[发明专利]一种基于动态时序图的模型性能推理方法与装置

权利要求书

1.一种基于动态时序图的模型性能推理方法，其特征在于，包括以下步骤：

(1)选取数据集，构建种子模型，设定模型训练参数，使用数据集训练种子模型，得到种子模型的检查点；

(2)读取步骤(1)生成的种子模型的检查点，初始化无向有权图，将种子模型的映射为时间演化图；

(3)计算时间演化图对应的特征向量中心性，得到图节点特征；

(4)将步骤(2)得到的时间演化图中t时刻的图称为时间静态图，利用图节点特征计算每个时刻静态图的统计特征，聚合得到时序特征；

(5)基于时序特征构建损失函数，训练得到性能预测分类器，通过性能预测分类器完成模型性能推理。

2.根据权利要求1所述的基于动态时序图的模型性能推理方法，其特征在于，所述数据集为包括Cifar10、Cifar100或Mnist在内的数据集；所述种子模型为包括Lenet5、VGG、Resnet在内的深度学习模型。

3.根据权利要求1所述的基于动态时序图的模型性能推理方法，其特征在于，所述构建种子模型具体为：改变种子模型训练的学习率和随机失活率，生成足量的种子模型其中lr_n和drop_n分别表示不同学习率和不同随机失活率的数量。

4.根据权利要求1所述的基于动态时序图的模型性能推理方法，其特征在于，所述训练种子模型具体为：

设为一神经网络在学习率lr_i和dropout率drop_j下，训练迭代T次得到的模型集；每个表示为t训练时刻保存的检查点，即为模型的t时刻的权重参数θ；其中每组模型集的训练损失函数为：

其中x表示参与训练的图像样本，y表示x样本对应的真实标签，lr表示模型集设定的学习率，drop表示模型集设定的随机失活率，θ表示模型需要更新的权重参数，class_n表示分类任务的类别数，yi表示样本x在类别i的真实分布，表示样本x在类别i的预测分布。

5.根据权利要求1所述的基于动态时序图的模型性能推理方法，其特征在于，所述步骤(2)具体为：

(2.1)读取神经网络模型检查点：

读取步骤(1)生成的种子模型保存的检查点保存至矩阵θ；＝其中θ包含模型的全部参数，Kⁱ表示是该模型第i层的核，对于卷积层有fⁱ个滤波器；对于全连接层有fⁱ个神经元；模型层数为deep_n，节点数为node_n；

(2.2)初始化图

所述图为无向有权图；将模型的Kⁱ层的滤波器或神经元映射为节点即在Kⁱ层创建fⁱ个节点并分别表示为设图的节点属性为空，相邻两层的节点之间的权边为即初始化图为

(2.3)将种子模型的映射到图具体为：

将模型的权重θ映射为图具体表示为以下公式：

其中，||·||为范数公式，为第i层核的第k个滤波器，为下一层核的第l个滤波器，即为两个滤波器之间的参数取范数。为第i层核的第k个节点和第j层核的第l个节点的权边；重复上述步骤，直至该模型的每层参数都被映射为图

(2.4)重复上述步骤(2.1)～步骤(2.3)，直至全部映射为时间演化图所有种子模型Ν映射为时间演化图集合

6.根据权利要求1所述的基于动态时序图的模型性能推理方法，其特征在于，所述步骤(3)具体为：

图的特征向量中心性的计算公式如下所示：

其中，A为图的邻接矩阵，λ^-1为矩阵A的特征值；α为向量，用于度量图中的每个节点的重要性，经过多次迭代达到稳态后赋值给

的长度为图的节点数；重复计算上述公式，直至时间演化图均计算其相应的特征向量中心性时间演化图集合G计算得到