Fix-Con ist ein automatisierter Ansatz zur Fehlererkennung und -behebung bei der Umwandlung von Deep-Learning-Modellen zwischen Frameworks. Es konzentriert sich auf Fehler, die während des Umwandlungsprozesses auftreten können, wie z.B. Probleme mit Eingabedaten, Parametern, Hyperparametern und dem Modellgraphen.
Fix-Con verwendet eine Reihe von Fehlertypen, die aus einer Umfrage zu Umwandlungsproblemen in Code-Repositorys und Foren gewonnen wurden, um potenzielle Umwandlungsfehler im konvertierten Zielmodell zu lokalisieren und dann entsprechend zu reparieren, z.B. durch Ersetzen der Parameter des Zielmodells durch die des Quellmodells.
Dies geschieht iterativ für jedes Bild im Datensatz, wobei die Ausgabelabeldifferenzen zwischen dem Quellmodell und dem konvertierten Zielmodell verglichen werden, bis alle Differenzen behoben sind. Fix-Con wurde evaluiert, indem es 15 fehlerhafte Modellumwandlungen zwischen vier verschiedenen Deep-Learning-Frameworks repariert hat. Insgesamt konnte Fix-Con 462 von 755 erkannten Umwandlungsfehlern beheben und 14 von 15 fehlerhaften Umwandlungsfällen vollständig reparieren oder die Leistung deutlich verbessern.
To Another Language
from source content
arxiv.org
สอบถามเพิ่มเติม