[发明专利]基于深度学习模型的可靠性检测方法及装置

说明书

本申请公开了一种基于深度学习模型的可靠性检测方法及装置，该方法包括获取原始数据集；对所述原始数据集添加随机扰动；根据添加随机扰动后的数据集对经过所述原始数据集训练得到的深度学习模型进行可靠性检测。该可靠性检测方法及装置，能够快速生成大量新样本，从而节约了成本，提升了深度学习系统可靠性检测的效率和准确度且提升了深度学习系统的性能。

技术领域

本申请涉及深度学习领域，尤指一种基于深度学习模型的可靠性检测方法及装置。

背景技术

深度学习系统，也被称为深度神经网络，当前被广泛应用于多个工业领域。深度学习系统目前主流应用领域包括图像识别，自然语言处理，文本识别等。其中图像识别领域的深度学习系统已被广泛集成于自动驾驶，机械故障提取、人脸识别等多个方面。随着计算机性能的不断地提升，深度学习系统的结构愈发复杂，其性能也愈发优秀。但是，深度学习系统在工业应用之前，应当对其可靠性，准确性进行相应的测试，以保证产品满足标准。深度学习系统的可靠性测试目前主要是通过测试集的准确率、误差度来评估的。但是测试集的收集标注是昂贵的，往往需要大量的人力物力进行数据收集整理；同时收集到的数据也并不能全方位测试出深度学习系统的可靠性。更为重要的一点，实地收集数据并反馈给被测系统其时间耗费是巨大的，在快速迭代的深度学习领域，这样的时间需求通常难以满足。因此，创建一个新型的、费用低廉的，能够快速检测深度学习系统可靠性，并提升系统性能的技术对于深度学习系统开发者、测试者是有重大意义的，能够极大的提升技术迭代的效率。

发明内容

本申请提供了一种基于深度学习模型的可靠性检测方法及装置，能够快速生成大量新样本，从而节约了成本，提升了深度学习系统可靠性检测的效率和准确度，提升了深度学习系统的性能。

本申请提供的一种基于深度学习模型的可靠性检测方法，包括：

获取原始数据集；

对所述原始数据集添加随机扰动；

根据添加随机扰动后的数据集对经过所述原始数据集训练得到的深度学习模型进行可靠性检测。

一种示例性的实施例中，所述对所述原始数据集添加随机扰动，包括：

根据预设扰动宽度和预设扰动分布批量生成随机扰动数据；

将所述随机扰动数据施加到所述原始数据集，更新得到新数据集的输入变量，同时将所述原始数据集的输出变量作为新数据集的相应的输出变量。

一种示例性的实施例中，所述根据添加随机扰动后的数据集对经过所述原始数据集训练得到的深度学习模型进行可靠性检测，包括：

对所述新数据集中的输入变量进行裁剪，以使新数据集中的输入变量满足预设深度学习模型的输入要求；

根据经裁剪后的新数据集对经过所述原始数据集训练得到的深度学习模型进行测试。

一种示例性的实施例中，对于所述添加随机扰动后的数据集中的任一数据，当可靠性检测中的输出变量与对应的所述添加随机扰动后的数据集中的输出变量不一致时，将该数据作为测试不通过的数据添加到原始数据集中，对所述深度学习模型重新进行训练。

一种示例性的实施例中，所述对所述新数据集中的输入变量进行裁剪，包括：

确定所述新数据集中的输入变量的取值范围；

当所述新数据集中的输入变量的值超过所述取值范围的上限值时，将超过所述取值范围的上限值的输入变量的值限定为取值范围的上限值；

当所述新数据集中的输入变量的值小于所述取值范围的下限值时，将小于所述取值范围的下限值的输入变量的值限定为取值范围的下限值。

一种示例性的实施例中，按照如下方法得到所述深度学习模型：

将所述原始数据集划分为训练集和测试集；

构建深度学习系统；