CN117744312A - 代理模型生成方法、装置、设备、存储介质及程序产品 - Google Patents
代理模型生成方法、装置、设备、存储介质及程序产品 Download PDFInfo
- Publication number
- CN117744312A CN117744312A CN202311483000.7A CN202311483000A CN117744312A CN 117744312 A CN117744312 A CN 117744312A CN 202311483000 A CN202311483000 A CN 202311483000A CN 117744312 A CN117744312 A CN 117744312A
- Authority
- CN
- China
- Prior art keywords
- input
- complexity
- determining
- model
- original model
- 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 97
- 238000005070 sampling Methods 0.000 claims abstract description 145
- 230000004044 response Effects 0.000 claims abstract description 27
- 238000007781 pre-processing Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 20
- 230000006870 function Effects 0.000 claims description 14
- 238000013507 mapping Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 230000000694 effects Effects 0.000 abstract description 6
- 238000013528 artificial neural network Methods 0.000 description 15
- 238000004891 communication Methods 0.000 description 14
- 238000004458 analytical method Methods 0.000 description 13
- 238000004364 calculation method Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 7
- 230000003068 static effect Effects 0.000 description 7
- 230000003993 interaction Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000013178 mathematical model Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 2
- 238000010206 sensitivity analysis Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012905 input function Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Complex Calculations (AREA)
Abstract
本申请提供一种代理模型生成方法、装置、设备、存储介质及程序产品。该方法包括:基于程序分析法对原始模型执行预处理操作以获取全部输入空间;根据输入空间的分布关系确定每个输入空间被执行的初始概率;分别确定原始模型在每个输入空间对应的复杂度;根据初始概率和复杂度确定针对输入空间的采样概率;根据采样概率在全部输入空间中对原始模型进行采样以得到采样结果,并根据采样结果训练预先确定的代理模型;响应于代理模型的误差处于预设误差区间内,则生成目标代理模型。使用复杂度指导采样可以产生信息量更丰富的样本,从而减少采样量,并可以获取复杂区域的更多样本,提高代理模型在关键区域取得的拟合效果,提高代理模型的生成准确性。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种代理模型生成方法、装置、设备、存储介质及程序产品。
背景技术
在工程设计和科学计算中,例如在电力系统、气象系统等场景下,通常需要建立对特定系统的数学模型,并对其进行仿真分析。然而,在实践中,真实的数学模型或物理模型通常非常复杂,导致一次仿真计算需要花费大量的计算时间及计算资源,进而限制了参数优化、敏感性分析等任务。
为了解决计算成本高的问题,已有工作通过构建简化的代理模型的方式以提高计算效率。早期的代理模型工作,通过多项式回归或高斯过程回归等方法对复杂系统拟合,拟合效果较不理想。近期,神经网络代理模型被提出,相比于传统的多项式或高斯过程回归等代理模型,其具有近似能力更强、泛化性更好,处理维度更高等优点。
原始模型的采样方法是训练及构建神经网络代理模型的重要步骤。已有采样方法通常只针对输入空间,不考虑模型内部不同输入区域的复杂度,由于原始模型在不同输入区间中可能具有不同的复杂性,因此,相关技术中存在着神经网络代理模型的生成准确性较低的问题。
发明内容
有鉴于此,本申请的目的在于提出一种代理模型生成方法、装置、设备、存储介质及程序产品。
基于上述目的,在第一方面,本申请提供了一种代理模型生成方法,所述方法包括:
基于程序分析法对原始模型执行预处理操作以获取全部输入空间;
根据所述输入空间的分布关系确定每个输入空间被执行的初始概率;
分别确定所述原始模型在每个输入空间对应的复杂度;
根据所述初始概率和所述复杂度确定针对所述输入空间的采样概率;
根据所述采样概率在全部输入空间中对所述原始模型进行采样以得到采样结果,并根据所述采样结果训练预先确定的代理模型;
响应于所述代理模型的误差处于预设误差区间内,则生成目标代理模型。
在一种可能的实现方式中,所述基于程序分析法对原始模型执行预处理操作以获取全部输入空间,包括:
基于程序分析法对原始模型执行预处理操作以获取所述原始模型的输入值集合;
确定所述输入值集合中的输入值是否为离散性数据;
响应于所述输入值集合中的输入值为离散性数据,则分别将所述输入值集合中的每个输入值作为所述输入空间以确定全部输入空间。
在一种可能的实现方式中,所述确定所述输入值集合中的输入值是否为离散性数据之后,还包括:
响应于所述输入值集合中的输入值不为离散性数据,则根据预设间隔将所述输入值集合划分为多个输入值区间,并将每个输入值区间作为所述输入空间以确定全部输入空间。
在一种可能的实现方式中,所述分别确定所述原始模型在每个输入空间对应的复杂度,包括:
确定所述原始模型在每个输入空间对应的执行路径;
根据所述执行路径得到与所述原始模型对应的控制流图;
确定所述控制流图中边的数量、节点数量以及连接组件的数量;
根据所述边的数量、所述节点数量以及所述连接组件的数量确定所述控制流图对应的第一圈复杂度,并以所述第一圈复杂度作为所述原始模型在每个输入空间对应的复杂度。
在一种可能的实现方式中,所述分别确定所述原始模型在每个输入空间对应的复杂度,包括:
确定所述原始模型在每个输入空间对应的执行路径;
根据所述执行路径得到与所述原始模型对应的控制流图;
确定所述控制流图中判定节点的数量,并以所述判定节点的数量与1的加和确定所述控制流图对应的第二圈复杂度,并以所述第二圈复杂度作为所述原始模型在每个输入空间对应的复杂度。
在一种可能的实现方式中,所述分别确定所述原始模型在每个输入空间对应的复杂度,包括:
获取操作类型与操作复杂度之间的映射表;
确定所述原始模型在每个输入空间对应的操作类型,并根据所述映射表确定与所述操作类型对应的操作复杂度,并将所述操作复杂度作为所述原始模型在每个输入空间对应的复杂度。
在一种可能的实现方式中,所述分别确定所述原始模型在每个输入空间对应的复杂度,包括:
分别确定所述原始模型在每个输入空间的循环执行次数,并根据所述循环执行次数以及与所述输入空间中对应函数的时间复杂度,确定所述原始模型在每个输入空间对应的复杂度。
在一种可能的实现方式中,所述根据所述采样结果训练预先确定的代理模型之后,还包括:
响应于所述代理模型的误差未处于预设误差区间内,则重新根据所述初始概率和所述复杂度确定针对所述输入空间的采样概率;
重新根据所述采样概率在全部输入空间中对所述原始模型进行采样以得到采样结果,并根据所述采样结果训练所述代理模型,直至所述代理模型的误差处于预设误差区间内,则生成目标代理模型。
在第二方面,本申请提供了一种代理模型生成装置,所述装置包括:
获取模块,被配置为基于程序分析法对原始模型执行预处理操作以获取全部输入空间;
第一确定模块,被配置为根据所述输入空间的分布关系确定每个输入空间被执行的初始概率;
第二确定模块,被配置为分别确定所述原始模型在每个输入空间对应的复杂度;
第三确定模块,被配置为根据所述初始概率和所述复杂度确定针对所述输入空间的采样概率;
采样模块,被配置为根据所述采样概率在全部输入空间中对所述原始模型进行采样以得到采样结果,并根据所述采样结果训练预先确定的代理模型;
生成模块,被配置为响应于所述代理模型的误差处于预设误差区间内,则生成目标代理模型。
在一种可能的实现方式中,所述获取模块,还被配置为:
基于程序分析法对原始模型执行预处理操作以获取所述原始模型的输入值集合;
确定所述输入值集合中的输入值是否为离散性数据;
响应于所述输入值集合中的输入值为离散性数据,则分别将所述输入值集合中的每个输入值作为所述输入空间以确定全部输入空间。
在一种可能的实现方式中,所述获取模块,还被配置为:
响应于所述输入值集合中的输入值不为离散性数据,则根据预设间隔将所述输入值集合划分为多个输入值区间,并将每个输入值区间作为所述输入空间以确定全部输入空间。
在一种可能的实现方式中,所述第二确定模块,还被配置为:
确定所述原始模型在每个输入空间对应的执行路径;
根据所述执行路径得到与所述原始模型对应的控制流图;
确定所述控制流图中边的数量、节点数量以及连接组件的数量;
根据所述边的数量、所述节点数量以及所述连接组件的数量确定所述控制流图对应的第一圈复杂度,并以所述第一圈复杂度作为所述原始模型在每个输入空间对应的复杂度。
在一种可能的实现方式中,所述第二确定模块,还被配置为:
确定所述原始模型在每个输入空间对应的执行路径;
根据所述执行路径得到与所述原始模型对应的控制流图;
确定所述控制流图中判定节点的数量,并以所述判定节点的数量与1的加和确定所述控制流图对应的第二圈复杂度,并以所述第二圈复杂度作为所述原始模型在每个输入空间对应的复杂度。
在一种可能的实现方式中,所述第二确定模块,还被配置为:
获取操作类型与操作复杂度之间的映射表;
确定所述原始模型在每个输入空间对应的操作类型,并根据所述映射表确定与所述操作类型对应的操作复杂度,并将所述操作复杂度作为所述原始模型在每个输入空间对应的复杂度。
在一种可能的实现方式中,所述第二确定模块,还被配置为:
分别确定所述原始模型在每个输入空间的循环执行次数,并根据所述循环执行次数以及与所述输入空间中对应函数的时间复杂度,确定所述原始模型在每个输入空间对应的复杂度。
在一种可能的实现方式中,所述生成模块,还被配置为:
响应于所述代理模型的误差未处于预设误差区间内,则重新根据所述初始概率和所述复杂度确定针对所述输入空间的采样概率;
重新根据所述采样概率在全部输入空间中对所述原始模型进行采样以得到采样结果,并根据所述采样结果训练所述代理模型,直至所述代理模型的误差处于预设误差区间内,则生成目标代理模型。
在第三方面,本申请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如第一方面所述的代理模型生成方法。
在第四方面,本申请提供了一种计算机可读存储介质,所述计算机可读存储介质存储计算机指令,所述计算机指令用于使计算机执行如第一方面所述的代理模型生成方法。
在第五方面,本申请提供了一种计算机程序产品,包括计算机程序指令,当所述计算机程序指令在计算机上运行时,使得计算机执行如第一方面所述的代理模型生成方法。
从上面所述可以看出,本申请提供的一种代理模型生成方法、装置、设备、存储介质及程序产品,基于程序分析法对原始模型执行预处理操作以获取全部输入空间;根据所述输入空间的分布关系确定每个输入空间被执行的初始概率;分别确定所述原始模型在每个输入空间对应的复杂度;根据所述初始概率和所述复杂度确定针对所述输入空间的采样概率;根据所述采样概率在全部输入空间中对所述原始模型进行采样以得到采样结果,并根据所述采样结果训练预先确定的代理模型;响应于所述代理模型的误差处于预设误差区间内,则生成目标代理模型。通过基于静态或动态分析的方法计算程序执行路径的复杂度,用于调整神经网络代理模型的采样方法,并考虑每个输入空间被执行的初始概率,进而结合原始模型在每个输入空间对应的复杂度,确定出更加准确的采样概率,可以根据原始模型的复杂区域进行采样,避免在简单区域过度采样。使用复杂度指导采样可以产生信息量更丰富的样本,从而减少采样量,并可以获取复杂区域的更多样本,帮助代理模型在这些关键区域取得更好的拟合效果,提高代理模型的生成准确性。而且,可以减少冗余采样,减少对原始模型的运算次数,降低总体计算成本。
附图说明
为了更清楚地说明本申请或相关技术中的技术方案,下面将对实施例或相关技术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。
图1示出了本申请实施例所提供的一种代理模型生成方法的示例性应用场景示意图。
图2示出了本申请实施例所提供的一种代理模型生成方法的示例性流程示意图。
图3示出了根据本申请实施例的一种圈复杂度对应的控制流图的示例性示意图。
图4示出了根据本申请实施例的本方法和传统方法生成的代理模型的误差对比的示例性示意图。
图5示出了本申请实施例所提供的一种代理模型生成装置的示例性结构示意图。
图6示出了本申请实施例所提供的一种电子设备的示例性结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本申请进一步详细说明。
需要说明的是,除非另外定义,本申请实施例使用的技术术语或者科学术语应当为本申请所属领域内具有一般技能的人士所理解的通常意义。本申请实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
如背景技术部分所述,在工程设计和科学计算中,例如在电力系统、气象系统等场景下,通常需要建立对特定系统的数学模型,并对其进行仿真分析。然而,在实践中,真实的数学模型或物理模型通常非常复杂,导致一次仿真计算需要花费大量的计算时间及计算资源,进而限制了参数优化、敏感性分析等任务。
为了解决计算成本高的问题,已有工作通过构建简化的代理模型的方式以提高计算效率。早期的代理模型工作,通过多项式回归或高斯过程回归等方法对复杂系统拟合,拟合效果较不理想。近期,神经网络代理模型被提出,相比于传统的多项式或高斯过程回归等代理模型,其具有近似能力更强、泛化性更好,处理维度更高等优点。
原始模型的采样方法是训练及构建神经网络代理模型的重要步骤。已有采样方法通常只针对输入空间,不考虑模型内部不同输入区域的复杂度。常见的采样方案有:
1.随机采样。随机采样是一种最简单的采样方法,即在输入空间内随机生成样本,覆盖整个空间。优点是简单易实现,但样本分布不均匀,容易出现空洞。
2.格拉特采样。格拉特采样是一种改进的随机采样法,可以生成更均匀分布的样本。其先在设计空间生成随机样本,然后根据样本之间的距离删除冗余样本。
3.LATIN超立方采样。LATIN超立方采样是一种确定性采样方法,可以产生均匀分布且互不重叠的样本。通过空间分格,逐次选择每格的一个样本点。
4.低差异序列采样。此类顺序采样方法可以很好的覆盖设计变量的取值范围。产生均匀分布的样本。
通过发明人的研究发现,该相关技术中,对原始模型的采样是在构建代理模型时的重要步骤,高质量的采样可以提高代理模型的质量,减少采样的资源消耗。传统采样方法不能很好的适应训练及构建神经网络代理模型。由于传统采样方法不关注模型中不同采样点的重要性,可能产生采样重复及采样缺失等问题,导致采样质量低,进而影响构建的代理模型的质量。由于原始模型在不同输入区间中可能具有不同的复杂性,因此,相关技术中存在着神经网络代理模型的生成准确性较低的问题。
正因如此,本申请提供了一种代理模型生成方法、装置、设备、存储介质及程序产品,基于程序分析法对原始模型执行预处理操作以获取全部输入空间;根据所述输入空间的分布关系确定每个输入空间被执行的初始概率;分别确定所述原始模型在每个输入空间对应的复杂度;根据所述初始概率和所述复杂度确定针对所述输入空间的采样概率;根据所述采样概率在全部输入空间中对所述原始模型进行采样以得到采样结果,并根据所述采样结果训练预先确定的代理模型;响应于所述代理模型的误差处于预设误差区间内,则生成目标代理模型。通过基于静态或动态分析的方法计算程序执行路径的复杂度,用于调整神经网络代理模型的采样方法,并考虑每个输入空间被执行的初始概率,进而结合原始模型在每个输入空间对应的复杂度,确定出更加准确的采样概率,可以根据原始模型的复杂区域进行采样,避免在简单区域过度采样。使用复杂度指导采样可以产生信息量更丰富的样本,从而减少采样量,并可以获取复杂区域的更多样本,帮助代理模型在这些关键区域取得更好的拟合效果,提高代理模型的生成准确性。而且,可以减少冗余采样,减少对原始模型的运算次数,降低总体计算成本。
图1示出了本申请实施例所提供的一种代理模型生成方法的示例性应用场景示意图。
参考图2,该应用场景中,包括本地终端设备101和服务器102。其中,本地终端设备101和服务器102之间可通过有线或无线的通信网络连接,以实现数据交互。
本地终端设备101可以是靠近用户侧的具有数据传输、多媒体输入/输出功能的电子设备,如,桌面计算机、移动电话、移动电脑、平板电脑、媒体播放器、车载电脑、智能可穿戴设备、个人数字助理(personal digital assistant,PDA)或其它能够实现上述功能的电子设备等。该电子设备可以包括处理器和具有触控输入功能显示屏,该显示屏用于呈现图形用户界面,该图形用户界面可以显示音乐游戏界面,该处理器用于处理音乐游戏数据、生成图形用户界面以及控制图形用户界面在显示屏上的显示。
服务器102可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(Content Delivery Network,内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器。
在一些示例性实施例中,代理模型生成方法可以运行于本地终端设备101或者是服务器102。
当代理模型生成方法运行于服务器102时,服务器102用于向终端设备的用户提供代理模型生成服务,终端设备中安装有与服务器102通信的客户端,用户可以通过客户端指定目标程序。服务器102基于程序分析法对原始模型执行预处理操作以获取全部输入空间;根据所述输入空间的分布关系确定每个输入空间被执行的初始概率;分别确定所述原始模型在每个输入空间对应的复杂度;根据所述初始概率和所述复杂度确定针对所述输入空间的采样概率;根据所述采样概率在全部输入空间中对所述原始模型进行采样以得到采样结果,并根据所述采样结果训练预先确定的代理模型;响应于所述代理模型的误差处于预设误差区间内,则生成目标代理模型。服务器102还可以将目标代理模型发送给客户端,客户端向用户展示目标代理模型。其中,终端设备可以是前述提到的本地终端设备101。
当代理模型生成方法运行于服务器102时,该方法则可以基于云交互系统来实现与执行。
其中,云交互系统包括客户端设备和云服务器。
在一些示例性实施例中,云交互系统下可以运行各种云应用,例如:云游戏。以云游戏为例,云游戏是指以云计算为基础的游戏方式。在云游戏的运行模式下,游戏程序的运行主体和游戏画面呈现主体是分离的,游戏中移动状态的控制方法的储存与运行是在云游戏服务器上完成的,客户端设备的作用是用于数据的接收、发送以及游戏画面的呈现,举例而言,客户端设备可以是靠近用户侧的具有数据传输功能的显示设备,如,移动终端、电视机、计算机、掌上电脑等;但是进行信息处理的为云端的云游戏服务器。在进行游戏时,玩家操作客户端设备向云游戏服务器发送操作指令,云游戏服务器根据操作指令运行游戏,将游戏画面等数据进行编码压缩,通过网络返回客户端设备,最后,通过客户端设备进行解码并输出游戏画面。
在上述实施例中,以代理模型生成方法运行于服务器102为例进行了说明,然而本公开不限于此,在一些示例性实施例中,代理模型生成方法还可以运行于本地终端设备101。
本地终端设备101可以包括显示屏和处理器。本地终端设备101中安装有客户端,用户可以通过客户端指定目标程序。处理器基于程序分析法对原始模型执行预处理操作以获取全部输入空间;根据所述输入空间的分布关系确定每个输入空间被执行的初始概率;分别确定所述原始模型在每个输入空间对应的复杂度;根据所述初始概率和所述复杂度确定针对所述输入空间的采样概率;根据所述采样概率在全部输入空间中对所述原始模型进行采样以得到采样结果,并根据所述采样结果训练预先确定的代理模型;响应于所述代理模型的误差处于预设误差区间内,则生成目标代理模型。处理器还可以将目标代理模型发送给客户端,客户端通过显示屏向用户展示目标代理模型。
举例而言,本地终端设备101可以包括显示屏和处理器,该显示屏用于呈现图形用户界面,该图形用户界面包括游戏画面,该处理器用于运行该游戏、生成图形用户界面以及控制图形用户界面在显示屏上的显示。
在一些示例性实施例中,本公开实施例提供了一种代理模型生成方法,通过终端设备提供图形用户界面,其中,终端设备可以是前述提到的本地终端设备101,也可以是前述提到的云交互系统中的客户端设备。
下面结合图1的应用场景,来描述根据本公开示例性实施方式的代理模型生成方法。需要注意的是,上述应用场景仅是为了便于理解本公开的精神和原理而示出,本公开的实施方式在此方面不受任何限制。相反,本公开的实施方式可以应用于适用的任何场景。
图2示出了本申请实施例所提供的一种代理模型生成方法的示例性流程示意图。
参考图2,本申请实施例所提供的一种代理模型生成方法,所述方法具体包括以下步骤:
S202:基于程序分析法对原始模型执行预处理操作以获取全部输入空间。
S204:根据所述输入空间的分布关系确定每个输入空间被执行的初始概率。
S206:分别确定所述原始模型在每个输入空间对应的复杂度。
S208:根据所述初始概率和所述复杂度确定针对所述输入空间的采样概率。
S210:根据所述采样概率在全部输入空间中对所述原始模型进行采样以得到采样结果,并根据所述采样结果训练预先确定的代理模型。
S212:响应于所述代理模型的误差处于预设误差区间内,则生成目标代理模型。
在一些实施例中,可以使用程序分析方法对原始模型程序进行预处理,得到所有可能的输入区间。例如,可以基于程序分析法对原始模型执行预处理操作以获取原始模型的输入值集合,并进一步确定输入值集合中的输入值是否为离散性数据。如果输入值集合中的输入值为离散性数据,例如输入值为1、2、6、8,则可以分别将输入值集合中的每个输入值作为输入空间以确定全部输入空间。例如,输入空间I1为1,输入空间I2为2,输入空间I3为6,输入空间I4为8,得到了全部的四个输入空间。
进一步地,如果输入值集合中的输入值不为离散性数据,为连续性数据,例如输入值为[1,20),则可以根据预设间隔将输入值集合划分为多个输入值区间,并将每个输入值区间作为输入空间以确定全部输入空间。也即,例如将输入值集合[1,20)平均划分为四个输入空间,则输入空间I1为[1,5),输入空间I2为[5,10),输入空间I3为[10,15),输入空间I4为[15,20),得到了全部的四个输入空间。
在确定全部的输入空间之后,可能存在输入空间存在重复输入值的情况,例如输入值为离散性的,且分别为1、2、1、3,则1这个输入值出现次数为2,可以根据输入空间的分布关系来确定每个输入空间被执行的初始概率,例如可以将每个输入值的个数与总输入值的个数的商作为每个输入空间被执行的初始概率。或者通过其他的根据输入空间的分布计算概率的方式,例如概率分布函数来确定初始概率,在此不做具体限定。
进而,可以分别确定原始模型在每个输入空间对应的复杂度,具体地,可以通过静态分析或动态分析的方法来确定该复杂度。例如,基于静态分析的方法可以利用控制流复杂度(例如圈复杂度、分支复杂度等)、操作复杂度(例如操作类型及个数等)等进行计算。
图3示出了根据本申请实施例的一种圈复杂度对应的控制流图的示例性示意图。
本实施例中,可以确定原始模型在每个输入空间对应的执行路径,从而根据执行路径得到与原始模型对应的控制流图,如图3中所示出的控制流图。进一步地,可以确定控制流图中边的数量、节点数量以及连接组件的数量,例如,图3中的控制流图的边的数量为10,节点数量为7,连接组件的数量为1,其中,控制流图的连接组件的数量是相连节点的最大集合,因为控制流图都是连通的,所以连接组件的数量为1。
再进一步地,可以根据边的数量、节点数量以及连接组件的数量确定控制流图对应的第一圈复杂度,并以第一圈复杂度作为原始模型在每个输入空间对应的复杂度。其中,第一圈复杂度可以表示为V(G1),假设E表示控制流图中边的数量,N表示控制流图中节点的数量,P图的连接组件的数量,则第一圈复杂度可以表示为
V(G1)=E-N+2P
也即,图3中所示出的控制流图的第一圈复杂度为5。
在另一些实施例中,在得到如图3中的控制流图之后,还可以确定控制流图中判定节点的数量,并以判定节点的数量与1的加和确定控制流图对应的第二圈复杂度,并以第二圈复杂度作为原始模型在每个输入空间对应的复杂度。因为圈复杂度所反映的是“判定条件”的数量,所以圈复杂度实际上就是等于判定节点的数量再加上1,也即控制流图的区域数,图3中节点1、2、3、4为判定节点,所以第二圈复杂度也为4+1=5。
既然控制流图的区域数即为圈复杂度,图3中控制流图内部存在4个区域,控制流图外部总体为1个区域,所以圈复杂度为区域总数,也即4+1=5。
基于动态分析的方法可以利用性能分析(执行时间分析、内存占用分析)等方法进行计算。动态分析是通过观察程序在执行过程中的实际行为进行的,可以直接反映程序运行时的复杂性特征。例如,可以获取操作类型与操作复杂度之间的映射表,进而可以确定原始模型在每个输入空间对应的操作类型,并根据映射表确定与操作类型对应的操作复杂度,并将操作复杂度作为原始模型在每个输入空间对应的复杂度。
例如,操作类型为“直接输入结果”,则对应的操作复杂度为O(1),操作类型为“贪心算法、扫描和遍历”,则对应的操作复杂度为O(n),操作类型为“枚举、动态规划”,则对应的操作复杂度为O(n2),操作类型为“二分查找、快速幂”,则对应的操作复杂度为O(logn),操作类型为“带有分治思想的算法,如二分法”,则对应的操作复杂度为O(nlogn),操作类型为“动态规划”,则对应的操作复杂度为O(n3),操作类型为“搜索”,则对应的操作复杂度为O(2^n),操作类型为“产生全排列”,则对应的操作复杂度为O(n!)。从大到小排列可以为:O(1)<O(logn)<O(n)<O(nlogn)<O(n2)<O(n3)<O(2^n)<O(n!)。
在一些实施例中,还可以分别确定原始模型在每个输入空间的循环执行次数,并根据循环执行次数以及与输入空间中对应函数的时间复杂度,确定原始模型在每个输入空间对应的复杂度。例如,某几行代码都是常量级的执行时间,与n的大小无关,所以对于复杂度并没有影响。循环执行次数最多的是第X行代码,所以这块代码要重点分析,这第X行代码被执行了n次,所以总的时间复杂度就是O(n)。
例如一部分代码分为三部分,分别是求sum_1、sum_2、sum_3。我们可以分别分析每一部分的时间复杂度,然后把它们放到一起,再取一个量级最大的作为整段代码的复杂度。
单独看cal()函数。假设f()只是一个普通的操作,那第X行的时间复杂度就是,T1(n)=O(n)。但f()函数本身不是一个简单的操作,它的时间复杂度是T2(n)=O(n),所以,整个cal()函数的时间复杂度就是,T(n)=T1(n)*T2(n)=O(n*n)=O(n2)。
在另一些实施方式中,还可以根据内存占有来确定复杂度,算法空间复杂度为一个常量,所以表示为大O(1)。当消耗空间和输入参数n保持线性增长,这样的空间复杂度为O(n)。
每次递归所需的空间都被压到调用栈里(这是内存管理里面的数据结构,和算法里的栈原理是一样的),一次递归结束,这个栈就是就是把本次递归的数据弹出去。所以这个栈最大的长度就是递归的深度,递归第n个斐波那契数的话,递归调用栈的深度就是n。那么每次递归的空间复杂度是O(1),调用栈深度为n,所以一段表示递归代码的空间复杂度就可以是O(n)。
针对于步骤S212,如果代理模型的误差未处于预设误差区间内,则重新根据初始概率和所述复杂度确定针对输入空间的采样概率,重新根据采样概率在全部输入空间中对原始模型进行采样以得到采样结果,并根据采样结果训练代理模型,直至代理模型的误差处于预设误差区间内,则生成目标代理模型。
图4示出了根据本申请实施例的本方法和传统方法生成的代理模型的误差对比的示例性示意图。
参考图4,实验表明,本申请相比于相关技术中的传统方法,可以在迭代次数相同的情况下显著降低神经网络代理模型的误差,提高神经网络代理模型的质量。本申请以基于公开数据的电力负荷预测模型作为原始模型进行了测试,分别使用了本申请提出的采样方法与传统的随机采样方法训练神经网络代理模型,代理模型的误差如图4所示。从图中可以看出,本申请提出的采样方法相比于已有的随机采样方法,可以有效的降低神经网络代理模型的误差,提升神经网络代理模型的质量。
从上面所述可以看出,本申请提供的一种代理模型生成方法、装置、设备、存储介质及程序产品,基于程序分析法对原始模型执行预处理操作以获取全部输入空间;根据所述输入空间的分布关系确定每个输入空间被执行的初始概率;分别确定所述原始模型在每个输入空间对应的复杂度;根据所述初始概率和所述复杂度确定针对所述输入空间的采样概率;根据所述采样概率在全部输入空间中对所述原始模型进行采样以得到采样结果,并根据所述采样结果训练预先确定的代理模型;响应于所述代理模型的误差处于预设误差区间内,则生成目标代理模型。通过基于静态或动态分析的方法计算程序执行路径的复杂度,用于调整神经网络代理模型的采样方法,并考虑每个输入空间被执行的初始概率,进而结合原始模型在每个输入空间对应的复杂度,确定出更加准确的采样概率,可以根据原始模型的复杂区域进行采样,避免在简单区域过度采样。使用复杂度指导采样可以产生信息量更丰富的样本,从而减少采样量,并可以获取复杂区域的更多样本,帮助代理模型在这些关键区域取得更好的拟合效果,提高代理模型的生成准确性。而且,可以减少冗余采样,减少对原始模型的运算次数,降低总体计算成本。
需要说明的是,本申请实施例的方法可以由单个设备执行,例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下,由多台设备相互配合来完成。在这种分布式场景的情况下,这多台设备中的一台设备可以只执行本申请实施例的方法中的某一个或多个步骤,这多台设备相互之间会进行交互以完成所述的方法。
需要说明的是,上述对本申请的一些实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于上述实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
图5示出了本申请实施例所提供的一种代理模型生成装置的示例性结构示意图。
基于同一发明构思,与上述任意实施例方法相对应的,本申请还提供了一种代理模型生成装置。
参考图5,所述代理模型生成装置包括:获取模块、第一确定模块、第二确定模块、第三确定模块、采样模块以及生成模块;其中,
获取模块,被配置为基于程序分析法对原始模型执行预处理操作以获取全部输入空间;
第一确定模块,被配置为根据所述输入空间的分布关系确定每个输入空间被执行的初始概率;
第二确定模块,被配置为分别确定所述原始模型在每个输入空间对应的复杂度;
第三确定模块,被配置为根据所述初始概率和所述复杂度确定针对所述输入空间的采样概率;
采样模块,被配置为根据所述采样概率在全部输入空间中对所述原始模型进行采样以得到采样结果,并根据所述采样结果训练预先确定的代理模型;
生成模块,被配置为响应于所述代理模型的误差处于预设误差区间内,则生成目标代理模型。
在一种可能的实现方式中,所述获取模块,还被配置为:
基于程序分析法对原始模型执行预处理操作以获取所述原始模型的输入值集合;
确定所述输入值集合中的输入值是否为离散性数据;
响应于所述输入值集合中的输入值为离散性数据,则分别将所述输入值集合中的每个输入值作为所述输入空间以确定全部输入空间。
在一种可能的实现方式中,所述获取模块,还被配置为:
响应于所述输入值集合中的输入值不为离散性数据,则根据预设间隔将所述输入值集合划分为多个输入值区间,并将每个输入值区间作为所述输入空间以确定全部输入空间。
在一种可能的实现方式中,所述第二确定模块,还被配置为:
确定所述原始模型在每个输入空间对应的执行路径;
根据所述执行路径得到与所述原始模型对应的控制流图;
确定所述控制流图中边的数量、节点数量以及连接组件的数量;
根据所述边的数量、所述节点数量以及所述连接组件的数量确定所述控制流图对应的第一圈复杂度,并以所述第一圈复杂度作为所述原始模型在每个输入空间对应的复杂度。
在一种可能的实现方式中,所述第二确定模块,还被配置为:
确定所述原始模型在每个输入空间对应的执行路径;
根据所述执行路径得到与所述原始模型对应的控制流图;
确定所述控制流图中判定节点的数量,并以所述判定节点的数量与1的加和确定所述控制流图对应的第二圈复杂度,并以所述第二圈复杂度作为所述原始模型在每个输入空间对应的复杂度。
在一种可能的实现方式中,所述第二确定模块,还被配置为:
获取操作类型与操作复杂度之间的映射表;
确定所述原始模型在每个输入空间对应的操作类型,并根据所述映射表确定与所述操作类型对应的操作复杂度,并将所述操作复杂度作为所述原始模型在每个输入空间对应的复杂度。
在一种可能的实现方式中,所述第二确定模块,还被配置为:
分别确定所述原始模型在每个输入空间的循环执行次数,并根据所述循环执行次数以及与所述输入空间中对应函数的时间复杂度,确定所述原始模型在每个输入空间对应的复杂度。
在一种可能的实现方式中,所述生成模块,还被配置为:
响应于所述代理模型的误差未处于预设误差区间内,则重新根据所述初始概率和所述复杂度确定针对所述输入空间的采样概率;
重新根据所述采样概率在全部输入空间中对所述原始模型进行采样以得到采样结果,并根据所述采样结果训练所述代理模型,直至所述代理模型的误差处于预设误差区间内,则生成目标代理模型。
为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本申请时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
上述实施例的装置用于实现前述任一实施例中相应的代理模型生成方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
图6示出了本申请实施例所提供的一种电子设备的示例性结构示意图。
基于同一发明构思,与上述任意实施例方法相对应的,本申请还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任意一实施例所述的代理模型生成方法。图6示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图,该设备可以包括:处理器610、存储器620、输入/输出接口630、通信接口640和总线650。其中处理器610、存储器620、输入/输出接口630和通信接口640通过总线650实现彼此之间在设备内部的通信连接。
处理器610可以采用通用的CPU(Central Processing Unit,中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本说明书实施例所提供的技术方案。
存储器620可以采用ROM(Read Only Memory,只读存储器)、RAM(Random AccessMemory,随机存取存储器)、静态存储设备,动态存储设备等形式实现。存储器620可以存储操作系统和其他应用程序,在通过软件或者固件来实现本说明书实施例所提供的技术方案时,相关的程序代码保存在存储器620中,并由处理器610来调用执行。
输入/输出接口630用于连接输入/输出模块,以实现信息输入及输出。输入/输出模块可以作为组件配置在设备中(图中未示出),也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等,输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口640用于连接通信模块(图中未示出),以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线650包括一通路,在设备的各个组件(例如处理器610、存储器620、输入/输出接口630和通信接口640)之间传输信息。
需要说明的是,尽管上述设备仅示出了处理器610、存储器620、输入/输出接口630、通信接口640以及总线650,但是在具体实施过程中,该设备还可以包括实现正常运行所必需的其他组件。此外,本领域的技术人员可以理解的是,上述设备中也可以仅包含实现本说明书实施例方案所必需的组件,而不必包含图中所示的全部组件。
上述实施例的电子设备用于实现前述任一实施例中相应的代理模型生成方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
基于同一发明构思,与上述任意实施例方法相对应的,本申请还提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令用于使所述计算机执行如上任一实施例所述的代理模型生成方法。
本实施例的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。
上述实施例的存储介质存储的计算机指令用于使所述计算机执行如上任一实施例所述的代理模型生成方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
基于同一发明构思,与上述任意实施例所述的代理模型生成方法相对应的,本公开还提供了一种计算机程序产品,其包括计算机程序指令。在一些实施例中,所述计算机程序指令可以由计算机的一个或多个处理器执行以使得所述计算机和/或所述处理器执行所述的代理模型生成方法。对应于所述的代理模型生成方法各实施例中各步骤对应的执行主体,执行相应步骤的处理器可以是属于相应执行主体的。
上述实施例的计算机程序产品用于使所述计算机和/或所述处理器执行如上任一实施例所述的代理模型生成方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本申请的范围(包括权利要求)被限于这些例子;在本申请的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本申请实施例的不同方面的许多其它变化,为了简明它们没有在细节中提供。
另外,为简化说明和讨论,并且为了不会使本申请实施例难以理解,在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外,可以以框图的形式示出装置,以便避免使本申请实施例难以理解,并且这也考虑了以下事实,即关于这些框图装置的实施方式的细节是高度取决于将要实施本申请实施例的平台的(即,这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如,电路)以描述本申请的示例性实施例的情况下,对本领域技术人员来说显而易见的是,可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本申请实施例。因此,这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本申请的具体实施例对本申请进行了描述,但是根据前面的描述,这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如,其它存储器架构(例如,动态RAM(DRAM))可以使用所讨论的实施例。
本申请实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本申请实施例的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (19)
1.一种代理模型生成方法,其特征在于,所述方法包括:
基于程序分析法对原始模型执行预处理操作以获取全部输入空间;
根据所述输入空间的分布关系确定每个输入空间被执行的初始概率;
分别确定所述原始模型在每个输入空间对应的复杂度;
根据所述初始概率和所述复杂度确定针对所述输入空间的采样概率;
根据所述采样概率在全部输入空间中对所述原始模型进行采样以得到采样结果,并根据所述采样结果训练预先确定的代理模型;
响应于所述代理模型的误差处于预设误差区间内,则生成目标代理模型。
2.根据权利要求1所述的方法,其特征在于,所述基于程序分析法对原始模型执行预处理操作以获取全部输入空间,包括:
基于程序分析法对原始模型执行预处理操作以获取所述原始模型的输入值集合;
确定所述输入值集合中的输入值是否为离散性数据;
响应于所述输入值集合中的输入值为离散性数据,则分别将所述输入值集合中的每个输入值作为所述输入空间以确定全部输入空间。
3.根据权利要求2所述的方法,其特征在于,所述确定所述输入值集合中的输入值是否为离散性数据之后,还包括:
响应于所述输入值集合中的输入值不为离散性数据,则根据预设间隔将所述输入值集合划分为多个输入值区间,并将每个输入值区间作为所述输入空间以确定全部输入空间。
4.根据权利要求1所述的方法,其特征在于,所述分别确定所述原始模型在每个输入空间对应的复杂度,包括:
确定所述原始模型在每个输入空间对应的执行路径;
根据所述执行路径得到与所述原始模型对应的控制流图;
确定所述控制流图中边的数量、节点数量以及连接组件的数量;
根据所述边的数量、所述节点数量以及所述连接组件的数量确定所述控制流图对应的第一圈复杂度,并以所述第一圈复杂度作为所述原始模型在每个输入空间对应的复杂度。
5.根据权利要求1所述的方法,其特征在于,所述分别确定所述原始模型在每个输入空间对应的复杂度,包括:
确定所述原始模型在每个输入空间对应的执行路径;
根据所述执行路径得到与所述原始模型对应的控制流图;
确定所述控制流图中判定节点的数量,并以所述判定节点的数量与1的加和确定所述控制流图对应的第二圈复杂度,并以所述第二圈复杂度作为所述原始模型在每个输入空间对应的复杂度。
6.根据权利要求1所述的方法,其特征在于,所述分别确定所述原始模型在每个输入空间对应的复杂度,包括:
获取操作类型与操作复杂度之间的映射表;
确定所述原始模型在每个输入空间对应的操作类型,并根据所述映射表确定与所述操作类型对应的操作复杂度,并将所述操作复杂度作为所述原始模型在每个输入空间对应的复杂度。
7.根据权利要求1所述的方法,其特征在于,所述分别确定所述原始模型在每个输入空间对应的复杂度,包括:
分别确定所述原始模型在每个输入空间的循环执行次数,并根据所述循环执行次数以及与所述输入空间中对应函数的时间复杂度,确定所述原始模型在每个输入空间对应的复杂度。
8.根据权利要求1所述的方法,其特征在于,所述根据所述采样结果训练预先确定的代理模型之后,还包括:
响应于所述代理模型的误差未处于预设误差区间内,则重新根据所述初始概率和所述复杂度确定针对所述输入空间的采样概率;
重新根据所述采样概率在全部输入空间中对所述原始模型进行采样以得到采样结果,并根据所述采样结果训练所述代理模型,直至所述代理模型的误差处于预设误差区间内,则生成目标代理模型。
9.一种代理模型生成装置,其特征在于,所述装置包括:
获取模块,被配置为基于程序分析法对原始模型执行预处理操作以获取全部输入空间;
第一确定模块,被配置为根据所述输入空间的分布关系确定每个输入空间被执行的初始概率;
第二确定模块,被配置为分别确定所述原始模型在每个输入空间对应的复杂度;
第三确定模块,被配置为根据所述初始概率和所述复杂度确定针对所述输入空间的采样概率;
采样模块,被配置为根据所述采样概率在全部输入空间中对所述原始模型进行采样以得到采样结果,并根据所述采样结果训练预先确定的代理模型;
生成模块,被配置为响应于所述代理模型的误差处于预设误差区间内,则生成目标代理模型。
10.根据权利要求9所述的装置,其特征在于,所述获取模块,还被配置为:
基于程序分析法对原始模型执行预处理操作以获取所述原始模型的输入值集合;
确定所述输入值集合中的输入值是否为离散性数据;
响应于所述输入值集合中的输入值为离散性数据,则分别将所述输入值集合中的每个输入值作为所述输入空间以确定全部输入空间。
11.根据权利要求10所述的装置,其特征在于,所述获取模块,还被配置为:
响应于所述输入值集合中的输入值不为离散性数据,则根据预设间隔将所述输入值集合划分为多个输入值区间,并将每个输入值区间作为所述输入空间以确定全部输入空间。
12.根据权利要求9所述的装置,其特征在于,所述第二确定模块,还被配置为:
确定所述原始模型在每个输入空间对应的执行路径;
根据所述执行路径得到与所述原始模型对应的控制流图;
确定所述控制流图中边的数量、节点数量以及连接组件的数量;
根据所述边的数量、所述节点数量以及所述连接组件的数量确定所述控制流图对应的第一圈复杂度,并以所述第一圈复杂度作为所述原始模型在每个输入空间对应的复杂度。
13.根据权利要求9所述的装置,其特征在于,所述第二确定模块,还被配置为:
确定所述原始模型在每个输入空间对应的执行路径;
根据所述执行路径得到与所述原始模型对应的控制流图;
确定所述控制流图中判定节点的数量,并以所述判定节点的数量与1的加和确定所述控制流图对应的第二圈复杂度,并以所述第二圈复杂度作为所述原始模型在每个输入空间对应的复杂度。
14.根据权利要求9所述的装置,其特征在于,所述第二确定模块,还被配置为:
获取操作类型与操作复杂度之间的映射表;
确定所述原始模型在每个输入空间对应的操作类型,并根据所述映射表确定与所述操作类型对应的操作复杂度,并将所述操作复杂度作为所述原始模型在每个输入空间对应的复杂度。
15.根据权利要求9所述的装置,其特征在于,所述第二确定模块,还被配置为:
分别确定所述原始模型在每个输入空间的循环执行次数,并根据所述循环执行次数以及与所述输入空间中对应函数的时间复杂度,确定所述原始模型在每个输入空间对应的复杂度。
16.根据权利要求9所述的装置,其特征在于,所述生成模块,还被配置为:
响应于所述代理模型的误差未处于预设误差区间内,则重新根据所述初始概率和所述复杂度确定针对所述输入空间的采样概率;
重新根据所述采样概率在全部输入空间中对所述原始模型进行采样以得到采样结果,并根据所述采样结果训练所述代理模型,直至所述代理模型的误差处于预设误差区间内,则生成目标代理模型。
17.一种电子设备,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如权利要求1至8任意一项所述的方法。
18.一种计算机可读存储介质,所述计算机可读存储介质存储计算机指令,其特征在于,所述计算机指令用于使所述计算机实现如权利要求1至8任意一项所述的方法。
19.一种计算机程序产品,包括计算机程序指令,当所述计算机程序指令在计算机上运行时,使得计算机执行如权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311483000.7A CN117744312A (zh) | 2023-11-08 | 2023-11-08 | 代理模型生成方法、装置、设备、存储介质及程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311483000.7A CN117744312A (zh) | 2023-11-08 | 2023-11-08 | 代理模型生成方法、装置、设备、存储介质及程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117744312A true CN117744312A (zh) | 2024-03-22 |
Family
ID=90258099
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311483000.7A Pending CN117744312A (zh) | 2023-11-08 | 2023-11-08 | 代理模型生成方法、装置、设备、存储介质及程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117744312A (zh) |
-
2023
- 2023-11-08 CN CN202311483000.7A patent/CN117744312A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3446260B1 (en) | Memory-efficient backpropagation through time | |
US11790212B2 (en) | Quantization-aware neural architecture search | |
US20170206184A9 (en) | Techniques to perform curve fitting for statistical tests | |
US11574239B2 (en) | Outlier quantization for training and inference | |
US11275568B2 (en) | Generating a synchronous digital circuit from a source code construct defining a function call | |
US20110249871A1 (en) | Page load performance analysis | |
CN117170685B (zh) | 一种数据处理方法、装置、设备及介质 | |
US20230229896A1 (en) | Method and computing device for determining optimal parameter | |
US20210295158A1 (en) | End-to-end optimization | |
Hedegaard et al. | Continual 3D convolutional neural networks for real-time processing of videos | |
CN110929087A (zh) | 一种音频分类方法、装置、电子设备及存储介质 | |
KR102561799B1 (ko) | 디바이스에서 딥러닝 모델의 레이턴시를 예측하는 방법 및 시스템 | |
CN117744312A (zh) | 代理模型生成方法、装置、设备、存储介质及程序产品 | |
CN111538831B (zh) | 一种文本生成方法、装置及电子设备 | |
CN114443306A (zh) | 资源处理方法、装置、电子设备及计算机可读存储介质 | |
CN113238821A (zh) | 数据处理的加速方法、装置、电子设备及存储介质 | |
CN111784377A (zh) | 用于生成信息的方法和装置 | |
CN116561735B (zh) | 一种基于多认证源的互信认证方法、系统及电子设备 | |
US20240112010A1 (en) | Identifying performance degradation in machine learning models based on comparison of actual and predicted results | |
CN117520122A (zh) | 运行状态信息确定方法、装置及电子设备 | |
CN114139711A (zh) | 分布式推断方法、数据处理方法、装置、终端及计算设备 | |
CN115392486A (zh) | 任务处理方法、装置、电子设备及计算机可读存储介质 | |
EP4356306A1 (en) | Efficient cross-platform serving of deep neural networks for low latency applications | |
CN111797307A (zh) | 一种企业用户的画像方法和装置 | |
CN117992061A (zh) | 程序转换方法、装置、计算机设备及计算机可读存储介质 |
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 |