CN115562962A - 模型推理性能的分析方法、装置及电子设备 - Google Patents
模型推理性能的分析方法、装置及电子设备 Download PDFInfo
- Publication number
- CN115562962A CN115562962A CN202211195746.3A CN202211195746A CN115562962A CN 115562962 A CN115562962 A CN 115562962A CN 202211195746 A CN202211195746 A CN 202211195746A CN 115562962 A CN115562962 A CN 115562962A
- Authority
- CN
- China
- Prior art keywords
- code
- model
- line number
- instrumentation
- codes
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000004458 analytical method Methods 0.000 claims abstract description 145
- 230000006870 function Effects 0.000 claims description 66
- 238000004590 computer program Methods 0.000 claims description 11
- 238000003780 insertion Methods 0.000 claims description 4
- 230000037431 insertion Effects 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 abstract description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 6
- 230000000007 visual effect Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 238000007639 printing Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3409—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment for performance assessment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/362—Software debugging
- G06F11/3644—Software debugging by instrumenting at runtime
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Debugging And Monitoring (AREA)
Abstract
本公开提供了一种模型推理性能的分析方法、装置及电子设备,涉及人工智能技术领域,尤其涉及深度学习及模型推理等技术领域。具体实现方案为:确定待分析模型;接收第一输入,并获取所述第一输入中的目标信息,所述目标信息包括插桩代码的位置信息或针对预先嵌入的性能分析器的启动指令;基于所述目标信息执行对所述待分析模型的推理性能分析,并生成分析结果文件。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及深度学习、模型推理等技术领域,具体涉及一种模型推理性能的分析方法、装置及电子设备。
背景技术
目前,机器学习与深度学习的相关技术在自然语言处理、计算机视觉等众多领域取得了巨大成功,也逐渐在各行各业中落地。性能剖析(Profiling)是指在程序的执行过程中,收集能反映程序执行状态的数据,例如程序执行所占用的内存、特定指令的使用情况或函数调用的频率和持续时间等,帮助定位和优化程序性能问题。
发明内容
本公开提供了一种模型推理性能的分析方法、装置及电子设备。
根据本公开的第一方面,提供了一种模型推理性能的分析方法,包括:
确定待分析模型;
接收第一输入,并获取所述第一输入中的目标信息,所述目标信息包括插桩代码的位置信息或针对预先嵌入的性能分析器的启动指令;
基于所述目标信息执行对所述待分析模型的推理性能分析,并生成分析结果文件。
根据本公开的第二方面,提供了一种模型推理性能的分析装置,包括:
确定模块,用于确定待分析模型;
获取模块,用于接收第一输入,并获取所述第一输入中的目标信息,所述目标信息包括插桩代码的位置信息或针对预先嵌入的性能分析器的启动指令;
分析模块,用于基于所述目标信息执行对所述待分析模型的推理性能分析,并生成分析结果文件。
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第一方面所述的方法。
根据本公开的第四方面,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,其中,所述计算机指令用于使所述计算机执行根据第一方面所述的方法。
根据本公开的第五方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据第一方面所述的方法。
本公开实施例中,在确定待分析模型后,获取第一输入中的目标信息,而所述目标信息包括插桩代码的位置信息或针对预先嵌入的性能分析器的启动指令,进而也就能够基于所述插桩代码的位置信息来确定待分析模型的模型代码中需要插桩的位置,或者能够基于所述启动指令来对预先嵌入的性能分析器执行启动,从而能够自动调用插桩代码或自动启动性能分析器来实现对待分析模型的推理性能分析,无需用户针对每个待分析的模型逐个在模型代码中写入实现推理性能分析的代码或相关性能分析工具,有效节省了用户模型推理性能分析的操作时间,也提升了对模型推理性能分析的效率。
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,不构成对本公开的限定。其中:
图1是本公开实施例提供的一种模型推理性能的分析方法的流程图之一;
图2是本公开实施例提供的一种模型推理性能的分析方法的流程图之二;
图3是应用本公开实施例提供的一种模型推理性能的分析方法的场景示意图;
图4是本公开实施例提供的一种模型推理性能的分析装置的结构图之一;
图5是本公开实施例提供的一种模型推理性能的分析装置的结构图之二;
图6是用来实现本公开实施例的模型推理性能的分析方法的电子设备的框图。
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。
为更好地理解,以下对本公开实施例中可能涉及的相关概念及原理进行解释说明。
可以理解地,机器学习与深度学习的相关技术在自然语言处理、计算机视觉等众多领域取得了较大成功,也逐渐在各行各业中得到应用。机器学习与深度学习领域的开发者需要编写加载模型、读取数据、数据预处理、预测、数据后处理等部分的代码,从而使模型能够完成推理的全过程。在这个过程中,开发者或用户可能会发现模型推理的过程较慢,希望能够提升推理速度。性能分析(Profiling)是指在程序的执行过程中,收集能反映程序执行状态的数据,例如程序执行所占用的内存、特定指令的使用情况或函数调用的频率和持续时间等,用户可以使用性能分析(profile)工具帮助应用程序定位和优化性能问题。
为了解决分析模型推理耗时的问题,工业界发明了多种代码性能分析工具,比如cProfiler、py-spy、Tensorflow Profiler等,它们可以应用于不同场景下的性能问题定位与优化。相关技术中,在进行模型的推理性能分析时,通常需要开发者在初始代码中写入插桩相关的代码后,运行代码,输出分析结果,然后使用相关Profile工具读取分析结果。当需要对多个模型进行推理性能分析,也就需要开发者在每个模型的初始代码中来写入插桩代码,这也就需要消耗开发者较多时间,也导致模型性能分析的操作时间较长、效率较低。另外,使用Profile工具的前提条件是用户处于程序运行的环境下。当用户远程访问在线模型推理服务时,就无法直接使用Profile工具实现对模型推理的性能与耗时进行分析。
以下结合附图,对本公开实施例提供的模型推理性能的分析方法进行详细说明。
请参照图1,图1是本公开实施例提供的一种模型推理性能的分析方法的流程图之一,如图1所示,所述方法包括以下步骤:
步骤S101、确定待分析模型。
其中,所述待分析模型也即需要进行推理性能分析的模型。需要说明的是,本公开实施例中的待分析模型并不限定于是某类特定的模型,例如所述待分析模型可以是识别类模型、检测类模型、预测类模型、分析类模型等。或者说,所述待分析模型可以是任何需要进行推理性能分析的模型。
本公开实施例中,所述方法可以是应用于如计算机、手机、平板电脑、车载终端等电子设备。或者进一步地,所述方法可以是应用于安装在电子设备中用于进行模型推理性能分析的目标应用程序。所述确定待分析模型,可以是在该目标应用程序中输入所述待分析模型的模型代码,或者是所述待分析模型的模型名称等,进而也就能确定是要对哪个模型的模型推理性能进行分析。
步骤S102、接收第一输入,并获取所述第一输入中的目标信息,所述目标信息包括插桩代码的位置信息或针对预先嵌入的性能分析器的启动指令。
需要说明地,所述第一输入可以是用户执行的第一输入。例如,所述目标信息包括插桩代码的位置信息,则所述第一输入可以是指用户对上述目标应用程序执行的输入,比如用户在该应用程序中输入的插桩代码的位置信息;或者,所述第一输入也可以是用户在该应用程序中输入的针对预先嵌入的性能分析器的启动指令。其中,该应用程序可以是特定用于进行模型推理性能分析的应用程序,该应用程序可以是设计有用于接收用户第一输入的输入框,以用于接收用户输入的目标信息,如插桩代码的位置信息。或者,该应用程序可以是包括与预先嵌入的性能分析器的启动指令关联的启动按键,以用于接收用户作用于该启动按键上的操作来确定目标信息,也即确定针对预先嵌入的性能分析器的启动指令;该情况下,用户可以是远程访问该应用程序并输入针对预先嵌入的性能分析器的启动指令,进而用户能够远程实现对模型推理性能的分析。
可选地,所述插桩代码的位置信息可以是指在所述待分析模型对应的模型代码中进行插桩的行号,或者是基于所述待分析模型对应的模型代码中的函数名来确定。可以理解地,待分析模型可以是通过多个函数来实现模型运算,待分析模型对应的模型代码中也就包括不同函数对应的函数代码,而不同的函数有其对应的函数名,所述插桩代码的位置信息则基于所述待分析模型对应的模型代码中的函数名来确定;这种情况下,所述目标信息可以是用户在进行第一输入时输入的待分析模型对应的模型代码中的某一函数名,电子设备基于该函数名也就能够在待分析模型的模型代码中定位出该函数名所对应的函数代码的位置,则可以是在所述模型代码中与所述函数名对应的函数代码前和所述函数代码后分别插入插桩代码。这样,也就基于所述待分析模型对应的模型代码中的函数名确定出插桩代码的位置信息。
本公开实施例中,电子设备基于所述目标信息也即能够获知所述插桩代码在所述模型代码中插桩的位置,也即能够获知所述插桩代码所要执行性能分析的是模型代码中的哪些代码部分。
需要说明的是,所述插桩代码是指向目标代码(本公开中也即模型代码中的某部分代码)插入测试代码以获取程序运行信息(本公开中也即模型推理性能)的分析测试方法。本公开实施例中,所述插桩代码也即能够对模型代码中的某部分代码进行模型推理性能的分析测试,所述插桩代码可以是预先已设置和存储的代码,其具体代码内容能够实现对模型推理性能的分析,本公开对此不做具体限定。
可选地,所述性能分析器(Profiler)可以是指能够对模型推理性能进行分析的性能分析工具,例如所述性能分析器可以是cProfiler、py-spy等,本公开对此不做具体限定。
步骤S103、基于所述目标信息执行对所述待分析模型的推理性能分析,并生成分析结果文件。
可以理解地,在接收到用户的第一输入,获取所述第一输入中的目标信息后,则能够基于所述目标信息执行对待分析模型的推理性能分析。
例如,在目标信息包括插桩代码的位置信息的情况下,则基于所述插桩代码的位置信息,在所述待分析模型对应的模型代码中所述位置信息对应的位置处插入所述插桩代码,当运行所述待分析模型时,则能够对所述模型代码中插入了所述插桩代码的模型代码部分进行推理性能分析。这样,也就能够实现对模型代码中特定部分的模型代码所对应的模型推理性能进行分析,例如模型推理的耗时信息等。
或者,在目标信息包括针对预先嵌入的性能分析器的启动指令的情况下,则在运行所述待分析模型的情况下,也即相当于启动了所述性能分析器,则基于所述性能分析器执行对所述待分析模型的推理性能分析,例如待分析模型的推理耗时信息等。
在执行对所述待分析模型的推理性能分析后,生成对应的分析结果文件。进一步地,可以是利用可视化工具,根据分析结果文件生成有向图或火焰图等可视化分析图并输出,进而使得用户能够基于这些可视化分析图直观地获知待分析模型的推理耗时等信息,例如能够知道待分析模型在哪一部分推理过程耗时较长,进而也就能够为用户提供模型优化思路,以帮助用户有针对性地对模型进行优化,以提升待分析模型的推理性能,降低待分析模型的推理耗时。
本公开实施例中,在确定待分析模型后,获取第一输入中的目标信息,而所述目标信息包括插桩代码的位置信息或针对预先嵌入的性能分析器的启动指令,进而也就能够基于所述插桩代码的位置信息来确定待分析模型的模型代码中需要插桩的位置,或者能够基于所述启动指令来对预先嵌入的性能分析器执行启动,从而能够自动调用插桩代码或自动启动性能分析器来实现对待分析模型的推理性能分析,无需用户针对每个待分析的模型逐个在模型代码中写入实现推理性能分析的代码或相关性能分析工具,有效节省了用户模型推理性能分析的操作时间,也提升了对模型推理性能分析的效率。
可选地,所述目标信息包括插桩代码的位置信息,所述位置信息包括所述插桩代码在所述待分析模型对应的模型代码中插桩的起始行号和终止行号;这种情况下,所述基于所述目标信息执行对所述待分析模型的推理性能分析,包括:
确定插桩代码;
基于所述起始行号和所述终止行号,在所述模型代码中的所述起始行号之前和所述终止行号之后分别插入插桩代码;
在运行所述待分析模型的情况下,基于所述插桩代码,对所述模型代码中位于所述起始行号和所述终止行号之间的代码进行推理性能分析。
作为一种可选的实施方式,用户输入的第一信息可以是插桩代码的位置信息,例如用户的第一输入为所述插桩代码在待分析模型对应的模型代码中插桩的起始行号和终止行号。示例性地,所述方法应用于安装在电子设备中用于进行模型推理性能分析的目标应用程序,所述目标应用程序的输入界面可以是包括用户输入起始行号的第一输入框和用于输入终止行号的第二输入框,进而用户通过在这两个输入框中分别输入起始行号和终止行号,也就能够确定出插桩代码在待分析模型对应的模型代码中的插桩位置。这样,也就无需用户在模型代码中去写入插桩代码,有效节省了用户操作。需要说明的是,所述起始行号和所述终止行号是所述模型代码中的行号。
进一步地,在获取到所述起始行号和所述终止行号后,则在所述模型代码中所述起始行号对应的代码行之前插入插桩代码,以及在所述模型代码中所述终止行号对应的代码行之后插入插桩代码,进而当运行所述待分析模型的情况下,则基于所述插桩代码,对所述模型代码中位于所述起始行号和所述终止行号之间的代码进行推理性能分析。
需要说明的是,所述插桩代码可以是目标应用程序预先已经设定和存储的代码,例如所述插桩代码可以是预先与所述第一输入框和第二输入框关联,基于用户输入的起始行号和终止行号也即能够确定其关联的插桩代码。示例性地,当获取到用户输入到第一输入框中的起始行号,也即能够将第一输入框关联的插桩代码写入到该起始行号之前,当获取到用户输入到第二输入框中的终止行号,将该第二输入框关联的插桩代码写入到该终止行号之后,进而当运行所述待分析模型时,也就能够基于所述第一输入框和第二输入框关联的插桩代码,对所述模型代码中位于所述起始行号和所述终止行号之间的代码进行推理性能分析。
这样,用户可以仅通过输入对应于模型代码的起始行号和终止行号,也就能够确定出插桩代码在模型代码中进行插桩的位置,无需用户再输入插桩代码,有效简化了用户操作,也能够提升模型推理性能分析的效率。
需要说明的是,所述起始行号之前的插桩代码和所述终止行号之后的插桩代码可以是相同的代码,或者也可以是不同的插桩代码。例如,所述起始行号之前的插桩代码用于启动模型推理性能分析,所述终止行号之后的代码用于终止所述模型推理性能分析。另外,所述插桩代码可以是目标应用程序预先已经设定和存储的代码,当获取到用户输入的起始行号和终止行号,也就能够自动将已经设定的插桩代码插入模型代码中。这样,也就无需用户每次插桩时都写入插桩代码,有效简化了用户操作。
可选地,在所述目标信息包括多个插桩代码各自对应的位置信息的情况下,所述在所述模型代码中的所述起始行号之前和所述终止行号之后分别插入插桩代码,包括:
检测所述多个插桩代码各自对应的位置信息是否正确;
在所述多个插桩代码各自对应的位置信息正确的情况下,在所述模型代码中的目标位置处分别插入对应的插桩代码,所述目标位置为所述多个插桩代码各自对应的所述起始行号和所述终止行号。
可以理解地,在模型推理性能分析过程中,可以是对模型代码中的多段代码进行推理性能分析。例如,所述第一输入中可以包括多个插桩代码各自对应的位置信息,也即多个插桩代码各自对应的起始行号和终止行号。这种情况下,则需要检测所述多个插桩代码各自对应的位置信息是否正确。
例如,可以是检测所述多个插桩代码各自的起始行号和终止行号的输入格式是否正确,所述起始行号和终止行号是否超出了模型代码行号的范围等。
在所述多个插桩代码各自对应的位置信息正确的情况下,则在所述模型代码的目标位置处分别插入所述插桩代码,也即所述多个插桩代码各自对应的起始行号之前和终止行号之后插入对应的插桩代码。例如,所述插桩代码包括第一插桩代码和第二插桩代码,第一插桩代码对应的起始行号和终止行号分别为10、20,第二插桩代码对应的起始行号和终止行号分别为35、45,则在模型代码的第10行之前和第20行之后插入所述第一插桩代码,在模型代码的第35行之前和第45行之后插入所述第二插桩代码。可选地,所述第一插桩代码和所述第二插桩代码的内容可以相同,也即所述多个插桩代码的内容可以是相同的。
本公开实施例中,通过在模型代码中的不同位置处分别插入插桩代码,进而也就能够对模型代码的多个代码部分的推理性能进行分析,从而也就能够对待分析模型的不同部分进行推理性能分析,更加有助于用户了解所述待分析模型不同部分的推理性能,帮助用户定位出待分析模型中推理性能需要优化的是哪些部分,有助于用户针对性地对待分析模型进行性能优化。
需要说明的是,在模型代码中插入多个插桩代码的情况下,可以是一个插桩代码对应一份分析结果文件,或者也可以是多个插桩代码对应同一份分析结果文件。
可选地,所述检测所述多个插桩代码各自对应的位置信息是否正确,包括如下至少一项:
针对每个插桩代码,检测该插桩代码各自对应的起始行号和终止行号是否位于所述模型代码对应的行号范围内,其中,在该插桩代码对应的起始行号和终止行号位于所述模型代码对应的行号范围内的情况下,该插桩代码对应的位置信息正确;
针对每个插桩代码,检测该插桩代码对应的起始行号和终止行号所包括的代码范围是否与其他插桩代码对应的起始行号和终止行号所包括的代码范围出现重叠,其中,在未出现重叠的情况下,该插桩代码对应的位置信息正确。
例如,所述插桩代码包括第一插桩代码和第二插桩代码,第一插桩代码对应的起始行号和终止行号分别为10、20,若第二插桩代码对应的起始行号和终止行号分别为15、25,则所述第二插桩代码所包括的代码范围与所述第一插桩代码所包括的代码范围出现了重叠,则这两个插桩代码对应的位置信息是不正确的。
可选地,在所述多个插桩代码各自对应的位置信息不正确的情况下,目标应用程序可以是不运行所述多个插桩代码,或者仅运行位置信息正确的插桩代码。这种情况下,可以是输出提示信息,以提示用户进行位置信息的修正。
进而,通过检测多个插桩代码位置信息是否正确,以确保对所述待分析模型的推理性能分析的正常运行。
本公开实施例中,在所述目标信息包括插桩代码的位置信息,所述位置信息包括所述插桩代码在所述待分析模型对应的模型代码中插桩的起始行号和终止行号的情况下,所述生成分析结果文件,包括:
生成分析结果文件,并将所述分析结果文件中的代码行号转换为所述模型代码未插入所述插桩代码之前的行号。
需要说明地,若所述第一输入中包括插桩代码在所述待分析模型对应的模型代码中插桩的起始行号和终止行号,则会在所述模型代码中所述起始行号对应的代码行之前以及所述终止代码对应的代码行之后插入插桩代码,这样也就会更改原来模型代码中的代码行号。例如,模型代码在未进行插桩前总共包括50行代码,若插入的插桩代码总共为5行,那么模型代码中从所述起始行号开始的代码行号都需要基于插入的插桩代码而变更,并基于变更后的代码行号执行对模型代码的运行。
本公开实施例中,在基于所述目标信息执行对所述待分析模型的推理性能分析的过程中,是基于变更后的代码行号对待分析模型对应的模型代码进行推理性能分析。在生成分析结果文件后,则将所述分析结果文件中的代码行号转换为所述模型代码未插入所述插桩代码之前的行号,进而所述分析结果文件中显示的代码行号是最初始的模型代码行号,这样用户也就能够直观地获知是对所述模型代码中哪些部分的代码进行了推理性能分析,有助于用户快速地定位出推理性能差或者说模型推理耗时长的代码部分,以帮助用户针对性地对待分析模型进行优化。
可选地,在所述目标信息包括插桩代码的位置信息的情况下,所述位置信息还可以基于所述待分析模型对应的模型代码中的函数名确定;这种情况下,所述基于所述目标信息执行对所述待分析模型的推理性能分析,包括:
在所述模型代码中所述函数名对应的函数代码前和所述函数代码后分别插入插桩代码;
在运行所述待分析模型的情况下,基于所述插桩代码,对所述模型代码中所述函数名对应的函数代码进行推理性能分析。
可以理解地,所述模型代码中的代码可以是对应某一种函数。
本公开实施例中,用户的第一输入也可以是直接输入所述模型代码中的函数名,进而目标应用程序也就能够基于所述函数名确定出是对模型代码中与该函数名对应的代码进行插桩。进一步地,基于所述函数名,在所述模型代码中与所述函数名对应的函数代码前和所述函数代码后分别插入插桩代码,当运行所述待分析模型时,则基于所述插桩代码,对所述模型代码中所述函数名对应的函数代码进行推理性能分析。这样,用户仅需通过输入函数名,就能够完成对模型代码中的插桩操作,无需用户在模型代码中输入插桩代码,进而有效简化了用户操作。
需要说明地,用户的第一输入可以是包括多个函数名,则可以是在这些函数名各自对应的函数代码前后分别插入插桩代码,进而以实现对多个函数代码的推理性能分析,更加精简了用户操作。
可选地,所述目标信息还可以是包括针对预先嵌入的性能分析器的启动指令;这种情况下,所述基于所述目标信息执行对所述待分析模型的推理性能分析,包括:
确定预先写入的所述性能分析器对应的目标代码;
在获取到针对所述性能分析器的启动指令的情况下,基于所述启动指令运行所述性能分析器对应的目标代码,以执行对所述待分析模型的推理性能分析。
示例性地,本公开实施例提供的所述方法应用于安装在电子设备中用于进行模型推理性能分析的目标应用程序时,所述目标应用程序中可以是预先嵌入性能分析器(profiler)。例如,所述性能分析器可以是cProfiler、py-spy、Tensorflow Profiler等,本公开实施例对此不作具体限定。需要说明的是,所述性能分析器也是一段运行代码,也即所述目标应用程序中预先写入一段运行代码,以能够执行模型推理性能的分析;所述目标应用程序可以是特定的推理引擎,进而也即在推理引擎中预先写入性能分析器的运行代码。
本公开实施例中,所述第一输入可以是针对所述目标应用程序的请求,该请求中包括用于启动预先嵌入的所述性能分析器的启动指令,则目标应用程序运行所述待分析模型,并基于所述启动指令运行所述性能分析器对应的目标代码,进而以执行对所述待分析模型的推理性能分析。这样,通过预先嵌入的性能分析器,用户仅需输入针对性能分析器的启动指令即可通过目标应用程序实现对模型推理性能的分析,无需用户在每次执行模型性能分析时输入性能分析器的运行代码,有效简化了用户操作,也提升了模型推理性能分析的效率。
可选地,所述目标应用程序在执行对待分析模型的推理性能分析后,生成分析结果文件;所述目标应用程序可以是提供特定接口,用户可以通过该接口来获取所述分析结果文件,进而以方便用户获知待分析模型的推理性能结果,以帮助用户对待分析模型的优化。其中,所述待分析结果可以是有向图或火焰图等可视化分析图。
需要说明的是,所述目标应用程序在嵌入了性能分析器的情况下,只有在接收到了针对所述性能分析器的启动指令的情况下才会启动所述性能分析器,常规情况下(也即未接收到针对所述性能分析器的启动指令的情况下)不会运行所述性能分析器的运行代码。
请参照图2,图2是本公开实施例提供的一种模型推理性能的分析方法的流程图之二,如图2所示,所述方法包括以下步骤:
步骤S201、读取用户输入;
步骤S2021、基于所述用户输入获取起止行号;
步骤S2022、基于所述用户输入获取函数名;
步骤S2031、检查起止行号是否正确;
步骤S2032、若所述起止行号有交叉或者超出范围,则输出报错信息;
步骤S2033、检查函数名是否正确;
步骤S2034、若所述函数名不存在,输出报错信息;
步骤S2035、若所述函数名存在多个,输出报错并打印检测到的函数名对应的行号;
需要说明地,该步骤中,若输出的函数名存在多个,则自动打印检测到的所述函数名对应的所有行号,也即所述函数名对应的多个行号,进而以方便用户能够获知该函数名对应的多个行号分别是哪些。
步骤S204、检查同级目录下是否有指定的文件名;
步骤S2041、若否,则输出报错信息;
步骤S205、插桩,修改指定的文件(也即所述指定的文件名对应的文件);
该步骤中,也即在指定的文件名中基于所述起止行号或函数名进行插桩,也即在起止行号或函数名对应的代码行处插入插桩代码。
步骤S206、执行程序运行命令,生成分析结果文件;
步骤S207、检查分析结果文件数量是否正确;
步骤S2071、对于用户输入为函数名的,若无分析结果文件,则输出提示信息;
步骤S2072、对于用户输入为起止行号的,对于应生成分析结果文件而未生成,自动打印起止行号信息;
步骤S208、修改分析结果文件,恢复原始行号;
该步骤中,也即将所述分析结果文件中的行号修改为所述指定的文件中未进行插桩前的行号,也即修改为所述指定的文件中的原始行号。
步骤S209、生成可视化分析结果图。
本公开实施例中,用户只需提供指定的文件名(也即上述待分析模型的模型名称或模型文件名)以及起止行号或函数名,即可完成插桩并运行对指定文件的推理性能分析,有效简化了用户操作。
需要说明地,本公开实施例中所涉及的相关概念及具体实现流程可以是参照上述图1所述实施例中的具体描述,本公开实施例同样能够达到上述实施例中的有益效果,为避免重复,此处不再赘述。
请参照图3,图3是应用本公开实施例提供的一种模型推理性能的分析方法的应用场景示意图,如图3所示,在线模型推理服务(也即图1所述实施例中的目标应用程序)包括预先嵌入的性能分析器(profiler),用户可通过开关控制性能分析器是否开启,当获取到用户针对所述性能分析器的启动指令,则在线模型推理服务运行所述性能分析器,并生成分析结果。进一步地,所述在线模型推理服务提供接口,用户可通过该接口获取所述分析结果。本公开实施例中,性能分析器内置于在线模型推理服务中,用户只需调用接口控制性能分析器开关即可启动性能分析器,进而以实现对模型推理性能的分析并生成分析结果,无需用户再学习性能分析器的原理及使用方法,有效简化了用户操作,也提升了模型推理性能分析的效率。
需要说明地,本公开实施例中所涉及的相关概念及具体实现流程可以是参照上述图1所述实施例中的具体描述,本公开实施例同样能够达到上述实施例中的有益效果,为避免重复,此处不再赘述。
本公开实施例还提供了一种模型推理性能的分析装置,请参照图4,所述模型推理性能的分析装置400包括:
确定模块401,用于确定待分析模型;
获取模块402,用于接收第一输入,并获取所述第一输入中的目标信息,所述目标信息包括插桩代码的位置信息或针对预先嵌入的性能分析器的启动指令;
分析模块403,用于基于所述目标信息执行对所述待分析模型的推理性能分析,并生成分析结果文件。
可选地,所述目标信息包括插桩代码的位置信息,所述位置信息包括所述插桩代码在所述待分析模型对应的模型代码中插桩的起始行号和终止行号;请进一步参照图5,所述分析模块403包括:
确定单元4031,用于确定插桩代码;
插入单元4032,用于基于所述起始行号和所述终止行号,在所述模型代码中的所述起始行号之前和所述终止行号之后分别插入所述插桩代码;
分析单元4033,用于在运行所述待分析模型的情况下,基于所述插桩代码,对所述模型代码中位于所述起始行号和所述终止行号之间的代码进行推理性能分析。
可选地,在所述目标信息包括多个插桩代码各自对应的位置信息的情况下,所述插入单元4032还用于:
检测所述多个插桩代码各自对应的位置信息是否正确;
在所述多个插桩代码各自对应的位置信息正确的情况下,在所述模型代码中的目标位置处分别插入对应的插桩代码,所述目标位置为所述多个插桩代码各自对应的所述起始行号和所述终止行号。
可选地,所述插入单元4032还用于执行如下至少一项:
针对每个插桩代码,检测该插桩代码对应的起始行号和终止行号是否位于所述模型代码对应的行号范围内,其中,在该插桩代码对应的起始行号和终止行号位于所述模型代码对应的行号范围内的情况下,该插桩代码对应的位置信息正确;
针对每个插桩代码,检测该插桩代码对应的起始行号和终止行号所包括的代码范围是否与其他插桩代码对应的起始行号和终止行号所包括的代码范围出现重叠,其中,在未出现重叠的情况下,该插桩代码对应的位置信息正确。
可选地,所述分析模块403还用于:
生成分析结果文件,并将所述分析结果文件中的代码行号转换为所述模型代码未插入所述插桩代码之前的行号。
可选地,所述目标信息包括插桩代码的位置信息,所述位置信息基于所述待分析模型对应的模型代码中的函数名确定;所述分析模块403还用于:
在所述模型代码中所述函数名对应的函数代码前和所述函数代码后分别插入插桩代码;
在运行所述待分析模型的情况下,基于所述插桩代码,对所述模型代码中所述函数名对应的函数代码进行推理性能分析。
可选地,所述目标信息包括针对预先嵌入的性能分析器的启动指令;所述分析模块403还用于:
确定预先写入的所述性能分析器对应的目标代码;
在获取到针对所述性能分析器的启动指令的情况下,基于所述启动指令运行所述性能分析器对应的目标代码,以执行对所述待分析模型的推理性能分析。
本公开实施例中,所述模型推理性能的分析装置400能够基于插桩代码或性能分析器自动实现对待分析模型的推理性能分析,无需用户针对每个待分析模型逐个在模型代码中写入实现推理性能分析的代码或相关性能分析工具,有效节省了用户模型推理性能分析的操作时间,也提升了对模型推理性能分析的效率。
本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
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6示出了可以用来实施本公开的实施例的示例电子设备600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6所示,设备600包括计算单元601,其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序,来执行各种适当的动作和处理。在RAM 603中,还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605,包括:输入单元606,例如键盘、鼠标等;输出单元607,例如各种类型的显示器、扬声器等;存储单元608,例如磁盘、光盘等;以及通信单元609,例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600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601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601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601执行上文所描述的各个方法和处理,例如模型推理性能的分析方法。例如,在一些实施例中,模型推理性能的分析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608。在一些实施例中,计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时,可以执行上文描述的模型推理性能的分析方法的一个或多个步骤。备选地,在其他实施例中,计算单元601可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行模型推理性能的分析方法。
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,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。
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)
1.一种模型推理性能的分析方法,包括:
确定待分析模型;
接收第一输入,并获取所述第一输入中的目标信息,所述目标信息包括插桩代码的位置信息或针对预先嵌入的性能分析器的启动指令;
基于所述目标信息执行对所述待分析模型的推理性能分析,并生成分析结果文件。
2.根据权利要求1所述的方法,其中,所述目标信息包括插桩代码的位置信息,所述位置信息包括所述插桩代码在所述待分析模型对应的模型代码中插桩的起始行号和终止行号;
所述基于所述目标信息执行对所述待分析模型的推理性能分析,包括:
确定插桩代码;
基于所述起始行号和所述终止行号,在所述模型代码中的所述起始行号之前和所述终止行号之后分别插入所述插桩代码;
在运行所述待分析模型的情况下,基于所述插桩代码,对所述模型代码中位于所述起始行号和所述终止行号之间的代码进行推理性能分析。
3.根据权利要求2所述的方法,其中,在所述目标信息包括多个插桩代码各自对应的位置信息的情况下,所述在所述模型代码中的所述起始行号之前和所述终止行号之后分别插入插桩代码,包括:
检测所述多个插桩代码各自对应的位置信息是否正确;
在所述多个插桩代码各自对应的位置信息正确的情况下,在所述模型代码中的目标位置处分别插入对应的插桩代码,所述目标位置为所述多个插桩代码各自对应的所述起始行号和所述终止行号。
4.根据权利要求3所述的方法,其中,所述检测所述多个插桩代码各自对应的位置信息是否正确,包括如下至少一项:
针对每个插桩代码,检测该插桩代码对应的起始行号和终止行号是否位于所述模型代码对应的行号范围内,其中,在该插桩代码对应的起始行号和终止行号位于所述模型代码对应的行号范围内的情况下,该插桩代码对应的位置信息正确;
针对每个插桩代码,检测该插桩代码对应的起始行号和终止行号所包括的代码范围是否与其他插桩代码对应的起始行号和终止行号所包括的代码范围出现重叠,其中,在未出现重叠的情况下,该插桩代码对应的位置信息正确。
5.根据权利要求2所述的方法,其中,所述生成分析结果文件,包括:
生成分析结果文件,并将所述分析结果文件中的代码行号转换为所述模型代码未插入所述插桩代码之前的行号。
6.根据权利要求1所述的方法,其中,所述目标信息包括插桩代码的位置信息,所述位置信息基于所述待分析模型对应的模型代码中的函数名确定;
所述基于所述目标信息执行对所述待分析模型的推理性能分析,包括:
在所述模型代码中所述函数名对应的函数代码前和所述函数代码后分别插入插桩代码;
在运行所述待分析模型的情况下,基于所述插桩代码,对所述模型代码中所述函数名对应的函数代码进行推理性能分析。
7.根据权利要求1所述的方法,其中,所述目标信息包括针对预先嵌入的性能分析器的启动指令;
所述基于所述目标信息执行对所述待分析模型的推理性能分析,包括:
确定预先写入的所述性能分析器对应的目标代码;
在获取到针对所述性能分析器的启动指令的情况下,基于所述启动指令运行所述性能分析器对应的目标代码,以执行对所述待分析模型的推理性能分析。
8.一种模型推理性能的分析装置,包括:
确定模块,用于确定待分析模型;
获取模块,用于接收第一输入,并获取所述第一输入中的目标信息,所述目标信息包括插桩代码的位置信息或针对预先嵌入的性能分析器的启动指令;
分析模块,用于基于所述目标信息执行对所述待分析模型的推理性能分析,并生成分析结果文件。
9.根据权利要求8所述的装置,其中,所述目标信息包括插桩代码的位置信息,所述位置信息包括所述插桩代码在所述待分析模型对应的模型代码中插桩的起始行号和终止行号;所述分析模块包括:
确定单元,用于确定插桩代码;
插入单元,用于基于所述起始行号和所述终止行号,在所述模型代码中的所述起始行号之前和所述终止行号之后分别插入所述插桩代码;
分析单元,用于在运行所述待分析模型的情况下,基于所述插桩代码,对所述模型代码中位于所述起始行号和所述终止行号之间的代码进行推理性能分析。
10.根据权利要求9所述的装置,其中,在所述目标信息包括多个插桩代码各自对应的位置信息的情况下,所述插入单元还用于:
检测所述多个插桩代码各自对应的位置信息是否正确;
在所述多个插桩代码各自对应的位置信息正确的情况下,在所述模型代码中的目标位置处分别插入对应的插桩代码,所述目标位置为所述多个插桩代码各自对应的所述起始行号和所述终止行号。
11.根据权利要求10所述的装置,其中,所述插入单元还用于执行如下至少一项:
针对每个插桩代码,检测该插桩代码对应的起始行号和终止行号是否位于所述模型代码对应的行号范围内,其中,在该插桩代码对应的起始行号和终止行号位于所述模型代码对应的行号范围内的情况下,该插桩代码对应的位置信息正确;
针对每个插桩代码,检测该插桩代码对应的起始行号和终止行号所包括的代码范围是否与其他插桩代码对应的起始行号和终止行号所包括的代码范围出现重叠,其中,在未出现重叠的情况下,该插桩代码对应的位置信息正确。
12.根据权利要求9所述的装置,其中,所述分析模块还用于:
生成分析结果文件,并将所述分析结果文件中的代码行号转换为所述模型代码未插入所述插桩代码之前的行号。
13.根据权利要求8所述的装置,其中,所述目标信息包括插桩代码的位置信息,所述位置信息基于所述待分析模型对应的模型代码中的函数名确定;所述分析模块还用于:
在所述模型代码中所述函数名对应的函数代码前和所述函数代码后分别插入插桩代码;
在运行所述待分析模型的情况下,基于所述插桩代码,对所述模型代码中所述函数名对应的函数代码进行推理性能分析。
14.根据权利要求8所述的装置,其中,所述目标信息包括针对预先嵌入的性能分析器的启动指令;所述分析模块还用于:
确定预先写入的所述性能分析器对应的目标代码;
在获取到针对所述性能分析器的启动指令的情况下,基于所述启动指令运行所述性能分析器对应的目标代码,以执行对所述待分析模型的推理性能分析。
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1-7中任一项所述的方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-7中任一项所述的方法。
17.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211195746.3A CN115562962A (zh) | 2022-09-28 | 2022-09-28 | 模型推理性能的分析方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211195746.3A CN115562962A (zh) | 2022-09-28 | 2022-09-28 | 模型推理性能的分析方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115562962A true CN115562962A (zh) | 2023-01-03 |
Family
ID=84743613
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211195746.3A Pending CN115562962A (zh) | 2022-09-28 | 2022-09-28 | 模型推理性能的分析方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115562962A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116974922A (zh) * | 2023-07-25 | 2023-10-31 | 摩尔线程智能科技(北京)有限责任公司 | 深度学习模型的性能分析方法、装置、设备和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030046667A1 (en) * | 2001-08-30 | 2003-03-06 | International Business Machines Corporation | Method and system for obtaining performance data from software compiled with or without trace hooks |
CN1949185A (zh) * | 2005-10-13 | 2007-04-18 | 同济大学 | 异构环境下支持多语言多平台的并行调试及性能分析方法 |
CN102222041A (zh) * | 2011-06-15 | 2011-10-19 | 深圳市运通信息技术有限公司 | 一种基于嵌入式软件的测试分析系统及方法 |
CN111654691A (zh) * | 2020-05-21 | 2020-09-11 | Oppo(重庆)智能科技有限公司 | 一种性能测试方法、装置、计算机存储介质及系统 |
-
2022
- 2022-09-28 CN CN202211195746.3A patent/CN115562962A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030046667A1 (en) * | 2001-08-30 | 2003-03-06 | International Business Machines Corporation | Method and system for obtaining performance data from software compiled with or without trace hooks |
CN1949185A (zh) * | 2005-10-13 | 2007-04-18 | 同济大学 | 异构环境下支持多语言多平台的并行调试及性能分析方法 |
CN102222041A (zh) * | 2011-06-15 | 2011-10-19 | 深圳市运通信息技术有限公司 | 一种基于嵌入式软件的测试分析系统及方法 |
CN111654691A (zh) * | 2020-05-21 | 2020-09-11 | Oppo(重庆)智能科技有限公司 | 一种性能测试方法、装置、计算机存储介质及系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116974922A (zh) * | 2023-07-25 | 2023-10-31 | 摩尔线程智能科技(北京)有限责任公司 | 深度学习模型的性能分析方法、装置、设备和存储介质 |
CN116974922B (zh) * | 2023-07-25 | 2024-05-17 | 摩尔线程智能科技(北京)有限责任公司 | 深度学习模型的性能分析方法、装置、设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113287096A (zh) | 用于失败代码验证的测试结果分类 | |
CN115562962A (zh) | 模型推理性能的分析方法、装置及电子设备 | |
JP7231664B2 (ja) | 脆弱性特徴の取得方法、装置及び電子機器 | |
CN112988578A (zh) | 一种自动化测试方法和装置 | |
CN116501378A (zh) | 一种逆向工程还原源代码的实现方法、装置和电子设备 | |
CN112861138A (zh) | 软件安全性分析方法及分析装置、电子设备及存储介质 | |
CN115061921A (zh) | 自动测试方法、装置、电子设备及可读存储介质 | |
CN116069650A (zh) | 一种测试用例的生成方法及装置 | |
CN115328736A (zh) | 一种探针部署方法、装置、设备和存储介质 | |
CN114741294A (zh) | 一种页面的调试方法、装置、设备及存储介质 | |
CN114579095A (zh) | 一种基于AspectJ实现AOP的开发方法、装置、设备及介质 | |
CN112783574A (zh) | 应用程序开发方法、装置、设备和存储介质 | |
CN111309311A (zh) | 一种漏洞检测工具生成方法、装置、设备及可读存储介质 | |
JP6828823B2 (ja) | 知識生成装置、知識生成方法、及びプログラム | |
JP2018121245A (ja) | 通信装置、通信仕様差分抽出方法及び通信仕様差分抽出プログラム | |
CN116974940A (zh) | 一种接口测试方法、装置、设备及存储介质 | |
CN117075861A (zh) | 一种背光模块的构建方法、装置、设备及介质 | |
CN115878362A (zh) | 一种操作系统异常定位方法、装置、设备及存储介质 | |
CN115374010A (zh) | 功能测试方法、装置、设备及存储介质 | |
CN115438608A (zh) | 参数敏感性检查方法、系统、设备和计算机可读存储介质 | |
CN114064002A (zh) | 软件开发工具包的生成方法、装置、设备以及存储介质 | |
CN114661297A (zh) | 代码数据处理方法、装置、电子设备和存储介质 | |
CN114253633A (zh) | 接口调用方法、装置、电子设备以及存储介质 | |
CN114968261A (zh) | 应用程序编译方法和装置 | |
CN117951024A (zh) | 一种app兼容性测试方法、装置、设备及介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230103 |