确定网络节点的显示状态，进而在可视化界面中针对每个网络节点进行针对性的显示，从而直观地、准确地指示了目标模型中存在缺陷的位置，为模型的优化提供了可靠的依据。
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，本发公开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，只要能够实现本公开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，并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。
Claims (19)
1.一种网络模型的可视化方法，包括：
接收模型可视化请求，其中，所述可视化请求中包括目标模型的标识及对应的数据存储地址；
根据所述目标模型的标识及所述数据存储地址，获取所述目标模型对应的网络参数及训练数据，其中，所述训练数据中包括所述目标模型在训练过程中网络节点的前向输出数据及反向修正梯度；
对所述网络参数进行解析，以确定所述目标模型对应的网络拓扑；
根据所述网络节点的前向输出数据及反向修正梯度，确定所述网络节点的目标显示状态；
根据所述网络节点的目标显示状态，在可视化界面中，显示所述网络拓扑。
2.如权利要求1所述的方法，其中，所述根据所述网络节点的前向输出数据及反向修正梯度，确定所述网络节点的目标显示状态，包括：
分别根据所述网络节点对应的前向输出数据及反向修正梯度，确定所述网络节点对应的数据分布图；
根据所述网络节点对应的数据分布图，确定所述网络节点的目标显示状态。
3.如权利要求2所述的方法，其中，所述网络节点的前向输出数据包括所述网络节点中各个神经元在每个训练样本下的前向输出数据，所述确定所述网络节点对应的数据分布图，包括：
根据所述网络节点中各个神经元的前向输出数据中的最大值及最小值，确定数据分布区间；
将所述数据分布区间分为N个子区间，其中，N为大于1的正整数；
根据所述各个神经元的前向输出数据，确定落在每个子区间内的神经元数量；
根据所述落在每个子区间内的神经元数量，确定所述网络节点对应的神经元维度的数值分布图。
4.如权利要求2所述的方法，其中，所述网络节点的前向输出数据包括所述网络节点中各个神经元在每个训练样本下的前向输出数据，所述确定所述网络节点对应的数据分布图，包括：
根据各个神经元在每个训练样本下的前向输出数据及反向修正梯度，确定所述网络节点对应的数据分布图，其中，所述数据分布图中包括以下至少一项：失活率，均值，方差，绝对值均值在不同时间的波动分布图，神经元维度的索引分布图，神经元维度的数值分布图。
5.如权利要求4所述的方法，其中，所述根据所述网络节点的前向输出数据及反向修正梯度，确定所述网络节点的目标显示状态，包括：
在所述数据分布图与任一异常条件匹配的情况下，确定所述网络节点目标显示状态为异常显示；
在所述数据分布图与各个异常条件均未匹配的情况下，确定所述网络节点目标显示状态为正常显示。
6.如权利要求5所述的方法，其中，所述数据分布图与任一异常条件匹配包括以下至少一项：
数据分布图中至少一个分布值大于第一阈值；
数据分布图中至少一个分布值小于第二阈值；以及，
数据分布图中各分布值间的差异值大于第三阈值。
7.如权利要求2-6任一所述的方法，其中，在所述显示所述网络拓扑之后，还包括：
响应于接收到针对任一网络节点的选中操作，在所述可视化界面中显示所述任一网络节点对应的输出数据分布图及反向梯度分布图。
8.如权利要求1-6所述的方法，其中，所述对所述网络参数进行解析，以确定所述目标模型对应的网络拓扑，包括：
根据所述目标模型的类型，确定所述网络参数的解析模式；
基于所述解析模式，对所述进行解析，以确定所述各个网络节点间的关联关系；
根据所述各个网络节点间的关联关系，生成所述网络拓扑。
9.一种网络模型的可视化装置，包括：
接收模块，用于接收模型可视化请求，其中，所述可视化请求中包括目标模型的标识及对应的数据存储地址；
第一获取模块，用于根据所述目标模型的标识及所述数据存储地址，获取所述目标模型对应的网络参数及训练数据，其中，所述训练数据中包括所述目标模型在训练过程中网络节点的前向输出数据及反向修正梯度；
第一确定模块，用于对所述网络参数进行解析，以确定所述目标模型对应的网络拓扑；
第二确定模块，用于根据所述网络节点的前向输出数据及反向修正梯度，确定所述网络节点的目标显示状态；
显示模块，用于根据所述网络节点的目标显示状态，在可视化界面中，显示所述网络拓扑。
10.如权利要求9所述的装置，其中，所述第二确定模块，包括：
第一确定单元，用于分别根据所述网络节点对应的前向输出数据及反向修正梯度，确定所述网络节点对应的数据分布图；
第二确定单元，用于根据所述网络节点对应的数据分布图，确定所述网络节点的目标显示状态。
11.如权利要求10所述的装置，其中，所述网络节点的前向输出数据包括所述网络节点中各个神经元在每个训练样本下的前向输出数据，所述第一确定单元，具体用于：
根据所述网络节点中各个神经元的前向输出数据中的最大值及最小值，确定数据分布区间；
将所述数据分布区间分为N个子区间，其中，N为大于1的正整数；
根据所述各个神经元的前向输出数据，确定落在每个子区间内的神经元数量；
根据所述落在每个子区间内的神经元数量，确定所述网络节点对应的神经元维度的数值分布图。
12.如权利要求10所述的装置，其中，所述网络节点的前向输出数据包括所述网络节点中各个神经元在每个训练样本下的前向输出数据，所述第一确定单元，具体用于：
根据各个神经元在每个训练样本下的前向输出数据及反向修正梯度，确定所述网络节点对应的数据分布图，其中，所述数据分布图中包括以下至少一项：失活率，均值，方差，绝对值均值在不同时间的波动分布图，神经元维度的索引分布图，神经元维度的数值分布图。
13.如权利要求12所述的装置，其中，所述第二确定模块，具体用于：
在所述数据分布图与任一异常条件匹配的情况下，确定所述网络节点目标显示状态为异常显示；
在所述数据分布图与各个异常条件均未匹配的情况下，确定所述网络节点目标显示状态为正常显示。
14.如权利要求13所述的装置，其中，所述数据分布图与任一异常条件匹配包括以下至少一项：
数据分布图中至少一个分布值大于第一阈值；
数据分布图中至少一个分布值小于第二阈值；以及，
数据分布图中各分布值间的差异值大于第三阈值。
15.如权利要求10-14任一所述的装置，其中，所述显示模块，还具体用于：
响应于接收到针对任一网络节点的选中操作，在所述可视化界面中显示所述任一网络节点对应的输出数据分布图及反向梯度分布图。
16.如权利要求9-14所述的装置，其中，所述第一确定模块，具体用于：
根据所述目标模型的类型，确定所述网络参数的解析模式；
基于所述解析模式，对所述网络参数进行解析，以确定所述各个网络节点间的关联关系；
根据所述各个网络节点间的关联关系，生成所述网络拓扑。
17.一种电子设备，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权利要求1-8中任一项所述的方法。
18.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行权利要求1-8中任一项所述的方法。
19.一种计算机程序产品，包括计算机指令，所述计算机指令被处理器执行时实现权利要求1-8中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111161916.1A CN113887101A (zh) | 2021-09-30 | 2021-09-30 | 网络模型的可视化方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111161916.1A CN113887101A (zh) | 2021-09-30 | 2021-09-30 | 网络模型的可视化方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113887101A true CN113887101A (zh) | 2022-01-04 |
Family
ID=79004890
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111161916.1A Pending CN113887101A (zh) | 2021-09-30 | 2021-09-30 | 网络模型的可视化方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113887101A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114707654A (zh) * | 2022-06-06 | 2022-07-05 | 浙江大学 | 基于人工智能框架的算法训练推理性能可视化方法及装置 |
-
2021
- 2021-09-30 CN CN202111161916.1A patent/CN113887101A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114707654A (zh) * | 2022-06-06 | 2022-07-05 | 浙江大学 | 基于人工智能框架的算法训练推理性能可视化方法及装置 |
| CN114707654B (zh) * | 2022-06-06 | 2022-08-23 | 浙江大学 | 基于人工智能框架的算法训练推理性能可视化方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113722493B (zh) | 文本分类的数据处理方法、设备、存储介质 | |
| CN112559371B (zh) | 一种自动驾驶测试方法、装置及电子设备 | |
| CN114881129A (zh) | 一种模型训练方法、装置、电子设备及存储介质 | |
| CN113377890A (zh) | 一种地图质检方法、装置、电子设备及存储介质 | |
| CN114416906A (zh) | 地图数据的质检方法、装置及电子设备 | |
| CN113887101A (zh) | 网络模型的可视化方法、装置、电子设备及存储介质 | |
| CN113657468A (zh) | 预训练模型的生成方法、装置、电子设备和存储介质 | |
| CN113052325A (zh) | 在线模型的优化方法、装置、设备、存储介质及程序产品 | |
| CN116755974A (zh) | 云计算平台运维方法、装置、电子设备及存储介质 | |
| CN115186738B (zh) | 模型训练方法、装置和存储介质 | |
| CN114141236B (zh) | 语言模型更新方法、装置、电子设备及存储介质 | |
| CN115774648A (zh) | 一种异常定位方法、装置、设备以及存储介质 | |
| CN114998649A (zh) | 图像分类模型的训练方法、图像分类方法及装置 | |
| CN114417886A (zh) | 热点数据的处理方法、装置、电子设备及存储介质 | |
| CN114693116A (zh) | 代码评审有效性的检测方法及装置、电子设备 | |
| CN114330437A (zh) | 一种故障检测方法及故障分类模型的训练方法、装置 | |
| CN114116688A (zh) | 数据处理与数据质检方法、装置及可读存储介质 | |
| CN113313049A (zh) | 超参数的确定方法、装置、设备、存储介质以及计算机程序产品 | |
| CN114385829A (zh) | 知识图谱创建方法、装置、设备以及存储介质 | |
| CN114356862A (zh) | 数据统计方法、装置、电子设备、存储介质及产品 | |
| CN113704314A (zh) | 数据的分析方法及装置、电子设备和存储介质 | |
| CN113051479A (zh) | 文件处理、推荐信息生成方法、装置、设备及存储介质 | |
| CN115034322A (zh) | 数据处理方法、装置及电子设备 | |
| CN117764560A (zh) | 车辆维修建议的获取方法和车辆维修建议的生成方法 | |
| CN113918430A (zh) | 服务器硬件运行状态确定方法、相关装置及程序产品 |
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 |