一种面向神经元特性的AI系统软件模型变异技术

摘要

本发明涉及一种面向神经元特性的AI系统软件模型变异技术。首先，计算出测试集中每个类别的数据子集的距离熵，即每个类子集的多样性程度，根据整个测试集的平均距离熵，量化测试集的整体多样性程度，自动选择相应的变异级别；在此基础上，选择相应级别的变异算子，变异得到多个变异模型；最后，筛选掉查准率较低的变异模型，计算剩余变异模型的变异得分，有效地评估测试集质量。本发明目的在于解决深度学习系统测试集质量评估难题。利用变异得分指标，可以帮助软件研发人员准确地评价测试集，保障深度学习系统的质量。