[发明专利]一种winograd卷积神经网络脆弱性评估方法及装置

权利要求书

1.一种winograd卷积神经网络脆弱性评估方法，其特征在于：所述方法包括如下步骤：

步骤1：下载数据集，将数据集中的图像逐一输入到基于winograd卷积的神经网络中，在执行winograd卷积层中转换阶段和元素级乘法运算阶段时，将其中的乘法和加法操作的结果值提取出来作为参数值；

步骤2：设置一个比特错误率值和故障注入粒度，将参数值、比特错误率值、故障注入粒度输入到操作级故障注入平台的代码中，输出结果值；

步骤3：比特错误率值从低到高取值，依次作为模型输入，在每个比特错误率下迭代执行步骤2，输出每个比特错误率下对应的精度值。

2.根据权利要求1所述winograd卷积神经网络脆弱性评估方法，其特征在于：所述基于winograd卷积的神经网络包括但不限于基于winograd卷积的VGG，基于winograd卷积的ResNet。

3.根据权利要求1所述winograd卷积神经网络脆弱性评估方法，其特征在于：所述数据集包括但不限于CIFAR-10，ImageNet数据集。

4.根据权利要求1所述winograd卷积神经网络脆弱性评估方法，其特征在于：所述比特错误率值是指出现故障的比特个数占总的比特数的百分比值。

5.根据权利要求1所述winograd卷积神经网络脆弱性评估方法，其特征在于：所述故障注入粒度包括但不限于模型粒度，层粒度，操作粒度。

6.根据权利要求2所述winograd卷积神经网络脆弱性评估方法，其特征在于：所述数据集为ImageNet数据集，将数据集中的图像逐一输入到基于winograd卷积的神经网络中，在执行winograd卷积层中转换阶段和元素级乘法运算阶段时，将其中的乘法和加法操作的结果值提取出来作为参数值。

7.根据权利要求6所述winograd卷积神经网络脆弱性评估方法，其特征在于：

步骤11.1：选择公开的ImageNet图像数据库中的Training images和Validationimages，将其中的图像统一缩放到规定的尺寸224x224像素，作为输入数据集；

步骤11.2： 基于winograd卷积的神经网络计算首先依据网络中的权值g以及转换矩阵G，计算针对权值矩阵g的中间矩阵；将单次winograd卷积运算输入的特征图矩阵d，转换矩阵B，计算针对输入特征图矩阵d的中间矩阵；利用权值中间矩阵U和输入特征图矩阵V计算矩阵，对结果矩阵M执行矩阵转换，得到针对所述输入特征图d的卷积运算结果Fi；对针对输入特征图的中间矩阵Fi进行累加，i表示输入特征图的第i个通道，以获取最终的输出特征图；

步骤12：设置一个比特错误率值和故障注入粒度和网络粒度，将采集的乘法和加法操作值，设置的比特错误率值和故障注入粒度三种参数输入到操作级故障注入平台的代码中，获取精度值；

步骤13：比特错误率值从低到高取值，依次将每个比特错误率值作为模型输入，在每个比特错误率下迭代执行步骤12，输出每种比特错误率下对应的精度值。

8.根据权利要求1所述winograd卷积神经网络脆弱性评估方法，其特征在于：所述步骤2中的操作级故障注入平台的实现方法包括：

步骤21：比特错误率值乘以总的操作个数计算出需要注入的比特的个数，在计算操作值参数中随机选择比特值；

步骤22：将步骤s1选取的比特值中的1变成0或者0变成1，使得数据产生比特翻转错误；

步骤23：依据有故障之后的数据再执行winograd卷积神经网络运算。