利用数据特征进行深度学习程序中的缺陷定位

深度学习（DL）是一类广泛应用于各种场景的机器学习算法。与任何软件系统一样，DL程序也可能存在缺陷。为支持DL程序中的缺陷定位，过去已提出多种工具。由于大多数因模型结构不当而产生的缺陷（称为结构性缺陷）会导致训练期间性能不足，开发者难以识别根本原因并解决这些缺陷。为支持DL程序中的缺陷检测与定位，本文提出了Theia，能够检测并定位DL程序中的结构性缺陷。与先前工作不同，Theia考虑训练数据集的特征，自动检测使用两个深度学习库（Keras和PyTorch）开发的DL程序中的缺陷。由于训练DL模型是一个耗时的过程，Theia在训练开始时检测这些缺陷，并通过包含缺陷位置和可操作修复方案的信息化消息提醒开发者，帮助其改进模型结构。我们在来自Stack Overflow的40个真实世界有缺陷DL程序的基准数据集上评估了Theia。结果表明，Theia成功定位了40个有缺陷程序中的57/75个结构性缺陷，而最先进的、能够在训练前定位结构性缺陷的方法NeuraLint仅定位了17/75个缺陷。