深度学习框架中的自称假设：一项探索性研究
软件工程
2021-04-30 v1
摘要
深度学习（DL）框架已在许多领域的软件项目中被广泛设计、实现和使用。然而，由于知识或信息缺乏、时间压力、上下文复杂等原因，开发过程中出现了各种不确定性，导致 DL 框架中产生了假设。尽管并非所有假设都对框架有害，但未能察觉某些假设可能导致关键问题（例如系统漏洞与故障、不一致性以及成本增加）。作为解决关键问题的第一步，有必要探索并理解 DL 框架中做出的假设。为此，我们利用来自 GitHub 上九个流行 DL 框架项目的代码注释，开展了一项探索性研究，以理解自称假设（SCAs）的分布、分类与影响。结果为：（1）3,084 条 SCAs 分散在九个 DL 框架的 1,775 个文件中，从 1,460（TensorFlow）到 8（Keras）条 SCA 不等。（2）SCAs 有四种有效性类型：有效 SCA、无效 SCA、条件 SCA 和未知 SCA；基于内容有四种 SCA 类型：配置与上下文 SCA、设计 SCA、张量与变量 SCA，以及其他 SCA。（3）有效与无效 SCAs 均可能在 DL 框架的特定范围（如函数内）产生影响。做出 SCAs 会引入一定的技术债务。存在基于 SCAs 编写的源代码与做出的决策。这是首个关于 DL 框架中 SCAs 的研究，有助于研究者和从业者全面理解所做出的假设。我们还提供了首个 SCA 数据集，以供该领域的进一步研究与实践。
引用
@article{arxiv.2104.14208,
title = {Self-Claimed Assumptions in Deep Learning Frameworks: An Exploratory Study},
author = {Chen Yang and Peng Liang and Liming Fu and Zengyang Li},
journal= {arXiv preprint arXiv:2104.14208},
year = {2021}
}