本申請適用于機器學習技術領域，提供了一種模型的性能評估方法、裝置、終端設備及存儲介質，該方法包括：獲取測試數據；將所述測試數據輸入至待評估的模型，得到所述待評估的模型的輸出數據，其中，所述輸出數據包括與所述測試數據對應的檢測結果和所述模型處理所述測試數據過程中的異常數據；基于檢測結果和異常數據，評估所述模型的性能；本申請采用檢測結果和異常數據共同進行評估，從多個角度對模型的性能進行評估，可以更全面的評估模型的性能，得到的模型的性能也更準確，更具有參考價值。值。值。
【技術實現步驟摘要】
一種模型的性能評估方法、裝置、終端設備及存儲介質
[0001]本申請屬于機器學習
，尤其涉及一種模型的性能評估方法、裝置、終端設備及存儲介質。
技術介紹
[0002]機器學習模型是一種分析數據的過程，通過機器內部對不同問題建立的不同數學模型，將輸入數據映射至輸出數據實現其分析功能。機器學習模型在訓練完成之后，需要對機器學習模型的性能進行評估，以確定訓練后的機器學習模型的成功程度。
[0003]隨著社會的發展，人像比對的應用越來越多，例如公安破案、肖像權訴訟等，使用人像比對模型對人像進行比對也得到了廣泛應用，因此，對人像比對模型的性能評估為采購方和研發機構均提供了有效的參考數據。目前，人像比對模型均是通過人像對比結果計算準確率，最后基于準確率這一單一的性能指標來評估人像比對模型的性能。目前僅通過準確率評估模型的性能對模型的性能評估的不夠全面，且對模型的性能評估不準確。
技術實現思路
[0004]本申請實施例提供了一種模型的性能評估方法、裝置、終端設備及存儲介質，可以解決目前對模型的性能評估不準確的問題。
[0005]第一方面，本申請實施例提供了一種模型的性能評估方法，包括：
[0006]獲取測試數據；
[0007]將所述測試數據輸入至待評估的模型，得到所述待評估的模型的輸出數據，其中，所述輸出數據包括與所述測試數據對應的檢測結果和所述模型處理所述測試數據過程中的異常數據；
[0008]基于所述輸出數據，評估所述模型的性能。
[0009]在第一方面的一種可能的實現方式中，異常數據為異常碼時，基于所述異常碼確定所述模型處理所述測試數據過程中的異常原因。
[0010]第二方面，本申請實施例提供了一種模型的性能評估裝置，包括：
[0011]數據獲取模塊，用于獲取測試數據；
[0012]輸出數據獲取模塊，用于將所述測試數據輸入至待評估的模型，得到所述待評估的模型的輸出數據，其中，所述輸出數據包括與所述測試數據對應的檢測結果和所述模型處理所述測試數據過程中的異常數據；
[0013]評估模塊，用于基于所述輸出數據，評估所述模型的性能。
[0014]第三方面，本申請實施例提供了一種終端設備，包括：存儲器、處理器以及存儲在所述存儲器中并可在所述處理器上運行的計算機程序，其特征在于，所述處理器執行所述計算機程序時實現上述第一方面中任一項所述的模型的性能評估方法。
[0015]第四方面，本申請實施例提供了一種計算機可讀存儲介質，所述計算機可讀存儲介質存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現上述第一方面
中任一項所述的模型的性能評估方法。
[0016]第五方面，本申請實施例提供了一種計算機程序產品，當計算機程序產品在終端設備上運行時，使得終端設備執行上述第一方面中任一項所述的模型的性能評估方法。
[0017]可以理解的是，上述第二方面至第五方面的有益效果可以參見上述第一方面中的相關描述，在此不再贅述。
[0018]本申請實施例與現有技術相比存在的有益效果是：本申請通過將測試數據輸入待評估的模型，得到模型的輸出數據，并基于輸出數據評估模型的性能；由于輸出數據中包括測試數據的檢測結果和模型處理測試數據過程中的異常數據，所以本申請在評估模型的性能時可以基于檢測結果和異常數據共同進行評估，與目前僅僅使用檢測結果評估模型的性能的方法相比，本申請采用檢測結果和異常數據共同進行評估，從多個角度對模型的性能進行評估，可以更全面的評估模型的性能，得到的模型的性能也更準確，更具有參考價值。
附圖說明
[0019]為了更清楚地說明本申請實施例中的技術方案，下面將對實施例或現有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本申請的一些實施例，對于本領域普通技術人員來講，在不付出創造性勞動性的前提下，還可以根據這些附圖獲得其他的附圖。
[0020]圖1是本申請一實施例提供的模型的性能評估方法的應用場景示意圖；
[0021]圖2是本申請一實施例提供的模型的性能評估方法的流程示意圖；
[0022]圖3是本申請一實施例提供的圖2中步驟3模型的性能評估的流程示意圖；
[0023]圖4是本申請一實施例提供的性能指標的計算過程示意圖；
[0024]圖5是本申請一實施例提供的模型的性能評估裝置的結構示意圖；
[0025]圖6是本申請一實施例提供的終端設備的結構示意圖；
[0026]圖7是本申請一實施例提供的計算機的部分結構的框圖。
具體實施方式
[0027]以下描述中，為了說明而不是為了限定，提出了諸如特定系統結構、技術之類的具體細節，以便透徹理解本申請實施例。然而，本領域的技術人員應當清楚，在沒有這些具體細節的其它實施例中也可以實現本申請。在其它情況中，省略對眾所周知的系統、裝置、電路以及方法的詳細說明，以免不必要的細節妨礙本申請的描述。
[0028]應當理解，當在本申請說明書和所附權利要求書中使用時，術語“包括”指示所描述特征、整體、步驟、操作、元素和/或組件的存在，但并不排除一個或多個其它特征、整體、步驟、操作、元素、組件和/或其集合的存在或添加。
[0029]還應當理解，在本申請說明書和所附權利要求書中使用的術語“和/或”是指相關聯列出的項中的一個或多個的任何組合以及所有可能組合，并且包括這些組合。
[0030]如在本申請說明書和所附權利要求書中所使用的那樣，術語“如果”可以依據上下文被解釋為“當...時”或“一旦”或“響應于確定”或“響應于檢測到”。類似地，短語“如果確定”或“如果檢測到[所描述條件或事件]”可以依據上下文被解釋為意指“一旦確定”或“響應于確定”或“一旦檢測到[所描述條件或事件]”或“響應于檢測到[所描述條件或事件]”。
[0031]另外，在本申請說明書和所附權利要求書的描述中，術語“第一”、“第二”、“第三”等僅用于區分描述，而不能理解為指示或暗示相對重要性。
[0032]在本申請說明書中描述的參考“一個實施例”或“一些實施例”等意味著在本申請的一個或多個實施例中包括結合該實施例描述的特定特征、結構或特點。由此，在本說明書中的不同之處出現的語句“在一個實施例中”、“在一些實施例中”、“在其他一些實施例中”、“在另外一些實施例中”等不是必然都參考相同的實施例，而是意味著“一個或多個但不是所有的實施例”，除非是以其他方式另外特別強調。術語“包括”、“包含”、“具有”及它們的變形都意味著“包括但不限于”，除非是以其他方式另外特別強調。
[0033]隨著深度學習和人工智能的發展，以及人像具有的獨特性，人像比對模型在各個行業中得到廣泛應用。在人像比對模型的研究過程中，人像比對模型的性能評估對人像比對模型的采購方、使用方以及研究機構提供關鍵的參考數據，所以人像比對模型的性能評估是研究過程中的關鍵步驟。
[0034]目前對人像比對模型的橫向評估多使用實驗室數據進本文檔來自技高網...
【技術保護點】
【技術特征摘要】
1.一種模型的性能評估方法，其特征在于，包括：獲取測試數據；將所述測試數據輸入至待評估的模型，得到所述待評估的模型的輸出數據，其中，所述輸出數據包括與所述測試數據對應的檢測結果和所述模型處理所述測試數據過程中的異常數據；基于所述輸出數據，評估所述模型的性能。2.如權利要求1所述的模型的性能評估方法，其特征在于，所述基于所述輸出數據，評估所述模型的性能，包括：基于所述輸出數據中的至少一個，計算所述模型的性能指標，其中，所述性能指標包括以下至少兩項：準確率、計算速度、穩定性、數據處理能力、糾錯能力、容錯能力和人臉檢測能力；基于所述模型的性能指標和每個性能指標的權重，評估所述模型的性能。3.如權利要求2所述的模型的性能評估方法，其特征在于，所述異常數據包括異常碼，其中，一個異常碼對應一種異常原因，所述異常原因包括未成功解碼、文件不完整、未識別到目標或其他異常，所述其他異常為除未成功解碼、文件不完整和未識別到目標以外的異常。4.如權利要求3所述的模型的性能評估方法，其特征在于，所述基于所述輸出數據中的至少一個，計算所述模型的性能指標，包括：基于所述未成功解碼的次數和所述測試數據的組數，計算所述模型的數據處理能力；基于所述文件不完整的次數和所述測試數據的組數，計算所述模型的糾錯能力；基于所述其他異常的次數和所述測試數據的組數，計算所述模型的容錯能力；基于所述未識別到目標的次數和所述測試數據的組數，計算所述模型的人臉檢測能力。5.如權利要求2所述的模型的性能評估方法，其特征在于，所述輸出數據還包括所述模型處理所述測試數據時的處理時間；所述檢測結果包括：檢測...
【專利技術屬性】
技術研發人員：張振，蘇哲昆，
申請(專利權)人：深圳云天勵飛技術有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。