上一期，我们为大家介绍了容器（Docker）故障模式，接下来我们一起来学习了解下AI故障模式的内容吧，总共分为上下两期，这一期我们一起来学习下MindSpore模型注错。

本小节主要是针对MindSpore框架模型注错的使用进行说明。

注入的原理是在模型推理运行过程中，针对模型中神经网络神经元的输入/输出参数进行篡改、反转等操作，并不会对模型的定义有所影响。对指定模型注入之后，会输出故障注入后对模型的影响评估值，输出值的具体含义如下所示：

original_acc: 模型原始准确率

SDC（Slient Data Corruption）:代表性能下降值，为原始准确率减去当前故障准确率。

single_layer_acc_mean/max/min：单层故障模式下，准确率的均值/最大值/最小值。

single_layer_SDC_mean/max/min：单层故障模式下，SDC的均值/最大值/最小值。

all_layer_acc_mean/max/min：每层故障模式下，准确率的均值/最大值/最小值。

     all_layer_SDC_mean/max/min: 每层故障模式下，SDC的均值/最大值/最小值。

• 模型单层bit位反转

  

  

  

  

• 多层bit位反转

  ​​​​​​​

  ​​​​​​​

  

  

  

  ​​​​​​​​​​​​​​​​​​​​​​​​​​

• 自定义故障类型

  ​​​​​​​

  ​​​​​​​​​​​​​​

  

  

  

  

  DemonCAT故障注入方法，关于MindSpore模型注错的部分，我们就先介绍到这，下期预告MindSpore数据集注错，尽请期待。