CN116976443B - 一种性能指标调试方法、终端设备以及计算机存储介质 - Google Patents
一种性能指标调试方法、终端设备以及计算机存储介质 Download PDFInfo
- Publication number
- CN116976443B CN116976443B CN202311227554.0A CN202311227554A CN116976443B CN 116976443 B CN116976443 B CN 116976443B CN 202311227554 A CN202311227554 A CN 202311227554A CN 116976443 B CN116976443 B CN 116976443B
- Authority
- CN
- China
- Prior art keywords
- model
- file
- debugging
- performance index
- inference
- 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
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000012360 testing method Methods 0.000 claims abstract description 18
- 238000010586 diagram Methods 0.000 description 13
- 238000012549 training Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- 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
Abstract
本申请提出一种性能指标调试方法、终端设备以及计算机存储介质。该性能指标调试方法应用于第二设备，性能指标调试方法包括：获取第一设备的模型调试文件和推理模型文件，其中，模型调试文件包括第一设备推理原始模型的测试数据和基准输出；从推理模型文件获取目标推理模型，其中，目标推理模型由第一设备基于原始模型编译得到；将测试数据输入目标推理模型，获取目标输出；比较基准输出和目标输出，得到目标推理模型对于原始模型的性能指标，利用性能指标对目标推理模型进行调试。通过上述性能指标调试方法，第二设备完成模型推理和模型调试，无需依赖第一设备，以解决模型部署过程中模型调试步骤繁琐复杂的问题，提高模型调试的效率。
Description
技术领域
本申请涉及神经网络模型推理技术领域，特别是涉及一种性能指标调试方法、终端设备以及计算机存储介质。
背景技术
随着人工智能领域的不断发展，涌现出了众多的神经网络推理框架，一般每种框架都有其对应的模型结构。模型的性能和精度是评估模型的两个关键指标。然而，在模型调试领域，如模型精度问题定位，模型性能调试；并没有一套统一的，简单的方案。
现有技术的方案通过转换得到目标模型，执行目标模型，使用第一推理框架的定位装置完成模型精度定位，由于精度定位需依赖于第一推理框架的定位装置，导致模型部署过程中模型调试复杂，效率低下。
发明内容
为解决上述技术问题，本申请提出了一种性能指标调试方法、终端设备以及计算机存储介质。
为解决上述技术问题，本申请提出了一种性能指标调试方法，所述性能指标调试方法应用于第二设备，所述性能指标调试方法包括：
获取第一设备的模型调试文件和推理模型文件，其中，所述模型调试文件包括所述第一设备推理原始模型的测试数据和基准输出；
从所述推理模型文件获取目标推理模型，其中，所述目标推理模型由所述第一设备基于所述原始模型编译得到；
将所述测试数据输入所述目标推理模型，获取目标输出；
比较所述基准输出和所述目标输出，得到所述目标推理模型对于所述原始模型的性能指标，利用所述性能指标对所述目标推理模型进行调试。
其中，所述获取第一设备的模型调试文件和推理模型文件，包括：
获取所述第一设备的总推理模型文件；
对所述总推理模型文件进行模型解析，获取所述模型调试文件和所述推理模型文件。
其中，所述对所述总推理模型文件进行模型解析，获取所述模型调试文件和所述推理模型文件，包括：
对所述总推理模型文件进行模型解析，判断当前执行模式是否为模型调试模式；
若是，从所述总推理模型文件解析出所述模型调试文件和所述推理模型文件；
若否，从所述总推理模型文件解析出所述推理模型文件。
其中，所述模型调试文件，和/或所述推理模型文件的文件格式包括头区域、索引区域和至少一个数据区域，其中，所述头区域用于描述文件的基础信息，所述索引区域用于记录各个数据区域的数据情况，所述数据区域用于记录模型数据，每个数据区域具有不同的数据格式和数据内容。
其中，所述总推理模型文件由所述模型调试文件和所述推理模型文件组合生成，其中，所述总推理模型文件的头区域由所述模型调试文件的头区域和所述推理模型文件的头区域融合生成，所述总推理模型文件的索引区域由所述模型调试文件的索引区域和所述推理模型文件的索引区域融合生成，所述总推理模型文件的数据区域由所述模型调试文件的数据区域和所述推理模型文件的数据区域叠加生成。
其中，所述性能指标为精度调试指标，和/或性能调试指标。
为解决上述技术问题，本申请还提出另一种性能指标调试方法，所述性能指标调试方法应用于一种性能指标调试系统，所述性能指标调试系统包括第一设备和第二设备；所述性能指标调试方法包括：
所述第一设备将模型调试文件和推理模型文件发送给所述第二设备，其中，所述模型调试文件包括所述第一设备推理原始模型的测试数据和基准输出；
所述第二设备从所述推理模型文件获取目标推理模型，其中，所述目标推理模型由所述第一设备基于所述原始模型编译得到；
所述第二设备将所述测试数据输入所述目标推理模型，获取目标输出；
所述第二设备比较所述基准输出和所述目标输出，得到所述目标推理模型对于所述原始模型的性能指标，利用所述性能指标对所述目标推理模型进行调试。
其中，所述第一设备将模型调试文件和推理模型文件发送给所述第二设备，包括：
所述第一设备将所述模型调试文件和所述推理模型文件组合为总推理模型文件，并将所述总推理模型文件发送给所述第二设备。
为解决上述技术问题，本申请还提出一种终端设备，所述终端设备包括存储器以及与所述存储器耦接的处理器；其中，所述存储器用于存储程序数据，所述处理器用于执行所述程序数据以实现如上述的性能指标调试方法。
为解决上述技术问题，本申请还提出一种计算机存储介质，所述计算机存储介质用于存储程序数据，所述程序数据在被计算机执行时，用以实现上述的性能指标调试方法。
与现有技术相比，本申请的有益效果是：第二设备获取第一设备的模型调试文件和推理模型文件，其中，所述模型调试文件包括所述第一设备推理原始模型的测试数据和基准输出；从所述推理模型文件获取目标推理模型，其中，所述目标推理模型由所述第一设备基于所述原始模型编译得到；将所述测试数据输入所述目标推理模型，获取目标输出；比较所述基准输出和所述目标输出，得到所述目标推理模型对于所述原始模型的性能指标，利用所述性能指标对所述目标推理模型进行调试。通过上述性能指标调试方法，第二设备完成模型推理和模型调试，无需依赖第一设备，以解决模型部署过程中模型调试步骤繁琐复杂的问题，提高模型调试的效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。其中：
图1是本申请提供的性能指标调试方法一实施例的流程示意图；
图2是本申请提供的性能指标调试方法的整体流程示意图；
图3是本申请提供的第一设备的推理模型编译流程示意图；
图4是本申请提供的模型文件的格式示意图；
图5是本申请提供的模型文件的详细布局结构示意图；
图6是本申请提供的文件打包的格式变化示意图；
图7是本申请提供的第二设备的模型调试流程示意图；
图8是本申请提供的性能指标调试方法另一实施例的流程示意图；
图9是本申请提供的终端设备的一实施例的结构示意图；
图10是本申请提供的计算机存储介质一实施例的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例，例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本申请通过提出一种推理模型结构和模型调试的方法，以解决模型部署过程中模型调试（如精度定位，性能定位）步骤繁琐复杂的问题，提高模型调试的效率。
具体请参阅图1和图2、图1是本申请提供的性能指标调试方法一实施例的流程示意图；图2是本申请提供的性能指标调试方法的整体流程示意图。
本申请的性能指标调试方法应用于一种终端设备，如性能指标调试系统中的第二设备，其中，性能指标调试系统还包括第一设备。
如图1所示，其具体步骤如下：
步骤S11：获取第一设备的模型调试文件和推理模型文件，其中，模型调试文件包括第一设备推理原始模型的测试数据和基准输出。
在本申请实施例中，性能指标调试系统的方案内容主要包括推理模型编译和模型调试两部分，其中，第一设备负责推理模型编译，而第二设备负责模型调试。
具体地，第一设备的模型编译部分完成训练模型到推理模型的编译生成。模型编译部分主要分为三个阶段：第一阶段为把训练模型转换为推理模型文件。第二阶段生成模型调试文件，如：模型精度基准，模型性能基准等调试信息。第三阶段，把推理模型文件和模型调试文件打包为单一的文件。
需要说明的是，第一设备也可以选择将推理模型文件和模型调试文件分开传输到第二设备。
请结合图2继续参阅图3，图3是本申请提供的第一设备的推理模型编译流程示意图。
第一设备，如x86服务器，使用通过目标框架的编译工具把训练模型编译为目标推理模型1。在第一设备上，通过输入指定的数据给训练框架，以对原始训练模型进行模型推理任务，生成基准输出结果。然后将输入数据和基准输出结果打包为一个模型调试文件。
其中，模型调试文件依据不同的调试任务（如精度调试，性能调试），有不同的数据类型，但其总体文件格式是相同的。下面介绍图2和图3中模型文件所使用的文件格式，在本申请中，目标推理模型1和目标推理模型2以及模型调试文件均可以采用相同的文件格式，具体如图4和图5所示，图4是本申请提供的模型文件的格式示意图，图5是本申请提供的模型文件的详细布局结构示意图。
如图4所示，本申请的模型文件由Header区域（主区域）、Section Index区域（索引区域）和Section区域（数据区域）组成。其中，Header区域描述文件的基本信息，SectionIndex区域记录各个Section的类型，偏移以及大小，不同的Section类型具有不同的数据格式和内容。
如图5所示，每个区域均设置有多个数据字段，每个数据字段代表模型的不同数据内容。如以下的Header字段定义表和Section Index字段定义表所示：
Header字段定义表
Section Index字段定义表
进一步地，上述介绍的推理模型文件和模型调试文件，二者可以独立存在，也可以打包为统一文件，即总推理模型文件。其中，图4的场景即为把模型调试文件和目标推理模型1打包为目标推理模型2的场景。
其文件格式变化如图6所示，总推理模型文件（目标推理模型2）由模型调试文件和所述推理模型文件（目标推理模型1）组合生成。其中，所述总推理模型文件的头区域由所述模型调试文件的头区域和所述推理模型文件的头区域融合生成，所述总推理模型文件的索引区域由所述模型调试文件的索引区域和所述推理模型文件的索引区域融合生成，所述总推理模型文件的数据区域由所述模型调试文件的数据区域和所述推理模型文件的数据区域叠加生成，即图5中的目标推理模型1中的Model权限数据Section和模型调试文件中的精度基准Section互不影响，直接叠加到目标推理模型2的Section区域。
步骤S12：从推理模型文件获取目标推理模型，其中，目标推理模型由第一设备基于原始模型编译得到。
在本申请实施例中，第二设备针对打包为单一模型文件场景的模型推理，如图7所述，图7是本申请提供的第二设备的模型调试流程示意图。第二设备对目标推理模型2进行解析，得到推理模型，然后判断当前执行模式。若是模型调试模式，则继续解析模型调试文件，并以调试模式运行完推理任务后，最终输出模型调试结果：如模型精度比较，精度异常信息，推理性能信息等。若不是模型调试模式，则直接对推理模型进行数据推理即可，无需解析模型调试文件以及执行模型调试。
第二设备针对分离文件的模型调试，分离文件的模型调试和单文件的调试二者差异点仅仅在调试文件的解析加载上。在某些场景上，基于信息安全考虑并不希望把模型调试信息打包到模型文件。此时，调试时先解析模型文件；若为模型调试模式时，根据给定的调试文件路径，加载调试文件以得到调试数据。剩下流程即和打包单文件一致。
步骤S13：将测试数据输入目标推理模型，获取目标输出。
步骤S14：比较基准输出和目标输出，得到目标推理模型对于原始模型的性能指标，利用性能指标对目标推理模型进行调试。
在本申请实施例中，针对精度调试的场景，第二设备解析调试信息会得到输入数据和输出数据。模型推理时，使用输入数据作为网络输入，执行推理任务，并得到目标推理输出。一般的此处的推理结果，根据实际，可能是整个网络的输出，也可能是网络中每一层的输出。
执行完推理，第二设备使用目标推理输出和基准输出进行相似度计算（如余弦相似度计算），最后输出最终的结果。
在本申请实施例中，第二设备获取第一设备的模型调试文件和推理模型文件，其中，所述模型调试文件包括所述第一设备推理原始模型的测试数据和基准输出；从所述推理模型文件获取目标推理模型，其中，所述目标推理模型由所述第一设备基于所述原始模型编译得到；将所述测试数据输入所述目标推理模型，获取目标输出；比较所述基准输出和所述目标输出，得到所述目标推理模型对于所述原始模型的性能指标，利用性能指标对目标推理模型进行调试。通过上述性能指标调试方法，第二设备完成模型推理和模型调试，无需依赖第一设备，以解决模型部署过程中模型调试步骤繁琐复杂的问题，提高模型调试的效率。
本申请的第一设备在模型转换完成，即生成了模型对应的调试文件，而后的第二设备模型调试无需再依赖第一推理模型框架，即第一设备。本申请通过模型调试文件和模型文件打包在一起，模型升级无需变更可执行文件，可独立升级，并且，模型调试文件和模型文件也可采用分离的方式，进一步提高模型独立性，保证模型输入和输出基准的不变性、以减少模型调试过程中因使模型文件、输入文件、输出基准文件匹配而付出的时间成本和沟通成本；从而降低模型调试复杂度、提高模型调试的效率。本申请依赖静态的基准数据，而无需实际执行动态图，降低框架设计要求。
请继续参阅图8，图8是本申请提供的性能指标调试方法另一实施例的流程示意图。
本申请的性能指标调试方法应用于一种性能指标调试系统，性能指标调试系统包括第一设备和第二设备。
如图8所示，其具体步骤如下：
步骤S21：第一设备将模型调试文件和推理模型文件发送给第二设备，其中，模型调试文件包括第一设备推理原始模型的测试数据和基准输出。
步骤S22：第二设备从推理模型文件获取目标推理模型，其中，目标推理模型由第一设备基于原始模型编译得到。
步骤S23：第二设备将测试数据输入目标推理模型，获取目标输出。
步骤S24：第二设备比较基准输出和目标输出，得到目标推理模型对于原始模型的性能指标，利用性能指标对目标推理模型进行调试。
在本申请实施例中，相较于图1所述的性能指标调试方法，本申请实施例增加了第一设备和第二设备的交互流程，其余技术特征说明与图1所述的性能指标调试方法一致，在此不再赘述。
本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
为实现上述性能指标调试方法，本申请还提出了一种终端设备，具体请参阅图9，图9是本申请提供的终端设备的一实施例的结构示意图。
本实施例的终端设备400包括处理器41、存储器42、输入输出设备43以及总线44。
该处理器41、存储器42、输入输出设备43分别与总线44相连，该存储器42中存储有程序数据，处理器41用于执行程序数据以实现上述实施例所述的性能指标调试方法。
在本申请实施例中，处理器41还可以称为CPU（Central Processing Unit，中央处理单元）。处理器41可能是一种集成电路芯片，具有信号的处理能力。处理器41还可以是通用处理器、数字信号处理器（DSP，Digital Signal Process）、专用集成电路（ASIC，Application Specific Integrated Circuit）、现场可编程门阵列（FPGA，FieldProgrammable Gate Array）或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器41也可以是任何常规的处理器等。
本申请还提供一种计算机存储介质，请继续参阅图10，图10是本申请提供的计算机存储介质一实施例的结构示意图，该计算机存储介质600中存储有计算机程序61，该计算机程序61在被处理器执行时，用以实现上述实施例的性能指标调试方法。
本申请的实施例以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）或处理器（processor）执行本申请各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种性能指标调试方法，其特征在于，所述性能指标调试方法应用于第二设备，所述性能指标调试方法包括：
获取第一设备的模型调试文件和推理模型文件，其中，所述模型调试文件包括所述第一设备推理原始模型的测试数据和基准输出；
从所述推理模型文件获取目标推理模型，其中，所述目标推理模型由所述第一设备基于所述原始模型编译得到；
将所述测试数据输入所述目标推理模型，获取目标输出；
比较所述基准输出和所述目标输出，得到所述目标推理模型对于所述原始模型的性能指标，利用所述性能指标对所述目标推理模型进行调试。
2.根据权利要求1所述的性能指标调试方法，其特征在于，
所述获取第一设备的模型调试文件和推理模型文件，包括：
获取所述第一设备的总推理模型文件；
对所述总推理模型文件进行模型解析，获取所述模型调试文件和所述推理模型文件。
3.根据权利要求2所述的性能指标调试方法，其特征在于，
所述对所述总推理模型文件进行模型解析，获取所述模型调试文件和所述推理模型文件，包括：
对所述总推理模型文件进行模型解析，判断当前执行模式是否为模型调试模式；
若是，从所述总推理模型文件解析出所述模型调试文件和所述推理模型文件。
4.根据权利要求2所述的性能指标调试方法，其特征在于，
所述模型调试文件，和/或所述推理模型文件的文件格式包括头区域、索引区域和至少一个数据区域，其中，所述头区域用于描述文件的基础信息，所述索引区域用于记录各个数据区域的数据情况，所述数据区域用于记录模型数据，每个数据区域具有不同的数据格式和数据内容。
5.根据权利要求4所述的性能指标调试方法，其特征在于，
所述总推理模型文件由所述模型调试文件和所述推理模型文件组合生成，其中，所述总推理模型文件的头区域由所述模型调试文件的头区域和所述推理模型文件的头区域融合生成，所述总推理模型文件的索引区域由所述模型调试文件的索引区域和所述推理模型文件的索引区域融合生成，所述总推理模型文件的数据区域由所述模型调试文件的数据区域和所述推理模型文件的数据区域叠加生成。
6.根据权利要求1所述的性能指标调试方法，其特征在于，
所述性能指标为精度调试指标，和/或性能调试指标。
7.一种性能指标调试方法，其特征在于，所述性能指标调试方法应用于一种性能指标调试系统，所述性能指标调试系统包括第一设备和第二设备；所述性能指标调试方法包括：
所述第一设备将模型调试文件和推理模型文件发送给所述第二设备，其中，所述模型调试文件包括所述第一设备推理原始模型的测试数据和基准输出；
所述第二设备从所述推理模型文件获取目标推理模型，其中，所述目标推理模型由所述第一设备基于所述原始模型编译得到；
所述第二设备将所述测试数据输入所述目标推理模型，获取目标输出；
所述第二设备比较所述基准输出和所述目标输出，得到所述目标推理模型对于所述原始模型的性能指标，利用所述性能指标对所述目标推理模型进行调试。
8.根据权利要求7所述的性能指标调试方法，其特征在于，
所述第一设备将模型调试文件和推理模型文件发送给所述第二设备，包括：
所述第一设备将所述模型调试文件和所述推理模型文件组合为总推理模型文件，并将所述总推理模型文件发送给所述第二设备。
9.一种终端设备，其特征在于，所述终端设备包括存储器以及与所述存储器耦接的处理器；
其中，所述存储器用于存储程序数据，所述处理器用于执行所述程序数据以实现如权利要求1至8任一项所述的性能指标调试方法。
10.一种计算机存储介质，其特征在于，所述计算机存储介质用于存储程序数据，所述程序数据在被计算机执行时，用以实现如权利要求1至8任一项所述的性能指标调试方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311227554.0A CN116976443B (zh) | 2023-09-22 | 2023-09-22 | 一种性能指标调试方法、终端设备以及计算机存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311227554.0A CN116976443B (zh) | 2023-09-22 | 2023-09-22 | 一种性能指标调试方法、终端设备以及计算机存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116976443A CN116976443A (zh) | 2023-10-31 |
| CN116976443B true CN116976443B (zh) | 2023-12-29 |
Family
ID=88473360
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311227554.0A Active CN116976443B (zh) | 2023-09-22 | 2023-09-22 | 一种性能指标调试方法、终端设备以及计算机存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116976443B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7660412B1 (en) * | 2005-12-09 | 2010-02-09 | Trend Micro Incorporated | Generation of debug information for debugging a network security appliance |
| CN112215357A (zh) * | 2020-09-29 | 2021-01-12 | 三一专用汽车有限责任公司 | 模型优化方法、装置、设备和计算机可读存储介质 |
| CN113780536A (zh) * | 2021-10-29 | 2021-12-10 | 平安科技（深圳）有限公司 | 一种云端深度学习模型转换方法、系统、设备及介质 |
| CN113918163A (zh) * | 2021-10-08 | 2022-01-11 | 苏州浪潮智能科技有限公司 | 一种神经网络模型的编译方法、系统、设备及存储介质 |
| CN115809688A (zh) * | 2022-08-24 | 2023-03-17 | 北京百度网讯科技有限公司 | 一种模型调试方法、装置、电子设备及存储介质 |
| CN116303052A (zh) * | 2023-03-23 | 2023-06-23 | 哲库科技(上海)有限公司 | Ai编译器的验证方法、装置及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10621068B2 (en) * | 2016-03-07 | 2020-04-14 | Revdebug.Com Sp. Z O.O. | Software code debugger for quick detection of error root causes |
-
2023
- 2023-09-22 CN CN202311227554.0A patent/CN116976443B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7660412B1 (en) * | 2005-12-09 | 2010-02-09 | Trend Micro Incorporated | Generation of debug information for debugging a network security appliance |
| CN112215357A (zh) * | 2020-09-29 | 2021-01-12 | 三一专用汽车有限责任公司 | 模型优化方法、装置、设备和计算机可读存储介质 |
| CN113918163A (zh) * | 2021-10-08 | 2022-01-11 | 苏州浪潮智能科技有限公司 | 一种神经网络模型的编译方法、系统、设备及存储介质 |
| CN113780536A (zh) * | 2021-10-29 | 2021-12-10 | 平安科技（深圳）有限公司 | 一种云端深度学习模型转换方法、系统、设备及介质 |
| CN115809688A (zh) * | 2022-08-24 | 2023-03-17 | 北京百度网讯科技有限公司 | 一种模型调试方法、装置、电子设备及存储介质 |
| CN116303052A (zh) * | 2023-03-23 | 2023-06-23 | 哲库科技(上海)有限公司 | Ai编译器的验证方法、装置及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 基于软硬件协同验证的软件仿真调试模型;徐阳;周亦敏;;信息技术(02);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116976443A (zh) | 2023-10-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113065656B (zh) | 一种规则引擎配置方法、装置、服务器及可读存储介质 | |
| US20060184468A1 (en) | Automatic test program generation using extended conditional constraint satisfaction | |
| CN111178512B (zh) | 器件运行神经网络的测试方法及装置 | |
| US20080196004A1 (en) | Apparatus and method for developing component-based software | |
| US11269760B2 (en) | Systems and methods for automated testing using artificial intelligence techniques | |
| US10824950B2 (en) | System and method for deploying a data analytics model in a target environment | |
| CN114399019A (zh) | 神经网络编译方法、系统、计算机设备及存储介质 | |
| Calinescu et al. | Efficient parametric model checking using domain knowledge | |
| Rocha et al. | Model-based test case generation from UML sequence diagrams using extended finite state machines | |
| WO2023115776A1 (zh) | 一种神经网络推理方法及装置、计算机设备、计算机可读存储介质、计算机程序产品 | |
| CN110347588B (zh) | 软件验证方法、装置、计算机设备和存储介质 | |
| CN111767032B (zh) | 一种工业设备故障的专家规则的处理方法及装置 | |
| CN116976443B (zh) | 一种性能指标调试方法、终端设备以及计算机存储介质 | |
| CN112764764A (zh) | 场景模型部署方法、装置、设备及存储介质 | |
| Kanav et al. | Modular Transformation from AF3 to nuXmv. | |
| US11481198B2 (en) | Framework for automated generation of QUBO or higher order formulations from high-level source code | |
| Haltermann et al. | Information exchange between over-and underapproximating software analyses | |
| Marinescu | Model-driven analysis and verification of automotive embedded systems | |
| de Champeaux | Faster Linear Unification Algorithm | |
| Kim | Hybrid model based testing for mobile applications | |
| CN113190657B (zh) | NLP数据预处理方法、jvm及spark端服务器 | |
| CN111324523B (zh) | 一种数据处理方法及装置 | |
| Johnsen et al. | Validating behavioral component interfaces in rewriting logic | |
| Singh | PyKaldi: A Kaldi Wrapper in Python | |
| CN116842931A (zh) | 一种会计凭证模板的表达式解析方法、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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |