[发明专利]网络模型异常的处理方法、装置、设备和存储介质

说明书

本公开提供了网络模型异常的处理方法、装置、设备和存储介质，涉及人工智能技术领域，尤其涉及深度学习技术领域。具体实现方案为：确定异常网络模型版本和异常样本特征值；根据所述异常网络模型版本和所述异常样本特征值，确定异常网络模型的网络参数和异常样本特征值的嵌入向量；根据所述异常网络模型的网络参数和所述嵌入向量，预测异常样本特征值的任务得分，并记录预测过程中的网络层输出值。本公开实施例能够提高网络模型的异常处理效率。

技术领域

本公开涉及人工智能技术领域，尤其涉及深度学习技术领域，具体涉及网络模型异常的处理方法、装置、设备和存储介质。

背景技术

诸如深度神经网络(Deep Neural Networks，DNN)模型之类的非线性模型，广泛应用于线上预测任务。非线性模型不同于线性模型，更似于黑盒系统，从输入层到输出层存在多个隐藏层。

在线上预测任务存在异常的情况下，需要对非线性模型进行分析，以定位模型异常原因。

发明内容

本公开提供了一种用于网络模型异常的处理方法、装置、设备和存储介质。

根据本公开的一方面，提供了一种网络模型异常的处理方法，包括：

确定异常网络模型版本和异常样本特征值；

根据所述异常网络模型版本和所述异常样本特征值，确定异常网络模型的网络参数和异常样本特征值的嵌入向量；

根据所述异常网络模型的网络参数和所述嵌入向量，预测异常样本特征值的任务得分，并记录预测过程中的网络层输出值。

根据本公开的又一方面，提供了一种网络模型异常的处理装置，包括：

版本特征值模块，用于确定异常网络模型版本和异常样本特征值；

参数向量模块，用于根据所述异常网络模型版本和所述异常样本特征值，确定异常网络模型的网络参数和异常样本特征值的嵌入向量；

预测模块，用于根据所述异常网络模型的网络参数和所述嵌入向量，预测异常样本特征值的任务得分，并记录预测过程中的网络层输出值。

根据本公开的又一方面，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本公开任意实施例所提供的网络模型异常的处理方法。

根据本公开的又一方面，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本公开任意实施例所提供的网络模型异常的处理方法。

根据本公开的又一方面，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本公开任意实施例所提供的网络模型异常的处理方法。

根据本公开的技术，能够提高网络模型的异常处理效率。

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是根据本公开实施例提供的一种网络模型异常的处理方法的示意图；

图2是根据本公开实施例提供的另一种网络模型异常的处理方法的示意图；

图3是根据本公开实施例提供的又一种网络模型异常的处理方法的示意图；