DeepSaucer：用于验证深度神经网络的统一环境
软件工程
2018-11-12 v1 机器学习
摘要
近年来，已有多种验证 DNN 的方法被开发出来。由于这些方法的途径各异且各有局限，我们认为应当对已开发的 DNN 应用多种验证方法。为了将多种方法应用于 DNN，需要对 DNN 的实现或验证方法进行转换，使得一方能在与另一方相同的环境中运行。由于这些转换耗时较长，我们提出了一款名为 DeepSaucer 的实用工具，它有助于保留和复用 DNN 的实现、验证方法及其环境。在 DeepSaucer 中，加载 DNN、运行验证方法以及创建其环境的代码片段作为软件资产被保留和复用，以降低验证 DNN 的成本。基于提供虚拟环境以加载 DNN 和运行验证方法的 Anaconda 实现 DeepSaucer，验证了其可行性。此外，通过用例示例展示了 DeepSaucer 的有效性。
引用
@article{arxiv.1811.03752,
title = {DeepSaucer: Unified Environment for Verifying Deep Neural Networks},
author = {Naoto Sato and Hironobu Kuruma and Masanori Kaneko and Yuichiroh Nakagawa and Hideto Ogawa and Thai Son Hoang and Michael Butler},
journal= {arXiv preprint arXiv:1811.03752},
year = {2018}
}