CN115187821A - 验证模型转换前后正确性的方法、相关装置及程序产品 - Google Patents
验证模型转换前后正确性的方法、相关装置及程序产品 Download PDFInfo
- Publication number
- CN115187821A CN115187821A CN202210792275.8A CN202210792275A CN115187821A CN 115187821 A CN115187821 A CN 115187821A CN 202210792275 A CN202210792275 A CN 202210792275A CN 115187821 A CN115187821 A CN 115187821A
- Authority
- CN
- China
- Prior art keywords
- thermodynamic diagram
- side model
- input
- model
- correctness
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 96
- 238000006243 chemical reaction Methods 0.000 title claims abstract description 74
- 238000010586 diagram Methods 0.000 claims abstract description 248
- 238000012549 training Methods 0.000 claims abstract description 90
- 230000008569 process Effects 0.000 claims abstract description 44
- 230000009466 transformation Effects 0.000 claims description 21
- 230000004044 response Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 12
- 238000013500 data storage Methods 0.000 claims description 8
- 238000004321 preservation Methods 0.000 claims description 2
- 230000001131 transforming effect Effects 0.000 claims 1
- 238000013135 deep learning Methods 0.000 abstract description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000003062 neural network model Methods 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 15
- 238000004891 communication Methods 0.000 description 11
- 238000012800 visualization Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 239000003795 chemical substances by application Substances 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000000835 fiber Substances 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
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
Abstract
本公开提供了一种验证模型转换前后正确性的方法、相关装置及程序产品，涉及深度学习、神经网络模型、模型转换等人工智能技术领域。该方法包括：获取训练侧模型对输入的样本数据生成的第一输入输出特征图；获取部署侧模型对输入的样本数据生成的第二输入输出特征图；其中，部署侧模型由训练侧模型结合部署侧特性转换得到；将第一输入输出特征图转换为第一热力图、将第二输入输出特征图转换为第二热力图；基于第一热力图与第二热力图之间的一致性比较结果，确定训练侧模型在转换得到部署侧模型的过程中是否保持了正确性。该方法能够便捷、准确的确定出模型转换前后是否保持了正确性。
Description
技术领域
本公开涉及数据处理技术领域，具体涉及深度学习、神经网络模型、模型转换等人工智能技术领域，尤其涉及一种验证模型转换前后正确性的方法、装置、电子设备、计算机可读存储介质及计算机程序产品。
背景技术
深度学习模型的量化部署，在目前深度学习落地使用场景中非常常见，涌现了很多厂商提供各自的深度学习处理芯片。
为了适配不同用户各自使用的主流框架，这些厂商会提供一些独有工具，以对目前市面上的主流框架的模型结构进行转换处理。
但由于转换处理的方式五花八门，在向目标平台上移植前后，很难直观判断模型转换之前是否保持了正确性。
发明内容
本公开实施例提出了一种验证模型转换前后正确性的方法、装置、电子设备、计算机可读存储介质及计算机程序产品。
第一方面，本公开实施例提出了一种验证模型转换前后正确性的方法，包括：获取训练侧模型对输入的样本数据生成的第一输入输出特征图；获取部署侧模型对输入的样本数据生成的第二输入输出特征图；其中，部署侧模型由训练侧模型结合部署侧特性转换得到；将第一输入输出特征图转换为第一热力图、将第二输入输出特征图转换为第二热力图；基于第一热力图与第二热力图之间的一致性比较结果，确定训练侧模型在转换得到部署侧模型的过程中是否保持了正确性。
第二方面，本公开实施例提出了一种验证模型转换前后正确性的装置，包括：第一特征图生成单元，被配置成获取训练侧模型对输入的样本数据生成的第一输入输出特征图；第二特征图生成单元，被配置成获取部署侧模型对输入的样本数据生成的第二输入输出特征图；其中，部署侧模型由训练侧模型结合部署侧特性转换得到；第一及第二特征图转换单元，被配置成将第一输入输出特征图转换为第一热力图、将第二输入输出特征图转换为第二热力图；正确性保持判定单元，被配置成基于第一热力图与第二热力图之间的一致性比较结果，确定训练侧模型在转换得到部署侧模型的过程中是否保持了正确性。
第三方面，本公开实施例提供了一种电子设备，该电子设备包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，该指令被至少一个处理器执行，以使至少一个处理器执行时能够实现如第一方面中任一实现方式描述的验证模型转换前后正确性的方法。
第四方面，本公开实施例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，该计算机指令用于使计算机执行时能够实现如第一方面中任一实现方式描述的验证模型转换前后正确性的方法。
第五方面，本公开实施例提供了一种包括计算机程序的计算机程序产品，该计算机程序在被处理器执行时能够实现如第一方面中任一实现方式描述的验证模型转换前后正确性的方法。
本公开所提供的验证模型转换前后正确性的方案，分别获取转换前的训练侧模型与转换后的部署侧模型对输入的相同样本数据生成的第一输入输出特征和第二输入输出特征图，然后通过将输入输出特征图转换为可视化程度更佳的热力图，进而基于第一热力图和第二热力图进行一致性比较，进而能够便捷、准确的得到一致性比较结果，从而确定出模型转换前后是否保持了正确性。
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
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显：
图1是本公开可以应用于其中的示例性系统架构；
图2为本公开实施例提供的一种验证模型转换前后正确性的方法的流程图；
图3为本公开实施例提供的另一种验证模型转换前后正确性的方法的流程图；
图4为本公开实施例提供的又一种验证模型转换前后正确性的方法的流程图；
图5为本公开实施例提供的再一种验证模型转换前后正确性的方法的流程图；
图6为本公开实施例提供的一种验证模型转换前后正确性的装置的结构框图；
图7为本公开实施例提供的一种适用于执行验证模型转换前后正确性的方法的电子设备的结构示意图。
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。需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
图1示出了可以应用本公开的验证模型转换前后正确性的方法、装置、电子设备及计算机可读存储介质的实施例的示例性系统架构100。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103和服务器105上可以安装有各种用于实现两者之间进行信息通讯的应用，例如模型转换类应用、数据传输类应用、即时通讯类应用等。
终端设备101、102、103和服务器105可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等；当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中，其可以实现成多个软件或软件模块，也可以实现成单个软件或软件模块，在此不做具体限定。当服务器105为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器；服务器为软件时，可以实现成多个软件或软件模块，也可以实现成单个软件或软件模块，在此不做具体限定。
服务器105通过内置的各种应用可以提供各种服务，以可以提供模型转换服务的模型转换类应用为例，服务器105在运行该模型转换类应用时，可对训练侧模型和分别将要部署在不同平台的终端设备101、102、103上的不同部署侧模型，就是否在转换前后保持了正确性进行验证，从而确保模型转换操作的效果。
本公开后续各实施例所提供的验证模型转换前后正确性的方法一般由拥有较强运算能力、较多运算资源的服务器105来执行，相应地，验证模型转换前后正确性的装置一般也设置于服务器105中。但同时也需要指出的是，在终端设备101、102、103也具有满足要求的运算能力和运算资源时，终端设备101、102、103也可以通过其上安装的模型转换类应用完成上述本交由服务器105做的各项运算，进而输出与服务器105同样的结果。尤其是在同时存在多种具有不同运算能力的终端设备的情况下，但模型转换类应用判断所在的终端设备拥有较强的运算能力和剩余较多的运算资源时，可以让终端设备来执行上述运算，从而适当减轻服务器105的运算压力，相应的，验证模型转换前后正确性的装置也可以设置于终端设备101、102、103中。在此种情况下，示例性系统架构100也可以不包括服务器105和网络104。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
请参考图2，图2为本公开实施例提供的一种验证模型转换前后正确性的方法的流程图，其中流程200包括以下步骤：
步骤201：获取训练侧模型对输入的样本数据生成的第一输入输出特征图；
本步骤旨在由验证模型转换前后正确性的方法的执行主体(例如图1所示的服务器105)获取训练侧模型对输入的样本数据所生成的第一输入输出特征图。
其中，该训练侧模型是本公开中的转换前模型，训练侧相对于部署侧存在，即训练侧是执行模型生成和训练操作所在的一侧，部署侧则是需要将训练侧模型具体部署或应用在的一侧，即由于训练侧和部署侧的平台框架、格式等存在差异，就需要将训练侧模型结合部署侧的特性进行调整和转换，进而得到可直接在部署侧起到在训练侧同样效果的部署侧模型。
第一输入输出特征图，是将该样本数据输入训练侧模型后，由该训练侧模型生成的与该样本数据对应的输入输出特征图，即该特征图中包含输入特征和输出特征。具体的，该样本数据可以为事先验证过可用于确认训练侧模型性能的典型数据。
步骤202：获取部署侧模型对输入的样本数据生成的第二输入输出特征图；
本步骤旨在由上述执行主体获取部署侧模型对输入的样本数据所生成的第二输入输出特征图。
区别于作为转换前模型的训练侧模型，部署侧模型是本公开中的转换后模型，且是由训练侧模型结合部署侧的特性转换得到。
第二输入输出特征图，是将相同的样本数据输入部署侧模型后，由该部署侧模型生成与该样本数据对应的输入输出特征图，即该特征图中同样包含输入特征和输出特征。
需要说明的是，第一输入输出特征图和第二输入输出特征图所对应的输入数据，为相同的样本数据，具体的，同样可以为事先验证过可用于确认训练侧模型性能的典型数据。
即通过控制使用相同的样本数据同时作为训练侧模型和部署侧模型的输入数据，使得第一输入输出特征图和第二输入输出特征图之间可能存在的差异，仅有可能来自训练侧模型与部署侧模型之间的模型自身差异，从而便于验证训练侧模型是否在转换得到部署侧模型的过程中保持了正确性。
步骤203：将第一输入输出特征图转换为第一热力图、将第二输入输出特征图转换为第二热力图；
在步骤201和步骤202的基础上，本步骤旨在由上述执行主体将输入输出特征图转化为可视化程度更高的热力图。
对于实物图像来说，其热力图被用来判断图像哪一部分对最终的结果影响最大，而在本公开中，热力图是由输入输出特征图转换而来，因此本公开中描述的热力图则被用来判断特征图中的哪一部分最显著、对基于特征图的判别结果影响最大。具体的，在热力图中，最显著的、对最终结果影响最大的部分具有最高的温度。
相比于可视化程度较差的特征图，热力图由于根据特征显著程度的不同、对最终结果影响程度的不同，采用不同的温度色彩进行表示，具有更好的可视化效果，可以基于热力图之间的温度色彩分布差异，更加直观的看出两者之间的差异。
另外，除使用热力图外，也可将输入输出特征图转换为同样具有类似特性的图像，以提升可视化程度，此处不再一一列举。
步骤204：基于第一热力图与第二热力图之间的一致性比较结果，确定训练侧模型在转换得到部署侧模型的过程中是否保持了正确性。
在步骤203的基础上，本步骤旨在基于第一热力图与第二热力图之间是否具有一致性，来确定训练侧模型在转换得到部署侧模型的过程中是否保持了正确性，即部署侧模型是否相对于训练侧模型具有性能差异、精度差异。
即由于得到第一热力图和第二热力图的来源为相同的样本数据，因此如果训练侧模型在转换得到部署侧模型的过程中保持了正确性，应当能够通过第一热力图与第二热力图之间具有一致性来印证，反之，如果未能保持正确性，则可以通过第一热力图与第二热力图之间不具有一致性来印证。
也就是说，转换前的训练侧模型与转换后的部署侧模型，对相同的输入数据做出了相同的响应，从而确认模型转换过程中保持了正确性。
其中，对模型的每层输入和输出，都生成一张大(热力)图，并对该层中的每个channel(通道)生成一个二维的热力图，且将输出层的多个通道平铺分布在一张图上，从而方便针对不同层进行直观对比。
本公开实施例提供的验证模型转换前后正确性的方法，分别获取转换前的训练侧模型与转换后的部署侧模型对输入的相同样本数据生成的第一输入输出特征和第二输入输出特征图，然后通过将输入输出特征图转换为可视化程度更佳的热力图，进而基于第一热力图和第二热力图进行一致性比较，进而能够便捷、准确的得到一致性比较结果，从而确定出模型转换前后是否保持了正确性。
为了加深对图2所示实施例所描述方案的理解，还请进一步参考图3，图3为本公开实施例提供的另一种验证模型转换前后正确性的方法的流程图，其中流程300包括以下步骤：
步骤301：获取训练侧模型对输入的样本数据生成的第一输入输出特征图；
步骤302：获取部署侧模型对输入的样本数据生成的第二输入输出特征图；
步骤303：将第一输入输出特征图转换为第一热力图、将第二输入输出特征图转换为第二热力图；
以上步骤301-303与如图2所示的步骤201-203一致，相同部分内容请参见上一实施例的相应部分，此处不再进行赘述。
步骤304：判断第一热力图是否与第二热力图具有一致性，若是，执行步骤305，否则执行步骤306；
本步骤旨在由上述执行主体判断第一热力图是否与第二热力图具有一致性，并根据判断结果选择不同的处理分支。
步骤305：确定训练侧模型在转换得到部署侧模型的过程中保持了正确性；
本步骤建立在步骤304的判断结果为第一热力图与第二热力图具有一致性的基础上，因此由于两者具有一致性，那么就可以认为训练侧模型和部署侧模型对相同的样本数据产生了相同的响应，因此可以确定训练侧模型在转换得到部署侧模型的过程中保持了正确性。
步骤306：确定训练侧模型在转换得到部署侧模型的过程中未保持正确性。
本步骤建立在步骤304的判断结果为第一热力图与第二热力图不具有一致性的基础上，因此由于两者不具有一致性，那么就可以认为训练侧模型和部署侧模型对相同的样本数据产生了不同的响应，因此可以确定训练侧模型在转换得到部署侧模型的过程中未保持正确性。
针对流程200中的步骤204，本实施例通过步骤304-步骤306给出了一种具体的实现流程，即通过判断两者之间是否具有一致性，并在具有一致性的情况下确定模型转换前后保持了正确性、在不具有一致性的情况下确定模型转换前后未保持正确性。
需要说明的是，为了保证结论的严谨性、变量仅有训练侧模型和部署侧模型本身，还可以进一步的确保第一输入输出特征和第二输入输出特征的数据存储格式相同，例如都采用NCHW或NHWC的格式，其中N代表Batch(批)、C代表Channel、H代表Height(高)、W代表Width(宽)，分别指代4维数据的4个维度，NCHW和NHWC则分别表示4个维度数据的排序先后。
为了使得最终的判断结果尽可能的严谨，本公开还通过图4提供了又一种验证模型转换前后正确性的方法的流程图，其中流程400包括以下步骤：
步骤401：获取训练侧模型对输入的样本数据生成的第一输入输出特征图；
步骤402：获取部署侧模型对输入的样本数据生成的第二输入输出特征图；
以上步骤401-402与如图2所示的步骤201-202一致，相同部分内容请参见上一实施例的相应部分，此处不再进行赘述。
步骤403：获取训练侧模型对输入的随机数据生成的第三输入输出特征图；
本步骤旨在由上述执行主体获取训练侧模型对输入的随机数据所生成的第三输入输出特征，需要说明的是，该随机数据是不同于样本数据的数据。
即本步骤与步骤401的区别点仅为：两者分别将样本数据和随机数据输入相同的训练侧模型，并尝试根据各自生成的第一输入输出特征图和第三输入输出特征图来明确训练侧模型本身是否存在异常。
步骤404：将第一输入输出特征图转换为第一热力图、将第二输入输出特征图转换为第二热力图、将第三输入输出特征图转换为第三热力图；
区别于步骤203，本实施例由于增加了步骤403，因此本步骤将分别将三个不同的输入输出特征图转换为相应的三个热力图。
步骤405：比较第一热力图与第三热力图之间的一致性，得到第一结果；
在步骤404的基础上，本步骤旨在由上述执行主体比较第一热力图与第三热力图之间的一致性，得到第一结果。
步骤406：比较第一热力图与第二热力图之间的一致性，得到第二结果；
在步骤404的基础上，本步骤旨在由上述执行主体比较第一热力图与第二热力图之间的一致性，得到第二结果。
需要说明的是，步骤405和步骤404可以依次执行，也可以同时执行，图4所示的依次执行只是一种示例，并不代表步骤405一定需要依赖于步骤404的执行结果。
步骤407：根据第一结果和第二结果，确定训练侧模型在转换得到部署侧模型的过程中是否保持了正确性。
在步骤404和步骤405的基础上，本步骤旨在由上述执行主体根据第一结果和第二结果，确定训练侧模型在转换得到部署侧模型的过程中是否保持了正确性。即第一结果表征了训练侧模型本身是否存在异常，可用于转换得到部署侧模型，而第二结果表征了模型转换前后是否为同一样本数据产生了相同的响应，即模型转换过程是否保持了正确性。
区别于图2和图3所示的实施例，本实施例更加充分的考虑到训练侧模型本身可能是否无法正常运作，因为在训练侧模型本身无法正常运作的情况下，即使第一热力图与第二热力图具有一致性，也无法充分的印证模型转换前后保持了正确性。因此本实施例额外增加了训练侧模型对不同于样本数据的随机数据生成第三输入输出特征图的步骤，并随之增加了第一热力图与第三热力图之间是否具有一致性的步骤，最终根据第一结果和第二结果更加严谨的确定模型转换前后是否保持了正确性。
在图4所示实施例的基础上，为了尽可能的加深对如何得到判断结果的理解，本实施例还通过图5为提供了再一种验证模型转换前后正确性的方法的流程图，其中流程500包括以下步骤：
步骤501：获取训练侧模型对输入的样本数据生成的第一输入输出特征图；
步骤502：获取部署侧模型对输入的样本数据生成的第二输入输出特征图；
步骤503：获取训练侧模型对输入的随机数据生成的第三输入输出特征图；
步骤504：将第一输入输出特征图转换为第一热力图、将第二输入输出特征图转换为第二热力图、将第三输入输出特征图转换为第三热力图；
步骤505：比较第一热力图与第三热力图之间的一致性，得到第一结果；
步骤506：比较第一热力图与第二热力图之间的一致性，得到第二结果；
以上步骤501-506与如图4所示的步骤401-406一致，相同部分内容请参见上一实施例的相应部分，此处不再进行赘述。
步骤507：判断第一结果是否为具有一致性，若是，执行步骤508，否则执行步骤509；
步骤508：重新选择随机数据；
本步骤建立在步骤507的判断结果为第一热力图与第三热力图具有一致性的基础上，由于随机数据和样本数据不同，如果训练侧模型运作正常，理应针对不同的输入数据生成不同的输入输出特征图，进而使得第一热力图和第三热力图不具有一致性。因此，若第一热力图与第三热力图具有一致性，考虑到训练侧模型本身异常的概率，大概率是随机数据选择的不合适，因此由执行主体重新选择新的随机数据，并重新验证第一结果是否为不具有一致性。
步骤509：判断第二结果是否为具有一致性，若是，执行步骤510，否则执行步骤511；
本步骤建立在步骤507的判断结果为第一热力图与第三热力图不具有一致性的基础上，即说明训练侧模型对于不同的输入数据生成了不同的响应，因此可以说明训练侧模型本身没有异常，从而本步骤可由执行主体在此基础上放心的对第二结果是否为具有一致性进行判断。
步骤510：确定训练侧模型在转换得到部署侧模型的过程中保持了正确性；
本步骤建立在步骤509的判断结果为第一热力图与第二热力图具有一致性的基础上，那么在训练侧模型正常运作、训练侧模型和部署侧模型又对相同的输入数据做出了相同的响应的情况下，可由上述执行主体确定训练侧模型在转换得到部署侧模型的过程中保持了正确性。
步骤511：确定训练侧模型在转换得到部署侧模型的过程中未保持正确性。
本步骤建立在步骤509的判断结果为第一热力图与第二热力图不具有一致性的基础上，那么在训练侧模型正常运作、训练侧模型和部署侧模型对相同的输入数据做出了不同的响应的情况下，可由上述执行主体确定训练侧模型在转换得到部署侧模型的过程中未保持正确性。
针对图4和图5所示实施例，还可以在仅根据第一结果确定出第一热力图与第三热力图不具有一致性的情况下，才继续进行对第二结果的计算，从而减少无用功，节省运算资源。
另外，与第一输入输出特征图需要与第二输入输出特征图保存为相同的数据存储格式一样，第三输入输出特征图也需要保存为相同的数据存储格式，以减少变量、提升结果的严谨性。
为了加深对上述内容的理解，本实施例还结合具体场景，给出了一种具体的实现方式：
以某自动驾驶车道线检测模型在DPU(Deep learning Processing Unit,深度学习处理器)平台的模型部署为例：
1、根据模型结构可知，该模型有一个输入，两个输出(请见下表1)：
表1模型结构及参数
| Layer | Shape |
| Input | [1,3,512,1152] |
| Output1 | [1,5,64,144] |
| Output2 | [1,26,64,144] |
2、使用随机数据输入，在训练侧生成Random数据，按NCHW格式保存为输入输出特征图A；
3、使用典型数据输入，在训练侧生成Golden数据，按NCHW格式保存为输入输出特征图B；
4、使用DPU供应商提供的工具链将模型转换为部署模型，使用典型数据输入，在目标部署平台上进行推断，按NCHW格式保存为输入输出特征图C；
5、使用热力图生成工具，处理2，3，4步骤的输入输出特征图，分别生成热力图X、第二热力图Y、第三热力图Z；
6、对比Random对应的热力图X和Golden对应的热力图Y，发现相似性弱，推测模型本身没有错误；
7、对比Golden对应热力图Y和Deploy对应的热力图Z，可以发现其热力图有强相似性，只是在输出范围上发生了改变，而该范围变化是DPU量化计算特性所致，可以通过标准方法反推回原始范围。至此，可以得到结论：该模型的转换结果正确与预期相符，可以在该平台进行部署。
进一步参考图6，作为对上述各图所示方法的实现，本公开提供了一种验证模型转换前后正确性的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图6所示，本实施例的验证模型转换前后正确性的装置600可以包括：第一特征图生成单元601、第二特征图生成单元602、第一及第二特征图转换单元603、正确性保持判定单元604。其中，第一特征图生成单元601，被配置成获取训练侧模型对输入的样本数据生成的第一输入输出特征图；第二特征图生成单元602，被配置成获取部署侧模型对输入的样本数据生成的第二输入输出特征图；其中，部署侧模型由训练侧模型结合部署侧特性转换得到；第一及第二特征图转换单元603，被配置成将第一输入输出特征图转换为第一热力图、将第二输入输出特征图转换为第二热力图；正确性保持判定单元604，被配置成基于第一热力图与第二热力图之间的一致性比较结果，确定训练侧模型在转换得到部署侧模型的过程中是否保持了正确性。
在本实施例中，验证模型转换前后正确性的装置600中：第一特征图生成单元601、第二特征图生成单元602、第一及第二特征图转换单元603、正确性保持判定单元604的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-204的相关说明，在此不再赘述。
在本实施例的一些可选的实现方式中，正确性保持判定单元604可以被进一步配置成：
响应于第一热力图与第二热力图具有一致性，确定训练侧模型在转换得到部署侧模型的过程中保持了正确性；
响应于第一热力图与第二热力图不具有一致性，确定训练侧模型在转换得到部署侧模型的过程中未保持正确性。
在本实施例的一些可选的实现方式中，第一输入输出特征图、第二输入输出特征图按相同的数据存储格式进行保存。
在本实施例的一些可选的实现方式中，验证模型转换前后正确性的装置600中还可以包括：
第三特征图生成单元，被配置成获取训练侧模型对输入的随机数据生成的第三输入输出特征图；其中，随机数据为不同于样本数据的数据；
第三特征图转换单元，被配置成将第三输入输出特征图转换为第三热力图；
对应的，正确性保持判定单元604可以包括：
第一比较子单元，被配置成比较第一热力图与第三热力图之间的一致性，得到第一结果；
第二比较子单元，被配置成比较第一热力图与第二热力图之间的一致性，得到第二结果；
正确性保持判定子单元，被配置成根据第一结果和第二结果，确定训练侧模型在转换得到部署侧模型的过程中是否保持了正确性。
在本实施例的一些可选的实现方式中，正确性保持判定子单元可以被进一步配置成：
响应于第一热力图与第二热力图和第三热力图均不具有一致性，确定训练侧模型在转换得到部署侧模型的过程中未保持正确性；
响应于第一热力图与第三热力图不具有一致性、第一热力图与第二热力图具有一致性，确定训练侧模型在转换得到部署侧模型的过程中保持了正确性。
在本实施例的一些可选的实现方式中，验证模型转换前后正确性的装置600中还可以包括：
随机数据重新选择单元，被配置成响应于第一热力图与第三热力图具有一致性，重新选择随机数据。
在本实施例的一些可选的实现方式中，第一输入输出特征图、第二输入输出特征图、第三输入输出特征图按相同的数据存储格式进行保存。
本实施例作为对应于上述方法实施例的装置实施例存在，本实施例提供的验证模型转换前后正确性的装置，分别获取转换前的训练侧模型与转换后的部署侧模型对输入的相同样本数据生成的第一输入输出特征和第二输入输出特征图，然后通过将输入输出特征图转换为可视化程度更佳的热力图，进而基于第一热力图和第二热力图进行一致性比较，进而能够便捷、准确的得到一致性比较结果，从而确定出模型转换前后是否保持了正确性。
根据本公开的实施例，本公开还提供了一种电子设备，该电子设备包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，该指令被至少一个处理器执行，以使至少一个处理器执行时能够实现上述任意实施例所描述的验证模型转换前后正确性的方法。
根据本公开的实施例，本公开还提供了一种可读存储介质，该可读存储介质存储有计算机指令，该计算机指令用于使计算机执行时能够实现上述任意实施例所描述的验证模型转换前后正确性的方法。
根据本公开的实施例，本公开还提供了一种计算机程序产品，该计算机程序在被处理器执行时能够实现上述任意实施例所描述的验证模型转换前后正确性的方法的步骤。
图7示出了可以用来实施本公开的实施例的示例电子设备700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7所示，设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700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701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701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701执行上文所描述的各个方法和处理，例如验证模型转换前后正确性的方法。例如，在一些实施例中，验证模型转换前后正确性的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708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的验证模型转换前后正确性的方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行验证模型转换前后正确性的方法。
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)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。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，以解决传统物理主机与虚拟专用服务器(VPS，Virtual Private Server)服务中存在的管理难度大，业务扩展性弱的缺陷。
根据本公开实施例的技术方案，分别获取转换前的训练侧模型与转换后的部署侧模型对输入的相同样本数据生成的第一输入输出特征和第二输入输出特征图，然后通过将输入输出特征图转换为可视化程度更佳的热力图，进而基于第一热力图和第二热力图进行一致性比较，进而能够便捷、准确的得到一致性比较结果，从而确定出模型转换前后是否保持了正确性。
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 (17)
1.一种验证模型转换前后正确性的方法，包括：
获取训练侧模型对输入的样本数据生成的第一输入输出特征图；
获取部署侧模型对输入的所述样本数据生成的第二输入输出特征图；其中，所述部署侧模型由所述训练侧模型结合部署侧特性转换得到；
将所述第一输入输出特征图转换为第一热力图、将所述第二输入输出特征图转换为第二热力图；
基于所述第一热力图与所述第二热力图之间的一致性比较结果，确定所述训练侧模型在转换得到所述部署侧模型的过程中是否保持了正确性。
2.根据权利要求1所述的方法，其中，所述基于所述第一热力图与所述第二热力图之间的一致性比较结果，确定所述训练侧模型在转换得到所述部署侧模型的过程中是否保持了正确性，包括：
响应于所述第一热力图与所述第二热力图具有一致性，确定所述训练侧模型在转换得到所述部署侧模型的过程中保持了正确性；
响应于所述第一热力图与所述第二热力图不具有一致性，确定所述训练侧模型在转换得到所述部署侧模型的过程中未保持正确性。
3.根据权利要求1所述的方法，其中，所述第一输入输出特征图、所述第二输入输出特征图按相同的数据存储格式进行保存。
4.根据权利要求1-3任一项所述的方法，还包括：
获取所述训练侧模型对输入的随机数据生成的第三输入输出特征图；其中，所述随机数据为不同于所述样本数据的数据；
将所述第三输入输出特征图转换为第三热力图；
对应的，所述基于所述第一热力图与所述第二热力图之间的一致性比较结果，确定所述训练侧模型在转换得到所述部署侧模型的过程中是否保持了正确性，包括：
比较所述第一热力图与所述第三热力图之间的一致性，得到第一结果；
比较所述第一热力图与所述第二热力图之间的一致性，得到第二结果；
根据所述第一结果和所述第二结果，确定所述训练侧模型在转换得到所述部署侧模型的过程中是否保持了正确性。
5.根据权利要求4所述的方法，其中，所述根据所述第一结果和所述第二结果，确定所述训练侧模型在转换得到所述部署侧模型的过程中是否保持了正确性，包括：
响应于所述第一热力图与所述第二热力图和所述第三热力图均不具有一致性，确定所述训练侧模型在转换得到所述部署侧模型的过程中未保持正确性；
响应于所述第一热力图与所述第三热力图不具有一致性、所述第一热力图与所述第二热力图具有一致性，确定所述训练侧模型在转换得到所述部署侧模型的过程中保持了正确性。
6.根据权利要求4所述的方法，还包括：
响应于所述第一热力图与所述第三热力图具有一致性，重新选择所述随机数据。
7.根据权利要求4所述的方法，其中，所述第一输入输出特征图、所述第二输入输出特征图、所述第三输入输出特征图按相同的数据存储格式进行保存。
8.一种验证模型转换前后正确性的装置，包括：
第一特征图生成单元，被配置成获取训练侧模型对输入的样本数据生成的第一输入输出特征图；
第二特征图生成单元，被配置成获取部署侧模型对输入的所述样本数据生成的第二输入输出特征图；其中，所述部署侧模型由所述训练侧模型结合部署侧特性转换得到；
第一及第二特征图转换单元，被配置成将所述第一输入输出特征图转换为第一热力图、将所述第二输入输出特征图转换为第二热力图；
正确性保持判定单元，被配置成基于所述第一热力图与所述第二热力图之间的一致性比较结果，确定所述训练侧模型在转换得到所述部署侧模型的过程中是否保持了正确性。
9.根据权利要求8所述的装置，其中，所述正确性保持判定单元被进一步配置成：
响应于所述第一热力图与所述第二热力图具有一致性，确定所述训练侧模型在转换得到所述部署侧模型的过程中保持了正确性；
响应于所述第一热力图与所述第二热力图不具有一致性，确定所述训练侧模型在转换得到所述部署侧模型的过程中未保持正确性。
10.根据权利要求8所述的装置，其中，所述第一输入输出特征图、所述第二输入输出特征图按相同的数据存储格式进行保存。
11.根据权利要求8-10任一项所述的装置，还包括：
第三特征图生成单元，被配置成获取所述训练侧模型对输入的随机数据生成的第三输入输出特征图；其中，所述随机数据为不同于所述样本数据的数据；
第三特征图转换单元，被配置成将所述第三输入输出特征图转换为第三热力图；
对应的，所述正确性保持判定单元包括：
第一比较子单元，被配置成比较所述第一热力图与所述第三热力图之间的一致性，得到第一结果；
第二比较子单元，被配置成比较所述第一热力图与所述第二热力图之间的一致性，得到第二结果；
正确性保持判定子单元，被配置成根据所述第一结果和所述第二结果，确定所述训练侧模型在转换得到所述部署侧模型的过程中是否保持了正确性。
12.根据权利要求11所述的装置，其中，所述正确性保持判定子单元被进一步配置成：
响应于所述第一热力图与所述第二热力图和所述第三热力图均不具有一致性，确定所述训练侧模型在转换得到所述部署侧模型的过程中未保持正确性；
响应于所述第一热力图与所述第三热力图不具有一致性、所述第一热力图与所述第二热力图具有一致性，确定所述训练侧模型在转换得到所述部署侧模型的过程中保持了正确性。
13.根据权利要求11所述的装置，还包括：
随机数据重新选择单元，被配置成响应于所述第一热力图与所述第三热力图具有一致性，重新选择所述随机数据。
14.根据权利要求11所述的装置，其中，所述第一输入输出特征图、所述第二输入输出特征图、所述第三输入输出特征图按相同的数据存储格式进行保存。
15.一种电子设备，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1-6中任一项所述的验证模型转换前后正确性的方法。
16.一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权利要求1-7中任一项所述的验证模型转换前后正确性的方法。
17.一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现根据权利要求1-7中任一项所述验证模型转换前后正确性的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210792275.8A CN115187821B (zh) | 2022-07-05 | 2022-07-05 | 验证模型转换前后正确性的方法、相关装置及程序产品 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210792275.8A CN115187821B (zh) | 2022-07-05 | 2022-07-05 | 验证模型转换前后正确性的方法、相关装置及程序产品 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115187821A true CN115187821A (zh) | 2022-10-14 |
| CN115187821B CN115187821B (zh) | 2024-03-22 |
Family
ID=83517801
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210792275.8A Active CN115187821B (zh) | 2022-07-05 | 2022-07-05 | 验证模型转换前后正确性的方法、相关装置及程序产品 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115187821B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117056238A (zh) * | 2023-10-11 | 2023-11-14 | 深圳鲲云信息科技有限公司 | 验证部署框架下模型转换正确性的方法及计算设备 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110276443A (zh) * | 2019-05-29 | 2019-09-24 | 平安科技（深圳）有限公司 | 模型转换一致性验证及分析方法、装置及存储介质 |
| CN111178517A (zh) * | 2020-01-20 | 2020-05-19 | 上海依图网络科技有限公司 | 模型部署方法、系统、芯片、电子设备及介质 |
| CN111583187A (zh) * | 2020-04-14 | 2020-08-25 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于cnn可视化的pcb电路板缺陷检测方法 |
| CN111783985A (zh) * | 2020-06-30 | 2020-10-16 | Oppo广东移动通信有限公司 | 信息处理、模型处理方法及装置、设备、介质 |
| CN112101490A (zh) * | 2020-11-20 | 2020-12-18 | 支付宝(杭州)信息技术有限公司 | 热力图转换模型训练方法以及装置 |
| CN113326913A (zh) * | 2020-02-28 | 2021-08-31 | 上海商汤智能科技有限公司 | 神经网络模型的转换方法、模型精度定位方法及装置 |
| CN113538225A (zh) * | 2020-04-14 | 2021-10-22 | 阿里巴巴集团控股有限公司 | 模型训练方法及图像转换方法、装置、设备和存储介质 |
| WO2022007342A1 (zh) * | 2020-07-07 | 2022-01-13 | 上海商汤智能科技有限公司 | 图像处理方法及装置、电子设备、存储介质和程序产品 |
| CN114187475A (zh) * | 2021-12-06 | 2022-03-15 | 大连理工大学 | 一种基于热力图解释多被试复数fMRI数据CNN分类结果的方法 |
| CN114546592A (zh) * | 2022-02-18 | 2022-05-27 | 北京市商汤科技开发有限公司 | 模型部署评测方法、服务器、电子设备及存储介质 |
-
2022
- 2022-07-05 CN CN202210792275.8A patent/CN115187821B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110276443A (zh) * | 2019-05-29 | 2019-09-24 | 平安科技（深圳）有限公司 | 模型转换一致性验证及分析方法、装置及存储介质 |
| CN111178517A (zh) * | 2020-01-20 | 2020-05-19 | 上海依图网络科技有限公司 | 模型部署方法、系统、芯片、电子设备及介质 |
| CN113326913A (zh) * | 2020-02-28 | 2021-08-31 | 上海商汤智能科技有限公司 | 神经网络模型的转换方法、模型精度定位方法及装置 |
| CN111583187A (zh) * | 2020-04-14 | 2020-08-25 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于cnn可视化的pcb电路板缺陷检测方法 |
| CN113538225A (zh) * | 2020-04-14 | 2021-10-22 | 阿里巴巴集团控股有限公司 | 模型训练方法及图像转换方法、装置、设备和存储介质 |
| CN111783985A (zh) * | 2020-06-30 | 2020-10-16 | Oppo广东移动通信有限公司 | 信息处理、模型处理方法及装置、设备、介质 |
| WO2022007342A1 (zh) * | 2020-07-07 | 2022-01-13 | 上海商汤智能科技有限公司 | 图像处理方法及装置、电子设备、存储介质和程序产品 |
| CN112101490A (zh) * | 2020-11-20 | 2020-12-18 | 支付宝(杭州)信息技术有限公司 | 热力图转换模型训练方法以及装置 |
| CN114187475A (zh) * | 2021-12-06 | 2022-03-15 | 大连理工大学 | 一种基于热力图解释多被试复数fMRI数据CNN分类结果的方法 |
| CN114546592A (zh) * | 2022-02-18 | 2022-05-27 | 北京市商汤科技开发有限公司 | 模型部署评测方法、服务器、电子设备及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| RUI SUN ET.AL: "A Simplified Approach for Evaluating the Flexural Response of Concrete Beams Reinforced With FRP Bars", 《SEC. STRUCTURAL MATERIALS》 * |
| 黄诠;刘浩;梁平元;: "异构无线传感器网络节点部署算法研究", 邵阳学院学报(自然科学版), no. 02, pages 47 - 52 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117056238A (zh) * | 2023-10-11 | 2023-11-14 | 深圳鲲云信息科技有限公司 | 验证部署框架下模型转换正确性的方法及计算设备 |
| CN117056238B (zh) * | 2023-10-11 | 2024-01-30 | 深圳鲲云信息科技有限公司 | 验证部署框架下模型转换正确性的方法及计算设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115187821B (zh) | 2024-03-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113808231B (zh) | 信息处理方法及装置、图像渲染方法及装置、电子设备 | |
| JP7270691B2 (ja) | データをラベリングするための方法、装置、電子機器、記憶媒体およびコンピュータプログラム | |
| US20230206578A1 (en) | Method for generating virtual character, electronic device and storage medium | |
| CN114792355B (zh) | 虚拟形象生成方法、装置、电子设备和存储介质 | |
| CN114627239B (zh) | 包围盒生成方法、装置、设备及存储介质 | |
| CN115187821B (zh) | 验证模型转换前后正确性的方法、相关装置及程序产品 | |
| CN114266937A (zh) | 模型训练、图像处理方法，装置，设备以及存储介质 | |
| CN111127616B (zh) | 一种渲染校验方法及装置 | |
| CN113691403B (zh) | 拓扑节点配置方法、相关装置及计算机程序产品 | |
| CN115115062B (zh) | 机器学习模型建立方法、相关装置及计算机程序产品 | |
| US20230005171A1 (en) | Visual positioning method, related apparatus and computer program product | |
| CN115481594B (zh) | 计分板实现方法、计分板、电子设备及存储介质 | |
| EP4155670A1 (en) | Intersection vertex height value acquisition method and apparatus, electronic device and storage medium | |
| CN113781653B (zh) | 对象模型生成方法、装置、电子设备及存储介质 | |
| CN114218166A (zh) | 数据处理方法、装置、电子设备及可读存储介质 | |
| CN114119990A (zh) | 用于图像特征点匹配的方法、装置及计算机程序产品 | |
| CN113344213A (zh) | 知识蒸馏方法、装置、电子设备及计算机可读存储介质 | |
| CN112990046A (zh) | 差异信息获取方法、相关装置及计算机程序产品 | |
| CN113407844B (zh) | 小程序框架的版本推荐方法、装置、设备以及存储介质 | |
| CN116257611B (zh) | 问答模型的训练方法、问答处理方法、装置及存储介质 | |
| CN113157360B (zh) | 用于处理api的方法、装置、设备、介质和产品 | |
| CN114820908B (zh) | 虚拟形象生成方法、装置、电子设备和存储介质 | |
| CN112862877B (zh) | 用于训练图像处理网络和图像处理的方法和装置 | |
| CN114791996B (zh) | 信息处理方法、装置、系统、电子设备及存储介质 | |
| CN116468824B (zh) | 动画重定向方法、装置、电子设备及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |