【技术实现步骤摘要】
本专利技术涉及人工智能，更具体的说，涉及深度学习算子的随机测试方法、装置、设备和存储介质。
技术介绍
1、深度学习算子（operator）通常用于构建神经网络的各个层和组件，实现数据的传递、转换和计算。深度学习算子是深度学习模型的基本组成单元，它们定义了模型的结构和运算流程，包括输入、输出和中间计算。在深度学习软件库开发中，深度学习算子的随机测试是算子尺寸与功能泛化性支持质量保证的重要环节。
2、如何有效进行深度学习算子的随机测试是关键挑战。在现有技术中，直接构造算子的输入张量的随机形状（shape），然后通过规则约束剔除非法的随机形状，再利用剩余的合法随机形状执行测试。然而，直接随机产生的随机形状中通常存在大量冗余的非法形状，需要执行过滤处理以去除非法形状，导致随机测试效率不高。
技术实现思路
1、本专利技术提出深度学习算子的随机测试方法、装置、设备和存储介质，有助于提高测试效率。
2、本专利技术实施方式的技术方案如下：
3、一种深度学习算子的随机测试方法，包括：
4、基于深度学习算子的第一张量的第一尺寸与所述深度学习算子的第二张量的第二尺寸之间的关联关系，确定表征所述第一尺寸的第一表达式及表征所述第二尺寸的第二表达式，其中所述第一表达式和所述第二表达式包含相同的随机变量；
5、确定所述随机变量的随机值；
6、基于所述随机值，确定所述第一尺寸和所述第二尺寸；
7、基于所述第一尺寸和所述第二尺寸，测
8、在一个实施方式中，所述第一张量为所述深度学习算子的输入张量或输出张量，所述第二张量为所述深度学习算子的输入张量或输出张量；
9、所述确定所述随机变量的随机值包括：
10、基于所述深度学习算子的属性参数或基于用户触发的取值范围设定指令，确定所述随机变量的取值范围；
11、在所述取值范围中，确定所述随机变量的随机值。
12、在一个实施方式中，所述深度学习算子为卷积算子，所述深度学习算子的第一张量的第一尺寸与所述深度学习算子的第二张量的第二尺寸之间的关联关系包括下列中的至少一个：
13、所述深度学习算子的卷积输入张量的输入通道大小与所述深度学习算子的卷积权重张量的输入通道大小相同；
14、所述深度学习算子的卷积输出张量的输出通道大小与所述深度学习算子的卷积权重张量的输出通道大小相同；
15、所述深度学习算子的卷积输出张量的高度大小等于(input_height+2×padding–dilation×(kernel_height_size-1)–1)/stride+1，其中input_height为所述深度学习算子的卷积输入张量的高度大小；padding为所述深度学习算子的填充参数；dilation为所述深度学习算子的膨胀参数；kernel_height_size为所述深度学习算子的卷积权重张量的卷积核高度大小；stride为所述深度学习算子的步长；
16、所述深度学习算子的卷积输出张量的宽度大小等于(input_width+2×padding–dilation×(kernel_width_size-1)–1)/stride+1，其中input_width为所述深度学习算子的卷积输入张量的宽度大小；padding为所述深度学习算子的填充参数；dilation为所述深度学习算子的膨胀参数；kernel_width_size为所述深度学习算子的卷积权重张量的卷积核宽度大小；stride为所述深度学习算子的步长。
17、在一个实施方式中，所述深度学习算子为矩阵乘算子，所述深度学习算子的第一张量的第一尺寸与所述深度学习算子的第二张量的第二尺寸之间的关联关系包括下列中的至少一个：
18、当所述矩阵乘算子的第一输入张量的转置为假且所述矩阵乘算子的第二输入张量的转置为假时，所述第一输入张量的第二维大小与所述第二输入张量的第一维大小相同，所述矩阵乘算子的输出张量的第一维大小与第一输入张量的第一维大小相同，所述矩阵乘算子的输出张量的第二维大小与第二输入张量的第二维大小相同；
19、当所述矩阵乘算子的第一输入张量的转置为真且所述矩阵乘算子的第二输入张量的转置为假时，所述第一输入张量的第一维大小与所述第二输入张量的第一维大小相同，所述矩阵乘算子的输出张量的第一维大小与第一输入张量的第二维大小相同，所述矩阵乘算子的输出张量的第二维大小与第二输入张量的第二维大小相同；
20、当所述矩阵乘算子的第一输入张量的转置为假且所述矩阵乘算子的第二输入张量的转置为真时，所述第一输入张量的第二维大小与所述第二输入张量的第二维大小相同，所述矩阵乘算子的输出张量的第一维大小与第一输入张量的第一维大小相同，所述矩阵乘算子的输出张量的第二维大小与第二输入张量的第一维大小相同；
21、当所述矩阵乘算子的第一输入张量的转置为真且所述矩阵乘算子的第二输入张量的转置为真时，所述第一输入张量的第一维大小与所述第二输入张量的第二维大小相同，所述矩阵乘算子的输出张量的第一维大小与第一输入张量的第二维大小相同，所述矩阵乘算子的输出张量的第二维大小与第二输入张量的第一维大小相同。
22、在一个实施方式中，所述深度学习算子为偏置向量加法算子，所述深度学习算子的第一张量的第一尺寸与所述深度学习算子的第二张量的第二尺寸之间的关联关系包括下列中的至少一个：所述偏置向量加法算子的偏置输入张量的偏置输入大小与所述偏置向量加法算子的特征输入张量的通道大小相同；所述偏置向量加法算子的输出张量的尺寸与所述偏置向量加法算子的特征输入张量的特征输入尺寸相同；或
23、所述深度学习算子为逐点运算算子，所述深度学习算子的第一张量的第一尺寸与所述深度学习算子的第二张量的第二尺寸之间的关联关系包括下列中的至少一个：所述逐点运算算子的两个输入张量的对应维度的大小相同或为1，其中为1的维度表征在该维度进行广播，所述逐点运算算子支持广播；所述逐点运算算子的输出张量的各个维度的大小与输入张量的对应维度的大小的最大值相同；或
24、所述深度学习算子为组类算子，所述深度学习算子的第一张量的第一尺寸与所述深度学习算子的第二张量的第二尺寸之间的关联关系包括：所述组类算子的组卷积运算和组归一化运算中的输入张量的通道大小，是所述组类算子的组大小的整数倍；或
25、所述深度学习算子为注意力算子，所述深度学习算子的第一张量的第一尺寸与所述深度学习算子的第二张量的第二尺寸之间的关联关系包括下列中的至少一个：当所述注意力算子的查询输入张量、键输入张量和值输入张量的第一维为批大小与头部数的乘积时，所述查询输入张量、键输入张量和值输入张量的第一维的大小相同；当所述注意力算子的查询输入张量、键输入张量和值输入张量的第二维为序列长度时，所述键输入张量和所述值输入张量的第二维的大小相同；当所述注意力算子的查询输入张量、键输入张量和值输入张量的第三本文档来自技高网...
【技术保护点】
1.一种深度学习算子的随机测试方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，
3.根据权利要求1所述的方法，其特征在于，所述深度学习算子为卷积算子，所述深度学习算子的第一张量的第一尺寸与所述深度学习算子的第二张量的第二尺寸之间的关联关系包括下列中的至少一个：
4.根据权利要求1所述的方法，其特征在于，所述深度学习算子为矩阵乘算子，所述深度学习算子的第一张量的第一尺寸与所述深度学习算子的第二张量的第二尺寸之间的关联关系包括下列中的至少一个：
5.根据权利要求1所述的方法，其特征在于，
6.根据权利要求1-5中任一项所述的方法，其特征在于，所述基于深度学习算子的第一张量的第一尺寸与所述深度学习算子的第二张量的第二尺寸之间的关联关系，确定表征所述第一尺寸的第一表达式及表征所述第二尺寸的第二表达式包括：
7.根据权利要求1-5中任一项所述的方法，其特征在于，所述基于所述第一尺寸和所述第二尺寸，测试所述深度学习算子包括下列中的至少一个：
8.一种深度学习算子的随机测试装置，其特征在于，
9.一种电子设备，其特征在于，包括：
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令在被处理器执行时，使所述处理器执行如权利要求1-7中任一项所述的深度学习算子的随机测试方法。
...【技术特征摘要】
1.一种深度学习算子的随机测试方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，
3.根据权利要求1所述的方法，其特征在于，所述深度学习算子为卷积算子，所述深度学习算子的第一张量的第一尺寸与所述深度学习算子的第二张量的第二尺寸之间的关联关系包括下列中的至少一个：
4.根据权利要求1所述的方法，其特征在于，所述深度学习算子为矩阵乘算子，所述深度学习算子的第一张量的第一尺寸与所述深度学习算子的第二张量的第二尺寸之间的关联关系包括下列中的至少一个：
5.根据权利要求1所述的方法，其特征在于，
6.根据权利要求1-5中任一项所述的方法，其特征在于，所述基于...
【专利技术属性】
技术研发人员：请求不公布姓名，请求不公布姓名，
申请(专利权)人：北京壁仞科技开发有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。