[发明专利]模型转换一致性验证及分析方法、装置及存储介质

说明书

本发明涉及神经网络领域，提出一种模型转换一致性验证及分析方法、装置及存储介质，其中的方法应用于电子装置，方法包括：确定待修改的神经网络模型，在所述待修改的神经网络模型的关键节点位置设置数据导出接口，并记录所述数据导出接口所导出的张量数据；对所述神经网络模型中需要修改的层进行分析修改，并通过对应的张量数据对所述神经网络模型的修改进行一致性验证方法。本发明通过在神经网络模型的关键节点位置设置数据导出接口，采集关键节点位置的相关数据进行验证，能够加快定位问题节点的速度。

技术领域

本发明涉及神经网络模型转换处理技术领域，尤其涉及一种模型转换一致性验证及分析方法、装置及计算机可读存储介质。

背景技术

由于各种深度学习框架的层出不穷，我们在进行算法开发到算法部署的过程中，往往都需要用到不同的框架。例如我们很有可能使用tensorflow，pytorch等进行算法开发和调试，而到了移动端部署阶段，可能会使用feather CNN nihui的NCNN或者mace等框架，这就存在模型转换的问题。

目前，在深度学习领域进行模型部署时，通常会遇到部署工具不支持模型中某些层的问题，要完成模型部署就不得不对这些层进行修改，对模型进行转换，而快速验证模型转换的一致性，并对问题所在节点位置进行定位是目前面临的难点问题，业界还未有成熟的解决方案。

发明内容

本发明提供一种模型转换一致性验证及分析方法、电子装置及计算机可读存储介质，其主要目的在于通过在神经网络模型的关键位置节点设置数据导出接口，以实现对神经网络模型的整体或者分段验证，能够加快问题节点的定位速度。

为实现上述目的，本发明提供一种模型转换一致性验证及分析方法，应用于电子装置，所述方法包括：

确定待修改的神经网络模型；

在所述待修改的神经网络模型的关键节点位置设置数据导出接口，并记录所述数据导出接口所导出的张量数据；

对所述神经网络模型中需要修改的层进行分析修改，并通过对应的张量数据对所述神经网络模型的修改进行一致性验证。

优选地，所述记录对应的数据导出接口所导出的张量数据的步骤包括：

通过数据记录装置记录所述数据导出接口所导出的前向路径Forward path的张量数据，并将各张量数据保存为标准的数据文件；其中，

所述张量数据包括整个神经网络模型的输入端张量数据、输出端张量数据，以及所述神经网络模型内部欲修改层的入端张量数据、出端张量数据。

优选地，所述通过对应的张量数据对神经网络模型的修改进行一致性验证的步骤包括：

将所述待修改的神经网络模型的输入端所记录的输入端张量数据从修改后的神经网络模型的输入端输入；

在所述修改后的神经网络模型的输出端记录输出端张量数据；

将所述修改后的神经网络模型的输出端张量数据与所述待修改的神经网络模型的输出端张量数据进行比对；

当所述修改后的神经网络模型的输出端张量数据与所述待修改的神经网络模型的输出端张量数据相同时，表明所述神经网路模型转换的一致性良好；否则，表明所述神经网络模型转换的一致性出现问题。

优选地，当所述神经网络模型转换的一致性出现问题时：

缩小所述张量数据的验证范围，利用所述神经网络模型的中间层位置节点的张量数据进行分段验证，直至定位问题节点位置。

优选地，所述方法还包括：

对所述问题节点进行分析和代码修改，并对修改后的神经网络模型进行一致性验证，直至所述神经网络模型转换的一致性得到满足。