CN116402165B - 一种算子检测的方法、装置、存储介质以及电子设备 - Google Patents
一种算子检测的方法、装置、存储介质以及电子设备 Download PDFInfo
- Publication number
- CN116402165B CN116402165B CN202310669720.6A CN202310669720A CN116402165B CN 116402165 B CN116402165 B CN 116402165B CN 202310669720 A CN202310669720 A CN 202310669720A CN 116402165 B CN116402165 B CN 116402165B
- Authority
- CN
- China
- Prior art keywords
- operator
- data
- check data
- detected
- search
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 71
- 238000003860 storage Methods 0.000 title claims description 21
- 238000012545 processing Methods 0.000 claims abstract description 76
- 238000000034 method Methods 0.000 claims description 55
- 238000012795 verification Methods 0.000 claims description 45
- 238000004364 calculation method Methods 0.000 claims description 38
- 238000006243 chemical reaction Methods 0.000 claims description 19
- 238000013136 deep learning model Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 15
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 13
- 238000012360 testing method Methods 0.000 description 10
- 230000006872 improvement Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 230000002441 reversible effect Effects 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013506 data mapping Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000000275 quality assurance Methods 0.000 description 1
- 230000008929 regeneration Effects 0.000 description 1
- 238000011069 regeneration method Methods 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F7/00—Methods or arrangements for processing data by operating upon the order or content of the data handled
- G06F7/02—Comparing digital values
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F7/00—Methods or arrangements for processing data by operating upon the order or content of the data handled
- G06F7/22—Arrangements for sorting or merging computer data on continuous record carriers, e.g. tape, drum, disc
- G06F7/24—Sorting, i.e. extracting data from one or more carriers, rearranging the data in numerical or other ordered sequence, and rerecording the sorted data on the original carrier or on a different carrier or set of carriers sorting methods in general
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Debugging And Monitoring (AREA)
Abstract
本说明书公开了一种算子检测的方法、装置、存储介质以及电子设备,本说明书提供的算子检测方法可以获取待检测算子,将校验数据输入到该待检测算子中,得到该待检测算子输出的第一结果,以及将该校验数据输入到确定出的与待检测算子对应的至少一个参考算子中,得到经过至少一个参考算子对校验数据进行数据处理后所得到的第二结果,最后,根据第一结果以及所述第二结果,对待检测算子进行检测,本方法通过确定出和待检测算子功能相符的参考算子,并通过相同的校验数据分别输入到待检测算子和参考算子,从而通过将得出的结果进行对比,可以对待检测算子进行检测,提高了深度学习模型中算子的功能准确性。
Description
技术领域
本说明书涉及人工智能领域,尤其涉及一种算子检测的方法、装置、存储介质以及电子设备。
背景技术
随着机器学习等人工智能技术的发展,扮演AI时代操作系统角色的深度学习框架越来越多的受到关注和重视。深度学习框架的质量保障对于深度学习模型的正确预测至关重要。
为了保证深度学习模型在训练和预测过程中的精度要求,深度学习框架必须能够提供具有足够精度的算子。然而,目前没有有效地的方式,对运行深度学习模型所需的算子进行检测。
发明内容
本说明书提供一种算子检测的方法、装置、存储介质以及电子设备,以部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案:
本说明书提供了一种算子检测的方法,包括:
获取待检测算子;
将校验数据输入到所述待检测算子中,得到所述待检测算子输出的第一结果,以及将所述校验数据输入到确定出的与所述待检测算子对应的至少一个参考算子中,得到经过所述至少一个参考算子对所述校验数据进行数据处理后所得到的第二结果;
根据所述第一结果以及所述第二结果,对所述待检测算子进行检测。
可选地,确定与所述待检测算子对应的至少一个参考算子,具体包括:
对所述待检测算子进行解析,确定所述待检测算子的计算逻辑信息;
根据所述计算逻辑信息,确定出构建所述计算逻辑信息对应计算逻辑所需的各基础算子;
将所述各基础算子确定为与所述待检测算子对应的至少一个参考算子。
可选地,将所述校验数据输入到确定出的与所述待检测算子对应的至少一个参考算子中,得到经过所述至少一个参考算子对所述校验数据进行数据处理后所得到的第二结果,具体包括:
按照所述计算逻辑信息对应的计算逻辑,将所述各基础算子进行排序,得到算子序列;
将所述校验数据输入到所述算子序列中,得到经过所述算子序列对所述校验数据进行数据处理后所得到的第二结果。
可选地,确定与所述待检测算子对应的至少一个参考算子,具体包括:
从预设的算子检测平台中查询出与所述待检测算子功能相符的参考算子。
可选地,将所述校验数据输入到确定出的与所述待检测算子对应的至少一个参考算子中,得到经过所述至少一个参考算子对所述校验数据进行数据处理后所得到的第二结果,具体包括:
在所述算子检测平台中调用所述参考算子,以将所述校验数据输入到所述参考算子中,得到经过所述参考算子对所述校验数据进行数据处理后所得到的第二结果。
可选地,在所述算子检测平台中调用所述参考算子,以将所述校验数据输入到所述参考算子中,得到经过所述算子对所述校验数据进行数据处理后所得到的第二结果,具体包括:
确定所述校验数据的数据描述信息,所述数据描述信息用于描述所述校验数据的数据格式以及数据精度;
根据所述数据描述信息以及所述算子检测平台所要求的输入到算子中的数据格式,对所述校验数据进行格式转换,并在所述算子检测平台中调用所述参考算子,以将经过格式转换后的校验数据输入到所述参考算子中,得到经过所述参考算子对经过格式转换后的校验数据进行数据处理后所得到的第二结果;
根据所述第一结果以及所述第二结果,对所述待检测算子进行检测,具体包括:
根据所述数据描述信息,对所述第二结果进行转换,并根据所述第一结果以及转换后的第二结果,对所述待检测算子进行检测。
可选地,将校验数据输入到所述待检测算子中,得到所述待检测算子输出的第一结果,具体包括:
确定校验数据对,所述校验数据对中包含有两个不同的校验数据;
将所述校验数据对中所包含的校验数据分别输入到所述待检测算子中,以分别得到所述待检测算子输出的所述校验数据对中包含的各校验数据对应的第一结果;
将所述校验数据输入到确定出的与所述待检测算子对应的至少一个参考算子中,得到经过所述至少一个参考算子对所述校验数据进行数据处理后所得到的第二结果,具体包括:
将所述校验数据对中所包含的校验数据分别输入到所述至少一个参考算子中,分别得到经过所述至少一个参考算子的数据处理后所得到的所述校验数据对中包含的各校验数据对应的第二结果;
根据所述第一结果以及所述第二结果,对所述待检测算子进行检测,具体包括:
根据所述待检测算子输出的所述校验数据对中包含的各校验数据对应的第一结果,确定各校验数据对应的第一结果之间的偏差,作为第一结果偏差,以及确定各校验数据之间的偏差,作为校验数据偏差,并根据所述校验数据偏差以及所述第一结果偏差,确定经过所述待检测算子对所述校验数据对进行数据处理后所得到的梯度信息,作为第一梯度信息;
根据经过所述至少一个参考算子的数据处理后所得到的所述校验数据对中包含的各校验数据对应的第二结果,确定各校验数据对应的第二结果之间的偏差,作为第二结果偏差,并根据所述第二结果偏差以及所述校验数据偏差,确定经过所述至少一个参考算子对所述校验数据对进行数据处理后所得到的梯度信息,作为第二梯度信息;
根据所述第一梯度信息以及所述第二梯度信息,对所述待检测算子进行检测。
可选地,确定校验数据对,具体包括:
获取基础校验数据;
通过搜索出的数据步长,对所述基础校验数据进行调整,以得到校验数据对,其中,所述校验数据对中包含的两个校验数据不同,且与所述基础校验数据之间的数据步长相同。
可选地,搜索数据步长,具体包括:
确定搜索数据对,所述搜索数据对中包含有两个不同的搜索数据;
将所述搜索数据对中所包含的搜索数据分别输入到所述待检测算子中,以分别得到所述待检测算子输出的所述搜索数据对中包含的各搜索数据对应的结果;
根据所述待检测算子输出的所述搜索数据对中包含的各搜索数据对应的结果,确定各搜索数据对应的结果之间的偏差,作为搜索结果偏差,以及确定各搜索数据之间的偏差,作为搜索数据偏差,并根据所述搜索数据偏差以及所述搜索结果偏差,确定经过所述待检测算子对所述搜索数据对进行数据处理后所得到的梯度信息,作为搜索梯度信息;
判断所述搜索梯度信息是否满足预设条件,并在确定所述搜索梯度信息不满足所述预设条件时,进行数据步长搜索,以确定出得到满足所述预设条件的搜索梯度信息时所采用的数据步长。
可选地,所述待检测算子包括:用于运行深度学习模型所需的算子。
本说明书提供了一种算子检测的装置,包括:
获取模块,用于获取待检测算子;
输入模块,用于将校验数据输入到所述待检测算子中,得到所述待检测算子输出的第一结果,以及将所述校验数据输入到确定出的与所述待检测算子对应的至少一个参考算子中,得到经过所述至少一个参考算子对所述校验数据进行数据处理后所得到的第二结果;
检测模块,用于根据所述第一结果以及所述第二结果,对所述待检测算子进行检测。
可选地,所述输入模块具体用于,对所述待检测算子进行解析,确定所述待检测算子的计算逻辑信息;根据所述计算逻辑信息,确定出构建所述计算逻辑信息对应计算逻辑所需的各基础算子;将所述各基础算子确定为与所述待检测算子对应的至少一个参考算子。
可选地,所述输入模块具体用于,按照所述计算逻辑信息对应的计算逻辑,将所述各基础算子进行排序,得到算子序列;将所述校验数据输入到所述算子序列中,得到经过所述算子序列对所述校验数据进行数据处理后所得到的第二结果。
可选地,所述输入模块具体用于,从预设的算子检测平台中查询出与所述待检测算子功能相符的参考算子。
可选地,所述输入模块具体用于,在所述算子检测平台中调用所述参考算子,以将所述校验数据输入到所述参考算子中,得到经过所述参考算子对所述校验数据进行数据处理后所得到的第二结果。
可选地,所述输入模块具体用于,确定所述校验数据的数据描述信息,所述数据描述信息用于描述所述校验数据的数据格式以及数据精度;根据所述数据描述信息以及所述算子检测平台所要求的输入到算子中的数据格式,对所述校验数据进行格式转换,并在所述算子检测平台中调用所述参考算子,以将经过格式转换后的校验数据输入到所述参考算子中,得到经过所述参考算子对经过格式转换后的校验数据进行数据处理后所得到的第二结果;
所述检测模块具体用于,根据所述数据描述信息,对所述第二结果进行转换,并根据所述第一结果以及转换后的第二结果,对所述待检测算子进行检测。
可选地,所述输入模块具体用于,确定校验数据对,所述校验数据对中包含有两个不同的校验数据;将所述校验数据对中所包含的校验数据分别输入到所述待检测算子中,以分别得到所述待检测算子输出的所述校验数据对中包含的各校验数据对应的第一结果;
所述输入模块具体用于,将所述校验数据对中所包含的校验数据分别输入到所述至少一个参考算子中,分别得到经过所述至少一个参考算子的数据处理后所得到的所述校验数据对中包含的各校验数据对应的第二结果;
所述检测模块具体用于,根据所述待检测算子输出的所述校验数据对中包含的各校验数据对应的第一结果,确定各校验数据对应的第一结果之间的偏差,作为第一结果偏差,以及确定各校验数据之间的偏差,作为校验数据偏差,并根据所述校验数据偏差以及所述第一结果偏差,确定经过所述待检测算子对所述校验数据对进行数据处理后所得到的梯度信息,作为第一梯度信息;根据经过所述至少一个参考算子的数据处理后所得到的所述校验数据对中包含的各校验数据对应的第二结果,确定各校验数据对应的第二结果之间的偏差,作为第二结果偏差,并根据所述第二结果偏差以及所述校验数据偏差,确定经过所述至少一个参考算子对所述校验数据对进行数据处理后所得到的梯度信息,作为第二梯度信息;根据所述第一梯度信息以及所述第二梯度信息,对所述待检测算子进行检测。
可选地,所述装置还包括:
确定模块,用于获取基础校验数据;通过搜索出的数据步长,对所述基础校验数据进行调整,以得到校验数据对,其中,所述校验数据对中包含的两个校验数据不同,且与所述基础校验数据之间的数据步长相同。
可选地,所述装置还包括:
搜索模块,用于确定搜索数据对,所述搜索数据对中包含有两个不同的搜索数据;将所述搜索数据对中所包含的搜索数据分别输入到所述待检测算子中,以分别得到所述待检测算子输出的所述搜索数据对中包含的各搜索数据对应的结果;根据所述待检测算子输出的所述搜索数据对中包含的各搜索数据对应的结果,确定各搜索数据对应的结果之间的偏差,作为搜索结果偏差,以及确定各搜索数据之间的偏差,作为搜索数据偏差,并根据所述搜索数据偏差以及所述搜索结果偏差,确定经过所述待检测算子对所述搜索数据对进行数据处理后所得到的梯度信息,作为搜索梯度信息;判断所述搜索梯度信息是否满足预设条件,并在确定所述搜索梯度信息不满足所述预设条件时,进行数据步长搜索,以确定出得到满足所述预设条件的搜索梯度信息时所采用的数据步长。
可选地,所述待检测算子包括:用于运行深度学习模型所需的算子。
本说明书提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述算子检测的方法。
本说明书提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述算子检测的方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果:
从上述方法中可以看出,本说明书提供的算子检测的方法中,可以获取待检测算子,将校验数据输入到该待检测算子中,得到该待检测算子输出的第一结果,以及将该校验数据输入到确定出的与待检测算子对应的至少一个参考算子中,得到经过至少一个参考算子对校验数据进行数据处理后所得到的第二结果,最后,根据第一结果以及所述第二结果,对待检测算子进行检测。
从上述内容中可以看出,本说明书中提供的算子检测的方法,可以通过确定出和待检测算子功能相符的参考算子,并通过相同的校验数据分别输入到待检测算子和参考算子,从而通过将得出的结果进行对比,可以对待检测算子进行检测,提高了深度学习模型中算子的功能准确性。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,本说明书的示意性实施例及其说明用于解释本说明书,并不构成对本说明书的不当限定。在附图中:
图1为本说明书中提供的一种算子检测的方法的流程示意图;
图2为本说明书提供的一种基础算子与待检测算子之间的关系的示意图;
图3为本说明书提供的一种搜索数据步长的示意图;
图4为本说明书提供的一种算子检测的装置的示意图;
图5为本说明书中提供的一种对应于图1的电子设备的结构示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,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,都属于本说明书保护的范围。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
图1为本说明书中提供的一种算子检测的方法的流程示意图,包括以下步骤:
S101:获取待检测算子。
本说明书提供的模型训练的方法的执行主体可以是诸如台式电脑、笔记本电脑等终端设备,也可以是服务器,而除此之外,本说明书的执行主体也可以软件形式的主体,如安装在终端设备中的客户端,或是能够在线进行登录的线上平台。而为了便于说明,本说明书仅以终端设备为执行主体,对所提供的模型训练方法进行说明。
为了保证用于运行深度学习模型的算子的算子精度以及计算逻辑是否正确,需要对这些算子中的至少部分进行算子检测,所以,在本说明书中,终端设备可以先获取到这些待检测算子。
其中,终端设备可以根据用户的输入,来获取待检测算子,也可以在用户将深度学习模型部署在终端设备中后,终端设备自动识别出运行深度学习模型所需的算子,并将识别出的算子作为待检测算子。
当然,需要说明的是,待检测算子除了可以是用于运行深度学习模型所需的算子外,也可以是执行非深度学习模型的计算任务所需的算子,所以,本说明书提供的算子检测的方法实际上可以视为一种检测算子的通用方法,并不一定要局限于对用于运行深度学习模型的算子进行检测。
S102:将校验数据输入到所述待检测算子中,得到所述待检测算子输出的第一结果,以及将所述校验数据输入到确定出的与所述待检测算子对应的至少一个参考算子中,得到经过所述至少一个参考算子对所述校验数据进行数据处理后所得到的第二结果。
S103:根据所述第一结果以及所述第二结果,对所述待检测算子进行检测。
获取到待检测算子后,可以将校验数据输入到该待检测算子中,得到该检测算子输出的第一结果,以及将该校验数据输入到确定出的与该待检测算子对应的至少一个参考算子中,得到经过至少一个参考算子对校验数据进行数据处理所得到的第二结果。
而后,可以通过第一结果以及第二结果,对待检测算子进行检测,以保证待检测算子功能上的准确性。在第一结果和第二结果之间的差异不大于预设差异程度时,可以确定待检测算子通过检测。
其中,参考算子的获取方式可以存在多种。具体的,可以对待检测算子进行解析,确定所述待检测算子的计算逻辑信息,根据计算逻辑信息,确定出构建计算逻辑信息对应计算逻辑所需的各基础算子,将各基础算子确定为与待检测算子对应的至少一个参考算子。下面针对待检测算子与基础算子之间的关系进行举例说明。
图2为本说明书提供的一种基础算子与待检测算子之间的关系的示意图。
图2中的算子a、算子b、算子c、算子d和算子e可以理解为是诸如add、dot等基础算子,这些基础算子能够实现最基础的运算功能,而算子α、算子β、算子γ以及算子δ可以理解成相对算子a~e较为复杂,能够实现一些相对复杂功能的算子,如、transpose、slice、dotnorm2等。
算子A、算子B和算子C可以理解成是功能更为复杂的算子,也即可以视为上述提到的待检测算子。
以图2中待检测算子B为例,基础算子b和基础算子c可以构成计算逻辑更为复杂的算子β,基础算子d可以构成计算逻辑更为复杂的算子γ,而算子β和算子γ则可以构成计算逻辑更为复杂的待检测算子B。
可见,在上述示例中,相对于待检测算子B,实际上算子b、算子c、算子d、算子β和算子γ,均可以视为是能够支撑待检测算子B计算逻辑的基础算子。所以,在对待检测算子进行检测的过程中,实际上可以将算子b、算子c和算子d这些基础算子视为是确定出与待检测算子对应的至少一个参考算子,当然,也可以将算子β和算子γ视为基础算子,并将基础算子β和基础算子γ视为是确定出的与待检测算子对应的至少一个参考算子。
换个角度来说,实际上可以理解成待检测算子所具备负责的计算逻辑是有一些能够提供简单计算逻辑的基础算子组合而成的,所以,后续通过这些作为参考算子的基础算子来得到校验数据对应的第二结果,实际上就是用这些提供简单计算逻辑的基础算子来复现待检测算子的功能,来对校验数据进行处理,得到第二结果。
当然,若待检测算子本身为基础算子,则可以直接通过与其相符的参考算子来对该待检测算子进行检测,如add、dot等,如distribution相关算子,可通过一些统计值如mean、variance、entropy的对比进行算子正确性的辅证。对于一些维度差异而有不同特性的待检测算子,如conv1d、conv2d、conv3d等操作可先进行原子(基础算子)的封装(),然后实现封装接口的多态调用(/>),即,对于这种待检测算子,也是需要通过多个基础算子作为参考算子,来对该待检测算子进行检测。
需要说明的是,需要按照待检测算子的计算逻辑信息,将各基础算子进行排序,得到算子序列;并将校验数据输入到该算子序列中,得到经过该算子序列对该校验数据进行数据处理后所得到的第二结果。
也就是说,计算逻辑信息可以表示待检测算子中包含的计算逻辑,例如,待检测算子中可以包括先对输入的数据先进行求和运算,再进行求积运算,计算逻辑包含了这两种运算类型和运算的顺序。上述提到的按照计算逻辑信息,将各基础算子进行排序,即是为了按照一定的运算逻辑,将基础算子进行排序,以使得到的算子序列能够达到与待检测算子功能相似的目的,因此,将校验数据输入到算子序列中得到的第二结果,可以与第一结果进行对比,从而对待检测算子进行检测。
当然,还可以存在其他方式确定出参考算子,具体的,可以从预设的算子检测平台中查询出与待检测算子功能相符的参考算子,也就是说,存在一些第三方平台提供各类与深度学习模型相关的算子,可以从这类平台中进行查询,得到参考算子。并且,这类平台提供调用算子的功能,可以终端设备可以通过算子检测平台调用参考算子,以将该校验数据输入到参考算子中,得到经过参考算子对校验数据进行数据处理后所得到的第二结果。
另外,算子检测平台所提供的算子与终端设备原本使用的算子之间肯定存在一定的数据格式上或者数据精度上的差异。
因此,可以确定该校验数据的数据描述信息,该数据描述信息用于描述该校验数据的数据格式以及数据精度,而后,可以根据该数据描述信息以及上述算子检测平台所要求的输入到算子中的数据格式,对校验数据进行格式转换。
在该算子检测平台中调用参考算子,以将经过格式转换后的校验数据输入到参考算子中,得到经过参考算子对经过格式转换后的校验数据进行数据处理后所得到的第二结果。
而后,可以根据该数据描述信息,对第二结果进行转换,并根据第一结果以及转换后的第二结果,对待检测算子进行检测。
也就是说,可以先将校验数据转换到参考算子所需的数据格式和数据精度下,得到经过格式转换后的校验数据输入参考算子,得到参考算子输出的第二结果。
需要说明的是,第二结果符合参考算子的数据格式和数据精度,但是可能不符合待检测算子的数据格式和数据精度,因此,上述提到的数据描述信息除校验数据的数据精度和数据格式外,还可以包括待检测算子得出的结果的数据精度和数据格式,从而根据该数据描述信息,对第二结果进行转换,以根据第一结果以及转换后的第二结果,对待检测算子进行检测。
即,需要将第二结果与第一结果的格式和精度进行统一,从而根据统一格式后的第一结果和第二结果,对待检测算子进行检测。
上述算子检测平台中的参考算子与待检测算子可以来源于不同框架,举例来说,本说明书中数据描述信息中可以包括张量特征以及相关入参,通过张量描述信息(数据描述信息),生成不同框架的Tensor和对应形式参数,分别调用不同框架对待检测算子进行前向计算和反向计算接口的计算,然后将生成的结果张量转换成统一格式进行精度对比。当然在算子接口调用过程中需对有差异的参数传递做出对应处理,如参数的传递顺序以及缺参数时对应逻辑的处理等。
终端设备对于一些算子强绑定的Tensor信息差异可进行相应处理,如Pytorch和TensorFlow的卷积算子对张量通道维的位置要求不一样,Pytorch为NCHW,TensorFlow为NHWC。
在对输入信息进行统一描述的处理(即,数据格式的统一)中,对于需要系统生成的初始化值可采用字典数据结构进行描述,其中key为需要生成的信息描述,如在Tensor生成中,可将dtype(元素数据类型)、shape、random(数据生成是否做随机处理,以及基于何种分布进行数据生成)等作为key的关键字,对应的value即为生成数据所以来的具体信息,如对dtype可采用字符串指定为int、float、complex等。当然也应该支持具体数据所占字节位,对shape可采用列表或元组进行维度信息生成,对random可采用布尔值和字符串组合的形式进行生成张量的随机性做出控制。
另一方面,对于多框架之间的比较关系,可在系统生成的基础上采用map数据结构直接进行数据映射,如对应的一些字符串、列表参数等在处理过程中只是对原始数据进行了拷贝,减少了重新数据生成的流程,提升效率。
此外,可以提供全面的流转控制接口,以实现对于不同算子的检测,避免检测程序中的缺陷,例如对于反向截断的算子能够关闭反向检测等。在实施中,对多框架检测中出现异常精度的算子再进行前向模拟检测和反向动态逼近检测(通过梯度信息来检测待检测算子的方式),而对于某一算子在多框架中无异常行为则认定检测通过。这里提到的出现异常精度的算子可以是指待检测算子。
进一步地,为了提供对待检测算子进行检测的准确性,可以不直接通过待检测算子和参考算子分别对唯一的校验数据进行运算得到的结果,来确定待检测算子的功能准确性,而是计算不同校验数据输入到算子中所获得的梯度信息。
具体的,可以确定校验数据对,校验数据对中包含有两个不同的校验数据,而后,可以将校验数据对中所包含的校验数据分别输入到待检测算子中,以分别得到待检测算子输出的校验数据对中包含的各校验数据对应的第一结果。
进而,可以将校验数据对中所包含的校验数据分别输入到至少一个参考算子中,分别得到经过至少一个参考算子的数据处理后所得到的校验数据对中包含的各校验数据对应的第二结果。
最后,可以根据待检测算子输出的所述校验数据对中包含的各校验数据对应的第一结果,确定各校验数据对应的第一结果之间的偏差,作为第一结果偏差,以及确定各校验数据之间的偏差,作为校验数据偏差,并根据校验数据偏差以及第一结果偏差,确定经过待检测算子对校验数据对进行数据处理后所得到的梯度信息,作为第一梯度信息。
根据经过至少一个参考算子的数据处理后所得到的校验数据对中包含的各校验数据对应的第二结果,确定各校验数据对应的第二结果之间的偏差,作为第二结果偏差,并根据第二结果偏差以及所述校验数据偏差,确定经过至少一个参考算子对校验数据对进行数据处理后所得到的梯度信息,作为第二梯度信息。并根据第一梯度信息以及所述第二梯度信息,对待检测算子进行检测。
也就是说,上述步骤是通过将两个不同的校验数据输入到待检测算子和参考算子,使得待检测算子基于两个校验数据得到两个第一结果,参考算子基于两个校验数据得到两个第二结果,并确定出第一结果之间偏差相对于校验数据之间偏差的梯度信息,和第二结果之间偏差相对于校验数据之间偏差的梯度信息,从而通过比对梯度信息,来对待检测算子进行检测。
两个校验数据可以通过一定数据步长来确定出,即,可以获取基础校验数据,并通过搜索出的数据步长,对基础校验数据进行调整,以得到校验数据对。其中,校验数据对中包含的两个校验数据不同,且与基础校验数据之间的数据步长相同。
也就是说,可以存在一个基础的校验数据,通过在正负两个方向上将该校验数据调整搜索出的数据步长,可以确定出校验数据对中的两个校验数据,即,两个校验数据之间的差异为两个数据步长。通过得到的校验数据对,来对待检测算子进行检测。
当两个校验数据之间的偏差过大可能会导致梯度爆炸,偏差过小可能会导致梯度消失,因此,搜索出的数据步长需要使得最终确定出的梯度稳定。
具体的,可以确定搜索数据对,所述搜索数据对中包含有两个不同的搜索数据,而后,可以将搜索数据对中所包含的搜索数据分别输入到待检测算子中,以分别得到待检测算子输出的搜索数据对中包含的各搜索数据对应的结果。
进而,根据该待检测算子输出的搜索数据对中包含的各搜索数据对应的结果,确定各搜索数据对应的结果之间的偏差,作为搜索结果偏差,以及确定各搜索数据之间的偏差,作为搜索数据偏差,并根据搜索数据偏差以及搜索结果偏差,确定经过待检测算子对搜索数据对进行数据处理后所得到的梯度信息,作为搜索梯度信息。
而后,可以判断搜索梯度信息是否满足预设条件,并在确定搜索梯度信息不满足所述预设条件时,进行数据步长搜索,以确定出得到满足预设条件的搜索梯度信息时所采用的数据步长。
上述提到的预设条件可以是指确定出的梯度信息是否位于预设的梯度范围内,当梯度过大和梯度过小时,需要重新搜索出所需的步长。
图3为本说明书提供的一种搜索数据步长的示意图。
终端设备在确定数据步长的过程中,可以先确定出一个搜索数据对,该搜索数据对中包含有两个不同的搜索数据,这两个搜索数据是通过选取出的一个数据步长来确定的。例如,先确定出一个基础张量A,然后用张量A加上选定的数据步长,得到张量B,再用张量A减去选定的数据步长,得到张量C。张量B和张量C即构成了搜索数据对。
而后,将搜索数据对中包含的搜索数据(如张量B和张量C)分别输入到待检测算子中,会得到待检测算子输出的每个搜索数据所对应的结果。终端设备可以根据待检测算子输出的结果,来确定各搜索数据对应的结果之间的偏差,作为搜索结果偏差,以及确定各搜索数据之间的偏差,作为搜索数据偏差。
继续沿用上例,此过程可以理解为,将张量B作为x,输入到f(x)这个待检测算子中,可以得到f(B)这一结果,将张量C作为x,输入到f(x)这个待检测算子中,可以得到f(C)这一结果,那么,张量B-张量C即为上述提到的搜索数据偏差,而f(B)-f(C)即为上述提到的搜索结果偏差。
根据搜索结果偏差以及搜索数据偏差,可以进一步地确定出经过待检测算子对搜索数据对进行数据处理后所得到的梯度信息,作为搜索梯度信息。
终端设备可以判断该搜索梯度信息是否满足预设条件,这里的预设条件可以是指搜索梯度信息是否位于预设的梯度范围内,而这一预设的梯度范围可以用于表示待检测算子能够得到稳定的梯度数据。
相应的,若是确定该搜索梯度信息不位于预设的梯度范围内,则说明经过待检测算子所得到的结果可能出现了梯度过低、梯度消失或是梯度过高的情况,反映出在确定上述搜索数据对时所采用的数据步长可能不合适。
所以,在确定上述搜索梯度信息不满足预设条件时,则进行数据步长搜索,以最终得到满足该预设条件的搜索梯度信息,进而将得到满足该预设条件的搜索梯度信息时所采用的数据步长,作为最终确定出的数据步长。
而在数据步长搜索的过程中,可以通过两个方向进行搜索,例如,若是通过得到的搜索梯度信息确定出现梯度过低的情况,那么从预设的最小步长处进行逐级增加最小步长,以搜索出最终的数据步长,而若是通过得到的搜索梯度信息确定出现梯度过高的情况,那么可以从预设的最大步长处进行逐级递减最大步长,以搜索出最终的数据步长。
从上述内容中可以看出,本说明书中提供的算子检测的方法,可以通过确定出和待检测算子功能相符的参考算子,并通过相同的校验数据分别输入到待检测算子和参考算子,从而通过得出的结果来对待检测算子进行检测,提高了深度学习模型中算子的功能准确性。
对待检测算子进行检测需要考虑算子的运行环境,从而实现基于具体深度学习框架的算子检测。因此,在测试中必须全面,本公开设计的检测点如表1所示。首先根据实际应用场景确定测试目标,待测任务基本可分为新型框架测试和新型加速卡上的传统框架测试;然后根据测试目标确定关键测试点及对应的阈值设定,最后配置检测系统进行测试。
为了实现高效的自动化检测目的,本说明书中设计了全流程自动化检测策略。具体的,首先检测系统会根据前端检测配置文件自动生成检测数据(包括校验数据、数据步长等),并通过触发自动代码生成喂入校验数据生成测试用例,然后生成的测试用例会自动触发提前配置好的检测系统进行算子检测;最后根据系统测试结果筛选异常的算子并生成报告。异常的算子可以显示给相应的开发人员,使得开发人员进行算子的修正。
以上为本说明书的一个或多个实施的方法,基于同样的思路,本说明书还提供了相应的算子检测的装置,如图4所示。
图4为本说明书提供的一种算子检测的装置的示意图,包括:
获取模块401,用于获取待检测算子;
输入模块402,用于将校验数据输入到所述待检测算子中,得到所述待检测算子输出的第一结果,以及将所述校验数据输入到确定出的与所述待检测算子对应的至少一个参考算子中,得到经过所述至少一个参考算子对所述校验数据进行数据处理后所得到的第二结果;
检测模块403,用于根据所述第一结果以及所述第二结果,对所述待检测算子进行检测。
可选地,所述输入模块402具体用于,对所述待检测算子进行解析,确定所述待检测算子的计算逻辑信息;根据所述计算逻辑信息,确定出构建所述计算逻辑信息对应计算逻辑所需的各基础算子;将所述各基础算子确定为与所述待检测算子对应的至少一个参考算子。
可选地,所述输入模块402具体用于,按照所述计算逻辑信息对应的计算逻辑,将所述各基础算子进行排序,得到算子序列;将所述校验数据输入到所述算子序列中,得到经过所述算子序列对所述校验数据进行数据处理后所得到的第二结果。
可选地,所述输入模块402具体用于,从预设的算子检测平台中查询出与所述待检测算子功能相符的参考算子。
可选地,所述输入模块402具体用于,在所述算子检测平台中调用所述参考算子,以将所述校验数据输入到所述参考算子中,得到经过所述参考算子对所述校验数据进行数据处理后所得到的第二结果。
可选地,所述输入模块402具体用于,确定所述校验数据的数据描述信息,所述数据描述信息用于描述所述校验数据的数据格式以及数据精度;根据所述数据描述信息以及所述算子检测平台所要求的输入到算子中的数据格式,对所述校验数据进行格式转换,并在所述算子检测平台中调用所述参考算子,以将经过格式转换后的校验数据输入到所述参考算子中,得到经过所述参考算子对经过格式转换后的校验数据进行数据处理后所得到的第二结果;
所述检测模块403具体用于,根据所述数据描述信息,对所述第二结果进行转换,并根据所述第一结果以及转换后的第二结果,对所述待检测算子进行检测。
可选地,所述输入模块402具体用于,确定校验数据对,所述校验数据对中包含有两个不同的校验数据;将所述校验数据对中所包含的校验数据分别输入到所述待检测算子中,以分别得到所述待检测算子输出的所述校验数据对中包含的各校验数据对应的第一结果;
所述输入模块402具体用于,将所述校验数据对中所包含的校验数据分别输入到所述至少一个参考算子中,分别得到经过所述至少一个参考算子的数据处理后所得到的所述校验数据对中包含的各校验数据对应的第二结果;
所述检测模块403具体用于,根据所述待检测算子输出的所述校验数据对中包含的各校验数据对应的第一结果,确定各校验数据对应的第一结果之间的偏差,作为第一结果偏差,以及确定各校验数据之间的偏差,作为校验数据偏差,并根据所述校验数据偏差以及所述第一结果偏差,确定经过所述待检测算子对所述校验数据对进行数据处理后所得到的梯度信息,作为第一梯度信息;根据经过所述至少一个参考算子的数据处理后所得到的所述校验数据对中包含的各校验数据对应的第二结果,确定各校验数据对应的第二结果之间的偏差,作为第二结果偏差,并根据所述第二结果偏差以及所述校验数据偏差,确定经过所述至少一个参考算子对所述校验数据对进行数据处理后所得到的梯度信息,作为第二梯度信息;根据所述第一梯度信息以及所述第二梯度信息,对所述待检测算子进行检测。
可选地,所述装置还包括:
确定模块404,用于获取基础校验数据;通过搜索出的数据步长,对所述基础校验数据进行调整,以得到校验数据对,其中,所述校验数据对中包含的两个校验数据不同,且与所述基础校验数据之间的数据步长相同。
可选地,所述装置还包括:
搜索模块405,用于确定搜索数据对,所述搜索数据对中包含有两个不同的搜索数据;将所述搜索数据对中所包含的搜索数据分别输入到所述待检测算子中,以分别得到所述待检测算子输出的所述搜索数据对中包含的各搜索数据对应的结果;根据所述待检测算子输出的所述搜索数据对中包含的各搜索数据对应的结果,确定各搜索数据对应的结果之间的偏差,作为搜索结果偏差,以及确定各搜索数据之间的偏差,作为搜索数据偏差,并根据所述搜索数据偏差以及所述搜索结果偏差,确定经过所述待检测算子对所述搜索数据对进行数据处理后所得到的梯度信息,作为搜索梯度信息;判断所述搜索梯度信息是否满足预设条件,并在确定所述搜索梯度信息不满足所述预设条件时,进行数据步长搜索,以确定出得到满足所述预设条件的搜索梯度信息时所采用的数据步长。
可选地,所述待检测算子包括:用于运行深度学习模型所需的算子。
本说明书还提供了一种计算机可读存储介质,该存储介质存储有计算机程序,计算机程序可用于执行上述图1提供的一种算子检测的方法。
本说明书还提供了图5所示的一种对应于图1的电子设备的示意结构图。如图5所示,在硬件层面,该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,以实现上述图1所述的算子检测的方法。
当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device, PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书的实施例可提供为方法、系统、或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (20)
1.一种算子检测的方法,其特征在于,包括:
获取待检测算子;
将校验数据输入到所述待检测算子中,得到所述待检测算子输出的第一结果,以及将所述校验数据输入到确定出的与所述待检测算子对应的至少一个参考算子中,得到经过所述至少一个参考算子对所述校验数据进行数据处理后所得到的第二结果,其中,所述将校验数据输入到所述待检测算子中,得到所述待检测算子输出的第一结果包括:确定校验数据对,所述校验数据对中包含有两个不同的校验数据,将所述校验数据对中所包含的校验数据分别输入到所述待检测算子中,以分别得到所述待检测算子输出的所述校验数据对中包含的各校验数据对应的第一结果;所述将所述校验数据输入到确定出的与所述待检测算子对应的至少一个参考算子中,得到经过所述至少一个参考算子对所述校验数据进行数据处理后所得到的第二结果包括:将所述校验数据对中所包含的校验数据分别输入到所述至少一个参考算子中,分别得到经过所述至少一个参考算子的数据处理后所得到的所述校验数据对中包含的各校验数据对应的第二结果;
根据所述第一结果以及所述第二结果,对所述待检测算子进行检测,其中,根据所述待检测算子输出的所述校验数据对中包含的各校验数据对应的第一结果,确定各校验数据对应的第一结果之间的偏差,作为第一结果偏差,以及确定各校验数据之间的偏差,作为校验数据偏差,并根据所述校验数据偏差以及所述第一结果偏差,确定经过所述待检测算子对所述校验数据对进行数据处理后所得到的梯度信息,作为第一梯度信息,根据经过所述至少一个参考算子的数据处理后所得到的所述校验数据对中包含的各校验数据对应的第二结果,确定各校验数据对应的第二结果之间的偏差,作为第二结果偏差,并根据所述第二结果偏差以及所述校验数据偏差,确定经过所述至少一个参考算子对所述校验数据对进行数据处理后所得到的梯度信息,作为第二梯度信息,根据所述第一梯度信息以及所述第二梯度信息,对所述待检测算子进行检测。
2.如权利要求1所述的方法,其特征在于,确定与所述待检测算子对应的至少一个参考算子,具体包括:
对所述待检测算子进行解析,确定所述待检测算子的计算逻辑信息;
根据所述计算逻辑信息,确定出构建所述计算逻辑信息对应计算逻辑所需的各基础算子;
将所述各基础算子确定为与所述待检测算子对应的至少一个参考算子。
3.如权利要求2所述的方法,其特征在于,将所述校验数据输入到确定出的与所述待检测算子对应的至少一个参考算子中,得到经过所述至少一个参考算子对所述校验数据进行数据处理后所得到的第二结果,具体包括:
按照所述计算逻辑信息对应的计算逻辑,将所述各基础算子进行排序,得到算子序列;
将所述校验数据输入到所述算子序列中,得到经过所述算子序列对所述校验数据进行数据处理后所得到的第二结果。
4.如权利要求1所述的方法,其特征在于,确定与所述待检测算子对应的至少一个参考算子,具体包括:
从预设的算子检测平台中查询出与所述待检测算子功能相符的参考算子。
5.如权利要求4所述的方法,其特征在于,将所述校验数据输入到确定出的与所述待检测算子对应的至少一个参考算子中,得到经过所述至少一个参考算子对所述校验数据进行数据处理后所得到的第二结果,具体包括:
在所述算子检测平台中调用所述参考算子,以将所述校验数据输入到所述参考算子中,得到经过所述参考算子对所述校验数据进行数据处理后所得到的第二结果。
6.如权利要求5所述的方法,其特征在于,在所述算子检测平台中调用所述参考算子,以将所述校验数据输入到所述参考算子中,得到经过所述算子对所述校验数据进行数据处理后所得到的第二结果,具体包括:
确定所述校验数据的数据描述信息,所述数据描述信息用于描述所述校验数据的数据格式以及数据精度;
根据所述数据描述信息以及所述算子检测平台所要求的输入到算子中的数据格式,对所述校验数据进行格式转换,并在所述算子检测平台中调用所述参考算子,以将经过格式转换后的校验数据输入到所述参考算子中,得到经过所述参考算子对经过格式转换后的校验数据进行数据处理后所得到的第二结果;
根据所述第一结果以及所述第二结果,对所述待检测算子进行检测,具体包括:
根据所述数据描述信息,对所述第二结果进行转换,并根据所述第一结果以及转换后的第二结果,对所述待检测算子进行检测。
7.如权利要求1所述的方法,其特征在于,确定校验数据对,具体包括:
获取基础校验数据;
通过搜索出的数据步长,对所述基础校验数据进行调整,以得到校验数据对,其中,所述校验数据对中包含的两个校验数据不同,且与所述基础校验数据之间的数据步长相同。
8.如权利要求7所述的方法,其特征在于,搜索数据步长,具体包括:
确定搜索数据对,所述搜索数据对中包含有两个不同的搜索数据;
将所述搜索数据对中所包含的搜索数据分别输入到所述待检测算子中,以分别得到所述待检测算子输出的所述搜索数据对中包含的各搜索数据对应的结果;
根据所述待检测算子输出的所述搜索数据对中包含的各搜索数据对应的结果,确定各搜索数据对应的结果之间的偏差,作为搜索结果偏差,以及确定各搜索数据之间的偏差,作为搜索数据偏差,并根据所述搜索数据偏差以及所述搜索结果偏差,确定经过所述待检测算子对所述搜索数据对进行数据处理后所得到的梯度信息,作为搜索梯度信息;
判断所述搜索梯度信息是否满足预设条件,并在确定所述搜索梯度信息不满足所述预设条件时,进行数据步长搜索,以确定出得到满足所述预设条件的搜索梯度信息时所采用的数据步长。
9.如权利要求1~8任一项所述的方法,其特征在于,所述待检测算子包括:用于运行深度学习模型所需的算子。
10.一种算子检测的装置,其特征在于,包括:
获取模块,用于获取待检测算子;
输入模块,用于将校验数据输入到所述待检测算子中,得到所述待检测算子输出的第一结果,以及将所述校验数据输入到确定出的与所述待检测算子对应的至少一个参考算子中,得到经过所述至少一个参考算子对所述校验数据进行数据处理后所得到的第二结果,其中,所述将校验数据输入到所述待检测算子中,得到所述待检测算子输出的第一结果包括:确定校验数据对,所述校验数据对中包含有两个不同的校验数据,将所述校验数据对中所包含的校验数据分别输入到所述待检测算子中,以分别得到所述待检测算子输出的所述校验数据对中包含的各校验数据对应的第一结果;所述将所述校验数据输入到确定出的与所述待检测算子对应的至少一个参考算子中,得到经过所述至少一个参考算子对所述校验数据进行数据处理后所得到的第二结果包括:将所述校验数据对中所包含的校验数据分别输入到所述至少一个参考算子中,分别得到经过所述至少一个参考算子的数据处理后所得到的所述校验数据对中包含的各校验数据对应的第二结果;
检测模块,用于根据所述第一结果以及所述第二结果,对所述待检测算子进行检测,其中,根据所述待检测算子输出的所述校验数据对中包含的各校验数据对应的第一结果,确定各校验数据对应的第一结果之间的偏差,作为第一结果偏差,以及确定各校验数据之间的偏差,作为校验数据偏差,并根据所述校验数据偏差以及所述第一结果偏差,确定经过所述待检测算子对所述校验数据对进行数据处理后所得到的梯度信息,作为第一梯度信息,根据经过所述至少一个参考算子的数据处理后所得到的所述校验数据对中包含的各校验数据对应的第二结果,确定各校验数据对应的第二结果之间的偏差,作为第二结果偏差,并根据所述第二结果偏差以及所述校验数据偏差,确定经过所述至少一个参考算子对所述校验数据对进行数据处理后所得到的梯度信息,作为第二梯度信息,根据所述第一梯度信息以及所述第二梯度信息,对所述待检测算子进行检测。
11.如权利要求10所述的装置,其特征在于,所述输入模块具体用于,对所述待检测算子进行解析,确定所述待检测算子的计算逻辑信息;根据所述计算逻辑信息,确定出构建所述计算逻辑信息对应计算逻辑所需的各基础算子;将所述各基础算子确定为与所述待检测算子对应的至少一个参考算子。
12.如权利要求11所述的装置,其特征在于,所述输入模块具体用于,按照所述计算逻辑信息对应的计算逻辑,将所述各基础算子进行排序,得到算子序列;将所述校验数据输入到所述算子序列中,得到经过所述算子序列对所述校验数据进行数据处理后所得到的第二结果。
13.如权利要求10所述的装置,其特征在于,所述输入模块具体用于,从预设的算子检测平台中查询出与所述待检测算子功能相符的参考算子。
14.如权利要求13所述的装置,其特征在于,所述输入模块具体用于,在所述算子检测平台中调用所述参考算子,以将所述校验数据输入到所述参考算子中,得到经过所述参考算子对所述校验数据进行数据处理后所得到的第二结果。
15.如权利要求14所述的装置,其特征在于,所述输入模块具体用于,确定所述校验数据的数据描述信息,所述数据描述信息用于描述所述校验数据的数据格式以及数据精度;根据所述数据描述信息以及所述算子检测平台所要求的输入到算子中的数据格式,对所述校验数据进行格式转换,并在所述算子检测平台中调用所述参考算子,以将经过格式转换后的校验数据输入到所述参考算子中,得到经过所述参考算子对经过格式转换后的校验数据进行数据处理后所得到的第二结果;
所述检测模块具体用于,根据所述数据描述信息,对所述第二结果进行转换,并根据所述第一结果以及转换后的第二结果,对所述待检测算子进行检测。
16.如权利要求10所述的装置,其特征在于,所述装置还包括:
确定模块,用于获取基础校验数据;通过搜索出的数据步长,对所述基础校验数据进行调整,以得到校验数据对,其中,所述校验数据对中包含的两个校验数据不同,且与所述基础校验数据之间的数据步长相同。
17.如权利要求16所述的装置,其特征在于,所述装置还包括:
搜索模块,用于确定搜索数据对,所述搜索数据对中包含有两个不同的搜索数据;将所述搜索数据对中所包含的搜索数据分别输入到所述待检测算子中,以分别得到所述待检测算子输出的所述搜索数据对中包含的各搜索数据对应的结果;根据所述待检测算子输出的所述搜索数据对中包含的各搜索数据对应的结果,确定各搜索数据对应的结果之间的偏差,作为搜索结果偏差,以及确定各搜索数据之间的偏差,作为搜索数据偏差,并根据所述搜索数据偏差以及所述搜索结果偏差,确定经过所述待检测算子对所述搜索数据对进行数据处理后所得到的梯度信息,作为搜索梯度信息;判断所述搜索梯度信息是否满足预设条件,并在确定所述搜索梯度信息不满足所述预设条件时,进行数据步长搜索,以确定出得到满足所述预设条件的搜索梯度信息时所采用的数据步长。
18.如权利要求10~17任一项所述的装置,其特征在于,所述待检测算子包括:用于运行深度学习模型所需的算子。
19.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1~9任一项所述的方法。
20.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现上述权利要求1~9任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310669720.6A CN116402165B (zh) | 2023-06-07 | 2023-06-07 | 一种算子检测的方法、装置、存储介质以及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310669720.6A CN116402165B (zh) | 2023-06-07 | 2023-06-07 | 一种算子检测的方法、装置、存储介质以及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116402165A CN116402165A (zh) | 2023-07-07 |
CN116402165B true CN116402165B (zh) | 2023-09-01 |
Family
ID=87010859
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310669720.6A Active CN116402165B (zh) | 2023-06-07 | 2023-06-07 | 一种算子检测的方法、装置、存储介质以及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116402165B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117171577B (zh) * | 2023-11-02 | 2024-03-22 | 之江实验室 | 一种高性能算子选择的动态决策方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111885033A (zh) * | 2020-07-14 | 2020-11-03 | 南京聚铭网络科技有限公司 | 基于多源安全检测框架的机器学习场景检测方法及系统 |
CN112633421A (zh) * | 2021-03-09 | 2021-04-09 | 国网江西综合能源服务有限公司 | 一种用户异常用电行为检测方法及装置 |
CN113032195A (zh) * | 2021-03-24 | 2021-06-25 | 上海西井信息科技有限公司 | 芯片仿真验证方法、系统、设备及存储介质 |
CN114818600A (zh) * | 2022-04-29 | 2022-07-29 | 上海阵量智能科技有限公司 | 一种芯片验证方法、装置、电子设备以及存储介质 |
CN115934346A (zh) * | 2022-12-28 | 2023-04-07 | 北京大学 | 算子的自动检测方法、装置、电子设备及介质 |
CN115981870A (zh) * | 2023-03-10 | 2023-04-18 | 之江实验室 | 一种数据处理的方法、装置、存储介质及电子设备 |
CN116011468A (zh) * | 2021-10-20 | 2023-04-25 | 珠海金山办公软件有限公司 | 深度学习模型的推理方法、机器翻译方法及装置 |
CN116089066A (zh) * | 2022-12-16 | 2023-05-09 | 山东产研鲲云人工智能研究院有限公司 | 深度学习模型的算子量化方法、设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112733967B (zh) * | 2021-03-30 | 2021-06-29 | 腾讯科技(深圳)有限公司 | 联邦学习的模型训练方法、装置、设备及存储介质 |
-
2023
- 2023-06-07 CN CN202310669720.6A patent/CN116402165B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111885033A (zh) * | 2020-07-14 | 2020-11-03 | 南京聚铭网络科技有限公司 | 基于多源安全检测框架的机器学习场景检测方法及系统 |
CN112633421A (zh) * | 2021-03-09 | 2021-04-09 | 国网江西综合能源服务有限公司 | 一种用户异常用电行为检测方法及装置 |
CN113032195A (zh) * | 2021-03-24 | 2021-06-25 | 上海西井信息科技有限公司 | 芯片仿真验证方法、系统、设备及存储介质 |
CN116011468A (zh) * | 2021-10-20 | 2023-04-25 | 珠海金山办公软件有限公司 | 深度学习模型的推理方法、机器翻译方法及装置 |
CN114818600A (zh) * | 2022-04-29 | 2022-07-29 | 上海阵量智能科技有限公司 | 一种芯片验证方法、装置、电子设备以及存储介质 |
CN116089066A (zh) * | 2022-12-16 | 2023-05-09 | 山东产研鲲云人工智能研究院有限公司 | 深度学习模型的算子量化方法、设备及存储介质 |
CN115934346A (zh) * | 2022-12-28 | 2023-04-07 | 北京大学 | 算子的自动检测方法、装置、电子设备及介质 |
CN115981870A (zh) * | 2023-03-10 | 2023-04-18 | 之江实验室 | 一种数据处理的方法、装置、存储介质及电子设备 |
Non-Patent Citations (1)
Title |
---|
基于水平集的图像分割方法研究;于广婷;《CNKI优秀硕士学位论文全文库》;I138-987 * |
Also Published As
Publication number | Publication date |
---|---|
CN116402165A (zh) | 2023-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116402165B (zh) | 一种算子检测的方法、装置、存储介质以及电子设备 | |
CN110032409B (zh) | 一种客户端屏幕适配方法、装置及电子设备 | |
CN116188632A (zh) | 一种图像的生成方法、装置、存储介质及电子设备 | |
CN116304720B (zh) | 一种代价模型训练的方法、装置、存储介质及电子设备 | |
CN114547024A (zh) | 一种sql语句风险检测方法、装置、设备及介质 | |
CN109656946B (zh) | 一种多表关联查询方法、装置及设备 | |
CN116384505A (zh) | 一种数据处理的方法、装置、存储介质及电子设备 | |
CN116304704A (zh) | 一种模型训练方法、装置、存储介质及电子设备 | |
CN114840427A (zh) | 一种代码测试、测试用例生成的方法及装置 | |
CN110046090B (zh) | 页面元素的定位方法及装置 | |
CN111753990A (zh) | 一种量子计算机模拟环境方法、设备及介质 | |
CN117455015B (zh) | 一种模型优化的方法、装置、存储介质及电子设备 | |
CN110704742A (zh) | 一种特征提取方法及装置 | |
CN117828360A (zh) | 一种模型训练、代码生成方法、装置、存储介质及设备 | |
CN117523323B (zh) | 一种生成图像的检测方法及装置 | |
CN117009729B (zh) | 基于softmax的数据处理方法及装置 | |
CN115757302B (zh) | 一种数据分析的方法、装置、设备及存储介质 | |
CN116432185B (zh) | 一种异常检测方法、装置、可读存储介质及电子设备 | |
CN114817469B (zh) | 文本增强方法、文本增强模型的训练方法及装置 | |
CN116860634A (zh) | 测试处理方法及装置 | |
CN114154559A (zh) | 图像识别模型训练方法及装置 | |
CN111881945A (zh) | 一种树模型的特征贡献度确定方法及装置 | |
CN116150685A (zh) | 一种数据分类方法、装置、设备及存储介质 | |
CN117743189A (zh) | 代码分析方法及装置 | |
CN117743381A (zh) | 分布式数据库的数据查询方法及装置 |
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 |