.png){kind=icon}
返回
Effective random test generation for deep learning compilers
.png){kind=icon}
PRE
AI
DOI：10.1007/s11432-023-4301-6.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
深度学习编译器有助于解决在多种硬件类型上部署深度学习模型的困难。测试深度学习编译器至关重要，因为它们影响着大量使用它们进行模型优化和部署的AI应用。为了测试深度学习编译器，随机测试——编译器测试实践中常用的一种测试方法——面临着生成语义有效测试输入的挑战，即满足语义模型规范（简称为语义规范）的深度学习模型。为应对这一挑战，本文提出了一种名为Isra的新型方法，包括一个领域特定的约束求解器，该求解器无需回溯即可解决来自语义规范的约束。我们将该方法实现并应用于三个流行的真实世界深度学习编译器，包括TVM、Glow和一个名为SophGo的商业编译器。评估结果显示，Isra在构建有效测试输入以检测编译器错误方面，比最先进的方法和基线方法更有效，并且Isra成功发现了三个编译器发布版本中24个先前未知的错误。这些结果表明了Isra的有效性和实用价值。
Keyword:
random testing
test generation
deep learning compilers
compiler testing
constraint solving
期刊
IF:
7.6
论文数:
4.9K
被引数:
8.9K
机构
引用论文
.png){kind=icon}
分享收藏
分享收藏分享收藏
查看更多内容