CN110209501B - 图形处理器的频率调整方法、装置、终端及存储介质 - Google Patents

Abstract

本申请实施例公开了一种图形处理器的频率调整方法、装置、终端及存储介质，属于终端技术领域。所述方法包括：获取当前图像帧的图形处理数据量以及目标应用程序的配置信息；将图形处理数据量和配置信息输入GPU负载预测模型，得到GPU预测负载；将GPU预测负载和当前渲染参数输入GPU频率预测模型，得到GPU预测频率；根据GPU预测频率调整GPU的工作频率，GPU用于在调整后的工作频率下渲染下一帧图像帧。本申请实施例中，基于渲染当前图像帧时的数据，并利用预先训练得到的GPU负载预测模型和GPU频率预测模型预测渲染下一帧图像帧时GPU的工作频率，保证下一帧图像帧能够被及时渲染，提高了应用画面的流畅度。

Description

图形处理器的频率调整方法、装置、终端及存储介质

技术领域

本申请实施例涉及终端技术领域，特别涉及一种图形处理器的频率调整方法、装置、终端及存储介质。

背景技术

图形处理器(Graphics Processing Unit，GPU)是终端中负责图形绘制的重要组件。为了满足不同场景下的图形渲染需求，GPU的工作频率需要进行动态调整。

相关技术中，终端预置有多种工作模式，比如低功耗模式、正常模式和高性能模式。其中，当终端电量较低或对续航要求较高时，GPU在低功耗模式下保持较低的工作频率；当终端运行游戏等对图形绘制要求较高的应用程序时，GPU则在高性能模式下以高工作频率工作，保证图形绘制质量及绘制速度。

发明内容

本申请实施例提供了一种图形处理器的频率调整方法、装置、终端及存储介质。所述技术方案如下：

一方面，本申请实施例提供了一种图形处理器的频率调整方法，所述方法应用于安装有目标应用程序的终端，所述方法包括：

获取当前图像帧的图形处理数据量以及所述目标应用程序的配置信息；

将所述图形处理数据量和所述配置信息输入GPU负载预测模型，得到GPU预测负载，所述GPU负载预测模型根据样本图形处理数据量、样本配置信息以及样本GPU负载训练得到；

将所述GPU预测负载和当前渲染参数输入GPU频率预测模型，得到GPU预测频率，所述GPU频率预测模型根据样本GPU负载、样本渲染参数以及样本GPU频率训练得到；

根据所述GPU预测频率调整GPU的工作频率，所述GPU用于在调整后的工作频率下渲染下一帧图像帧。

另一方面，本申请实施例提供了一种图形处理器的频率调整装置，所述装置应用于安装有目标应用程序的终端，所述装置包括：

第一获取模块，用于获取当前图像帧的图形处理数据量以及所述目标应用程序的配置信息；

负载预测模块，用于将所述图形处理数据量和所述配置信息输入GPU负载预测模型，得到GPU预测负载，所述GPU负载预测模型根据样本图形处理数据量、样本配置信息以及样本GPU负载训练得到；

频率预测模块，用于将所述GPU预测负载和当前渲染参数输入GPU频率预测模型，得到GPU预测频率，所述GPU频率预测模型根据样本GPU负载、样本渲染参数以及样本GPU频率训练得到；

调整模块，用于根据所述GPU预测频率调整GPU的工作频率，所述GPU用于在调整后的工作频率下渲染下一帧图像帧。

另一方面，本申请实施例提供了一种终端，所述终端包括：终端包括处理器和存储器；所述存储器存储有至少一条指令，所述至少一条指令用于被所述处理器执行以实现如上述方面所述的图形处理器的频率调整方法。

另一方面，提供了一种计算机可读存储介质，所述存储介质存储有至少一条指令，所述至少一条指令用于被处理器执行以实现如上述方面所述的图形处理器的频率调整方法。

另一方面，还提供了一种计算机程序产品，该计算机程序产品存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现上述方面所述的图形处理器的频率调整方法。

本申请实施例中，通过获取当前图像帧的图形处理数据量以及目标应用程序的配置信息，并将图形处理数据量和配置信息输入GPU负载预测模型，得到GPU预测负载，从而将GPU预测负载和当前渲染参数输入GPU频率预测模型，得到GPU预测频率，进而根据该GPU预测频率调整GPU的工作频率，以便GPU在调整后的工作频率下渲染下一帧图像帧；采用本申请实施例提供的方法，基于渲染当前图像帧时的数据，并利用预先训练得到的GPU负载预测模型和GPU频率预测模型预测渲染下一帧图像帧时GPU的工作频率，实现了GPU工作频率的实时调整，保证下一帧图像帧能够被及时渲染，从而降低应用画面出现卡顿的概率，提高了应用画面的流畅度。

附图说明

图1和图2示出了本申请一个示例性实施例提供的终端的结构方框图；

图3示出了本申请一个示例性实施例示出的图形处理器的频率调整方法的流程图；

图4是示例性实施例示出的GPU负载变化曲线图；

图5示出了本申请另一个示例性实施例示出的图形处理器的频率调整方法的流程图；

图6是图5所示频率调整方法实施过程的实施示意图；

图7示出了本申请一个实施例提供的图形处理器的频率调整装置的结构框图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

在本文中提及的“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。

参考图1和图2所示，其示出了本申请一个示例性实施例提供的终端100的结构方框图。该终端100可以是手机、平板电脑、笔记本电脑和电子书等。本申请中的终端100可以包括一个或多个如下部件：中央处理器110、存储器120和显示屏130。

处理器110可以包括一个或者多个处理核心。处理器110利用各种接口和线路连接整个终端100内的各个部分，通过运行或执行存储在存储器120内的指令、程序、代码集或指令集，以及调用存储在存储器120内的数据，执行终端100的各种功能和处理数据。可选地，处理器110可以采用数字信号处理(Digital Signal Processing，DSP)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)、可编程逻辑阵列(Programmable LogicArray，PLA)中的至少一种硬件形式来实现。处理器110可集成中央处理器(CentralProcessing Unit，CPU)、图形处理器(Graphics Processing Unit，GPU)、神经网络处理器(Neural-network Processing Unit，NPU)和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责触摸显示屏130所需要显示的内容的渲染和绘制；NPU用于实现人工智能(Artificial Intelligence，AI)功能；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器110中，单独通过一块芯片进行实现。

存储器120可以包括随机存储器(Random Access Memory，RAM)，也可以包括只读存储器(Read-Only Memory)。可选地，该存储器120包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器120可用于存储指令、程序、代码、代码集或指令集。存储器120可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现下述各个方法实施例的指令等；存储数据区可存储根据终端100的使用所创建的数据(比如音频数据、电话本)等。

以操作系统为安卓(Android)系统为例，存储器120中存储的程序和数据如图1所示，存储器120中存储有Linux内核层220、系统运行库层240、应用框架层260和应用层280。Linux内核层220为终端100的各种硬件提供了底层的驱动，如显示驱动、音频驱动、摄像头驱动、蓝牙驱动、Wi-Fi驱动、电源管理等。系统运行库层240通过一些C/C++库来为Android系统提供了主要的特性支持。如SQLite库提供了数据库的支持，OpenGL/ES库提供了3D绘图的支持，Webkit库提供了浏览器内核的支持等。在系统运行库层240中还提供有Android运行时库242(Android Runtime)，它主要提供了一些核心库，能够允许开发者使用Java语言来编写Android应用。应用框架层260提供了构建应用程序时可能用到的各种API，开发者也可以通过使用这些API来构建自己的应用程序，比如活动管理、窗口管理、视图管理、通知管理、内容提供者、包管理、通话管理、资源管理、定位管理。应用层280中运行有至少一个应用程序，这些应用程序可以是操作系统自带的联系人程序、短信程序、时钟程序、相机应用等；也可以是第三方开发者所开发的应用程序，比如即时通信程序、相片美化程序等。

以操作系统为IOS系统为例，存储器120中存储的程序和数据如图2所示，IOS系统包括：核心操作系统层320(Core OS layer)、核心服务层340(Core Services layer)、媒体层360(Media layer)、可触摸层380(Cocoa Touch Layer)。核心操作系统层320包括了操作系统内核、驱动程序以及底层程序框架，这些底层程序框架提供更接近硬件的功能，以供位于核心服务层340的程序框架所使用。核心服务层340提供给应用程序所需要的系统服务和/或程序框架，比如基础(Foundation)框架、账户框架、广告框架、数据存储框架、网络连接框架、地理位置框架、运动框架等等。媒体层360为应用程序提供有关视听方面的接口，如图形图像相关的接口、音频技术相关的接口、视频技术相关的接口、音视频传输技术的无线播放(AirPlay)接口等。可触摸层380为应用程序开发提供了各种常用的界面相关的框架，可触摸层380负责用户在终端100上的触摸交互操作。比如本地通知服务、远程推送服务、广告框架、游戏工具框架、消息用户界面接口(User Interface，UI)框架、用户界面UIKit框架、地图框架等等。

在图2所示出的框架中，与大部分应用程序有关的框架包括但不限于：核心服务层340中的基础框架和可触摸层380中的UIKit框架。基础框架提供许多基本的对象类和数据类型，为所有应用程序提供最基本的系统服务，和UI无关。而UIKit框架提供的类是基础的UI类库，用于创建基于触摸的用户界面，iOS应用程序可以基于UIKit框架来提供UI，所以它提供了应用程序的基础架构，用于构建用户界面，绘图、处理和用户交互事件，响应手势等等。

显示屏130用于显示用户界面的显示组件。可选的，该显示屏130还具有触控功能，用于接收用户使用手指、触摸笔等任何适合的物体在其上或附近的触摸操作。显示屏130通常设置在终端130的前面板。显示屏130可被设计成为全面屏、曲面屏、异型屏、双面屏或折叠屏。显示屏130还可被设计成为全面屏与曲面屏的结合，异型屏与曲面屏的结合，本实施例对此不加以限定。

除此之外，本领域技术人员可以理解，上述附图所示出的终端100的结构并不构成对终端100的限定，终端可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。比如，终端100中还包括射频电路、输入单元、传感器、音频电路、无线保真(Wireless Fidelity，WiFi)模块、电源、蓝牙模块等部件，在此不再赘述。

相关技术中，终端根据当前所处的工作模式，动态调整GPU的工作频率。比如，终端在运行游戏应用程序时处于高性能工作模式，在高性能工作模式下，GPU以高工作频率运行，充分发挥GPU性能，保证游戏图像帧及时渲染，提高游戏画面的流畅度。

然而，采用这种调整方式时，GPU将保持某一固定工作频率，但是在实际应用场景下，应用程序在不同运行场景下对GPU性能的要求可能不同，若保持固定工作频率，可能会造成GPU性能不足(比如对GPU性能的要求突然增高)或CPU性能过剩(比如对GPU性能的要求突然降低)，导致应用画面出现卡顿或GPU功耗浪费。

本申请实施例提供的方案中，通过离线训练用于预测GPU负载的GPU负载预测模型，以及用于预测GPU频率的GPU频率预测模型，从而在运行应用程序过程中，利用GPU负载预测模型和GPU频率预测模型预测渲染下一帧图像帧时GPU的工作频率，实现对GPU工作频率的实时调整，保证GPU能够在动态调整的工作频率下及时渲染图像帧，即避免了应用画面出现卡顿，又能够降低GPU的功耗，下面采用示意性的实施例进行说明。

请参考图3，其示出了本申请一个示例性实施例示出的图形处理器的频率调整方法的流程图。本实施例以该方法应用于图1或2所示的终端100来举例说明。该方法包括：

步骤301，获取当前图像帧的图形处理数据量以及目标应用程序的配置信息。

其中，当前图像帧是已由GPU完成渲染的图像帧，相应的，图形处理数据量是渲染当前图像帧时所处理数据的数据量，其中，图形处理数据量与GPU负载呈正相关关系，即图形处理数据量越大，GPU进行图像帧渲染时的负载越大。

在一种可能的实施方式中，当前图像帧的图形处理数据量可以为当前图像帧中顶点(vertex)的顶点数。

针对图形处理数据量的获取方式，在一种可能的实施方式中，每次完成图像帧绘制时，终端通过drawcall获取GPU渲染当前图像帧时的图形处理数据量。

可选的，配置信息是与目标应用程序中图像显示配置相关的信息，该配置信息可以为目标应用程序根据终端硬件配置情况自动设置，和/或，由用户手动设置。

并且，不同目标应用程序对应的配置信息的类型可能不同。以目标应用程序为游戏应用程序为例，该配置信息可以包括如下至少一种：游戏角色描边(开或关)、相机高度(高、中、低)、画面质量(极低、低、中、高、极高)、界面动画(开或关)、局外角色光晕(开或关)、高帧率模式(开或关)、分辨率(高分辨率、中分辨率、低分辨率)。

针对配置信息的获取方式，在一种可能的实施方式中，目标应用程序中内嵌有用于与终端操作系统进行数据通信的软件开发工具包(Software Development Kit，SDK)，目标应用程序运行过程中，目标应用程序即调用SDK的应用程序编程接口(ApplicationProgramming Interface，API)向终端操作系统发送该配置信息。

可选的，由于配置信息在应用程序运行过程中发生变化的概率较低，因此，目标应用程序在检测到配置信息发生变化时，向终端操作系统发送变化后的配置信息，有终端操作系统对最新的配置信息进行存储，以便后续使用。

步骤302，将图形处理数据量和配置信息输入GPU负载预测模型，得到GPU预测负载，GPU负载预测模型根据样本图形处理数据量、样本配置信息以及样本GPU负载训练得到。

本申请实施例中，终端中存储有预先离线训练的GPU负载预测模型，获取到当前图像帧的图形处理数据量以及配置信息后，图形处理数据量和配置信息作为模型输入被输入GPU负载预测模型，由GPU负载预测模型根据图形处理数据量和配置信息预测GPU负载。

可选的，该GPU负载预测模型根据样本输入(包括样本图形处理数据量和样本配置信息)和样本输出(样本GPU负载)，通过神经网络训练得到，该神经网络可以为反向传播(Back Propagation，BP)神经网络，相应的，可以采用反向传播算法训练GPU负载预测模型，本申请实施例并不对GPU负载预测模型的具体类型以及训练方式进行限定。

可选的，利用GPU负载预测模型预测GPU负载的过程可以由终端中的NPU执行。

可选的，该GPU预测负载可以为GPU周期(GPU cycles)，其中，GPU周期用于表征GPU渲染图像帧时消耗的时钟数，其中，GPU周期越大，表明GPU渲染图像帧时消耗的时钟数越多，GPU的负载越大。

本实施例中，基于图形处理数据量和配置信息，利用GPU负载预测模型进行GPU负载预测，在保证GPU负载预测准确度的同时，避免安装使用额外的GPU分析工具。

可选的，为了进一步提高GPU负载预测的准确性，终端获取最近n帧图像帧对应的图形处理数据量，并将n个图形处理数据量和配置信息输入GPU负载预测模型(同样也是根据n个样本图形处理数据量训练得到)中，以便GPU负载预测模型根据图形数据处理量的变化情况，预测出渲染下一帧图像帧时的GPU负载。

步骤303，将GPU预测负载和当前渲染参数输入GPU频率预测模型，得到GPU预测频率，GPU频率预测模型根据样本GPU负载、样本渲染参数以及样本GPU频率训练得到。

本申请实施例中，终端中还存储有预先离线训练的GPU频率预测模型，获取到GPU预测负载后，GPU预测负载和当前渲染参数作为模型输入被输入GPU频率预测模型，由GPU频率预测模型输出GPU预测频率。

可选的，该GPU预测频率是GPU渲染下一帧图像帧时的预计工作频率，在该GPU预测频率下，GPU渲染图像帧时能够满足渲染速度，并功耗最低。

可选的，该GPU频率预测模型根据样本输入(包括样本GPU负载和样本渲染参数)和样本输出(样本GPU频率)，通过神经网络训练得到，该神经网络可以为BP神经网络，相应的，可以采用反向传播算法训练GPU频率预测模型，本申请实施例并不对GPU频率预测模型的具体类型以及训练方式进行限定。

可选的，利用GPU频率预测模型预测GPU频率的过程可以由终端中的NPU执行。

可选的，当前渲染参数中包括GPU的运行参数和/或目标应用程序的帧率参数。

本实施例中，基于当前图像帧的渲染参数，利用GPU频率预测模型进行GPU频率预测，由于相邻图像帧的内容相似，因此模型输出的GPU预测频率能够满足渲染下一帧图像帧时的GPU性能需求，保证图像帧的渲染速度。

步骤304，根据GPU预测频率调整GPU的工作频率，GPU用于在调整后的工作频率下渲染下一帧图像帧。

进一步的，根据模型输出的GPU预测频率，终端对GPU的工作频率进行调整，以便GPU根据调整后的工作频率对下一帧图像帧进行渲染。

可选的，目标应用程序运行过程中，终端循环执行上述步骤301至304，在下一帧图像帧渲染前完成GPU频率预测以及设置，保证每一帧图像帧均能够及时渲染，避免出现画面卡顿的问题。

综上所述，本申请实施例中，通过获取当前图像帧的图形处理数据量以及目标应用程序的配置信息，并将图形处理数据量和配置信息输入GPU负载预测模型，得到GPU预测负载，从而将GPU预测负载和当前渲染参数输入GPU频率预测模型，得到GPU预测频率，进而根据该GPU预测频率调整GPU的工作频率，以便GPU在调整后的工作频率下渲染下一帧图像帧；采用本申请实施例提供的方法，基于渲染当前图像帧时的数据，并利用预先训练得到的GPU负载预测模型和GPU频率预测模型预测渲染下一帧图像帧时GPU的工作频率，实现了GPU工作频率的实时调整，保证下一帧图像帧能够被及时渲染，从而降低应用画面出现卡顿的概率，提高了应用画面的流畅度。

在一种可能的实施方式中，在离线模型训练阶段，需要通过GPU分析工具获取在不同(应用程序)配置以及不同场景下，GPU的负载以及图形处理数据量，从而基于获取到的数据进行模型训练，得到GPU负载预测模型。

在一个示意性的例子中，对于游戏应用程序，在离线模型训练阶段，通过GPU分析工具获取游戏应用程序在不同配置以及不同场景下，渲染每帧图像帧的顶点数(即图形处理数据量)以及GPU周期(即GPU负载)，得到的统计结果如表一所示。

表一

通过拟合不同配置下图像帧的顶点数以及GPU周期，可以得到如图4所示不同情况下GPU负载变化曲线。

进一步的，将顶点数和配置信息作为样本输入，将GPU周期作为样本输出，通过反向传播算法训练GPU负载预测模型。

可选的，在离线训练GPU频率预测模型时，开发人员获取不同GPU负载情况下，应用程序的帧率数据以及GPU的当前工作频率，并采用人工调节方式，获取符合该帧率数据要求的最低GPU工作频率，从而将GPU的当前工作频率、GPU负载以及帧率数据作为样本输入，将最低GPU工作频率作为样本输出，采用反向传播算法训练GPU频率预测模型。下面结合上述GPU负载预测模型以及GPU频率预测模型，对图形处理器的频率调整过程进行说明。

请参考图5，其示出了本申请一个示例性实施例示出的图形处理器的频率调整方法的流程图。本实施例以该方法应用于图1或2所示的终端100来举例说明。该方法包括：

步骤501，获取目标应用程序对应的GPU负载预测模型和GPU频率预测模型。

可选的，不同应用程序对应不同GPU负载预测模型，不同应用程序对应不同GPU频率预测模型。

由于不同应用程序所对应配置信息的配置类型不同，因此在离线训练阶段，需要针对不同应用程序训练GPU负载预测模型和GPU频率预测模型。在一种可能的实施方式中，当检测到安装目标运行程序时，终端根据目标应用程序的应用标识，从服务器处获取目标应用程序对应的GPU负载预测模型和GPU频率预测模型并进行存储。后续运行目标应用程序时，终端即从本地获取目标应用程序对应的GPU负载预测模型和GPU频率预测模型。

可选的，由于应用程序的配置信息对GPU频率预测的影响较小，因此不同应用程序可以对应相同GPU频率预测模型。

可选的，除了针对不同应用程序训练模型外，还可以针对不同的终端(硬件平台)训练独立的(GPU负载和/或GPU频率)预测模型，相应在，终端获取当前终端对应的预测模型，本申请实施例对此不做限定。

步骤502，获取当前图像帧的顶点数以及目标应用程序的配置信息。

由于GPU频率预测、GPU频率设置到生效需要经过一定时间，因为为了确保在渲染下一帧图像帧时，GPU已经运行在设置的工作频率上，在一种可能的实施方式中，当接收到缓冲区交换指令(比如eglSwapBuffers)时，终端处理器即获取当前图像帧的图形处理数据量以及目标应用程序的配置信息，该缓冲区交换指令用于指示交换前缓冲区和后缓冲区。这种方式下，GPU驱动在产生命令的时间内足够完成频率预测以及频率设置，因此实时性得以保障，保证GPU渲染下一帧图像帧时，已经运行在设置的工作频率上。

本实施例中，GPU负载预测模型根据样本顶点数以及样本配置信息训练得到，因此，终端获取到的当前图像帧的图形处理数据量为顶点数。

步骤503，确定配置信息中的关键配置信息，关键配置信息对GPU负载的影响高于其他配置信息对GPU负载的影响。

在一种可能的实施方式中，终端可以将获取到的所有配置信息作为GPU负载预测模型的输入。

在另一种可能的实施方式中，由于并非所有配置均对GPU负载有较大影响，因此为了降低GPU负载预测过程中的计算量，在离线模型训练阶段，开发人员将对GPU负载影响较大的配置信息确定为关键配置信息，并设计样本关键配置信息，从而利用样本关键配置信息进行GPU负载预测模型训练，以此减少后续GPU负载预测时输入模型的数据量，从而降低计算量。

相应的，终端获取到目标应用程序当前的配置信息后，确定配置信息中的关键配置信息，而除关键配置信息以外的其他配置信息则被丢弃。

可选的，该关键配置信息包括如下至少一种：角色描边、画面质量、分辨率、粒子质量。

在一个示意性的例子中，终端获取到的配置信息包括游戏角色描边、相机高度、画面质量、界面动画、局外角色光晕、分辨率，从而将其中的游戏角色描边、画面质量和分辨率确定为关键配置信息。

当然，终端也可以直接从目标应用程序处获取关键配置信息，而无需进行筛选，本实施例对此不做限定。

步骤504，将顶点数和关键配置信息输入GPU负载预测模型，得到GPU预测负载。

进一步的，终端将获取到的顶点数和关键配置信息输入GPU负载预测模型，得到模型输出的GPU预测负载，本实施例中，该GPU预测负载为GPU周期。

示意性的，如图6所示，获取到的顶点数61和关键配置信息62被输出GPU负载预测模型63中，由GPU负载预测模型63输出GPU预测负载64。

步骤505，获取目标应用程序的目标帧率、目标应用程序的当前帧率以及GPU的当前工作频率。

为了使最终输出的GPU预测频率能够在满足渲染性能需求的基础上，尽可能处于较低的工作频率，从而达到节省功耗的效果，在一种可能的实施方式中，离线模型训练阶段，开发人员将当前帧率、目标帧率以及GPU的当前工作频率作为样本渲染数据进行模型训练；相应的，在频率预测过程中，终端获取到的渲染数据中包括目标应用程序的目标帧率、目标应用程序的当前帧率以及GPU的当前工作频率。

在一个示意性的例子中，终端获取到目标应用程序的目标帧率为60fps(每秒60帧)，当前帧率为55fps，GPU的当前工作频率为1GHz。

步骤506，将GPU预测负载、目标帧率、当前帧率和当前工作频率输入GPU频率预测模型，得到GPU预测频率。

进一步的，终端将目标帧率、当前帧率和当前工作频率以及步骤504中预测得到的GPU预测负载输入GPU频率预测模型，得到模型输出的GPU预测频率。

示意性的，如图6所示，终端将获取到的目标帧率64、当前帧率66、当前工作频率67以及GPU预测负载64输入GPU频率预测模型68中，得到GPU预测频率69。

通过上述步骤，终端预测出GPU绘制下一帧图像帧时的工作频率，从而通过下述步骤507至508设置GPU的工作频率。

步骤507，获取GPU对应的GPU频点表，GPU频点表中包括GPU对应的至少两个工作频率。

由于GPU包含特定的工作频率(频点)，因此，在设置GPU工作频率时，终端获取GPU对应的GPU频点表，以便后续从GPU频点表中确定出合适的工作频率。

在一个示意性的例子中，终端获取到的GPU频点表如表二所示。

表二

编号	工作频率
		1	800MHz
2	1000MHz
		3	1200MHz
4	1500MHz

步骤508，根据GPU预测频率和GPU频点表调整GPU的工作频率，其中，调整后GPU的工作频率属于GPU频点表。

进一步的，终端根据GPU预测频率，从GPU频点表中确定目标工作频率，从而根据目标工作频率对GPU的工作频率进行设置。其中，目标工作频率属于GPU频点表，且目标工作频率大于等于GPU预测频率。可选的，本步骤可以包括如下步骤。

一、根据GPU预测频率和预定上调比例，确定GPU目标频率。

由于预测出的GPU预测频率并非完全准确，因此为了避免出现调整频率后GPU性能不足的情况(GPU工作频率过低)，终端对GPU预测频率进行上调。

在一种可能的实施方式中，终端根据GPU预测频率和预定上调比例，计算GPU目标频率，其中，GPU目标频率＝GPU预测频率×(1+预定上调比例)，预定上调比例可以由开发人员根据经验值设定。

在一个示意性的例子中，终端根据GPU预测频率1GHz以及预定上调比例为15％，计算得到GPU目标频率为1.15GHz。

二、将GPU频点表中大于GPU目标频率，且与GPU目标频率差值最小的工作频率确定为目标工作频率。

为了在保证性能需求的前提下，降低GPU功耗，终端将GPU频点表中大于GPU目标频率，且与GPU目标频率差值最小的工作频率确定为目标工作频率。由于该目标工作频率大于GPU目标频率，因此GPU性能需求能够得到保障，且由于目标工作频率与GPU目标频率最接近，因此相较于选择其他更高的工作频率，GPU的功能得以降低。

结合表二以及上述步骤中的示例，终端根据GPU目标频率1.15GHz，从GPU频点表中确定出目标工作频率1200MHz。

三、将GPU的工作频率调整为目标工作频率。

进一步的，终端将GPU的工作频率调整为目标工作频率，以便GPU在该目标工作频率下渲染下一帧图像帧。

本实施例中，终端在接收到缓冲区交换指令时，触发进行GPU负载预测、频率预测以及频率设置，从而确保渲染下一帧图像帧时，GPU已在设置的工作频率上运行，保证了频率设置的实时性。

另外，本实施例中，终端将配置信息中的关键配置信息输入GPU负载预测模型，避免将对GPU负载影响较小的其他配置信息输入GPU负载预测模型，在保证负载预测准确性的前提下，降低了模型计算量，并提高了负载预测的效率。

此外，本实施例中，由于考虑了当前频率、目标频率以及GPU频点表，因此最终确定出的GPU工作频率既能够满足渲染的性能需求，又能够保持较低的工作频率，在性能与功耗之间达到了平衡。

请参考图7，其示出了本申请一个实施例提供的图形处理器的频率调整装置的结构框图。该装置可以通过软件、硬件或者两者的结合实现成为终端的全部或一部分。该装置包括：

第一获取模块710，用于获取当前图像帧的图形处理数据量以及所述目标应用程序的配置信息；

负载预测模块720，用于将所述图形处理数据量和所述配置信息输入GPU负载预测模型，得到GPU预测负载，所述GPU负载预测模型根据样本图形处理数据量、样本配置信息以及样本GPU负载训练得到；

频率预测模块730，用于将所述GPU预测负载和当前渲染参数输入GPU频率预测模型，得到GPU预测频率，所述GPU频率预测模型根据样本GPU负载、样本渲染参数以及样本GPU频率训练得到；

调整模块740，用于根据所述GPU预测频率调整GPU的工作频率，所述GPU用于在调整后的工作频率下渲染下一帧图像帧。

可选的，所述频率预测模块730，包括：

第一获取单元，用于获取所述目标应用程序的目标帧率、所述目标应用程序的当前帧率以及所述GPU的当前工作频率；

频率预测单元，用于将所述GPU预测负载、所述目标帧率、所述当前帧率和所述当前工作频率输入所述GPU频率预测模型，得到所述GPU预测频率。

可选的，所述调整模块740，包括：

第二获取单元，用于获取所述GPU对应的GPU频点表，所述GPU频点表中包括所述GPU对应的至少两个工作频率；

调整单元，用于根据所述GPU预测频率和所述GPU频点表调整所述GPU的工作频率，其中，调整后所述GPU的工作频率属于所述GPU频点表。

可选的，所述调整单元，用于：

根据所述GPU预测频率和预定上调比例，确定GPU目标频率；

将所述GPU频点表中大于所述GPU目标频率，且与所述GPU目标频率差值最小的工作频率确定为目标工作频率；

将所述GPU的工作频率调整为所述目标工作频率。

可选的，所述第一获取模块710，用于：

当接收到缓冲区交换指令时，获取所述当前图像帧的所述图形处理数据量以及所述目标应用程序的所述配置信息，所述缓冲区交换指令用于指示交换前缓冲区和后缓冲区。

可选的，所述负载预测模块720，包括：

确定单元，用于确定所述配置信息中的关键配置信息，所述关键配置信息对GPU负载的影响高于其他配置信息对GPU负载的影响；

负载预测单元，用于将所述图形处理数据量和所述关键配置信息输入所述GPU负载预测模型，得到所述GPU预测负载。

可选的，所述装置还包括：

第二获取模块，用于获取所述目标应用程序对应的所述GPU负载预测模型和所述GPU频率预测模型，其中，不同应用程序对应不同GPU负载预测模型，不同应用程序对应不同GPU频率预测模型。

可选的，所述图形处理数据量为所述当前图像帧的顶点数，所述GPU预测负载为GPU周期，所述GPU周期用于表征GPU渲染图像帧时消耗的时钟数。

综上所述，本申请实施例中，通过获取当前图像帧的图形处理数据量以及目标应用程序的配置信息，并将图形处理数据量和配置信息输入GPU负载预测模型，得到GPU预测负载，从而将GPU预测负载和当前渲染参数输入GPU频率预测模型，得到GPU预测频率，进而根据该GPU预测频率调整GPU的工作频率，以便GPU在调整后的工作频率下渲染下一帧图像帧；采用本申请实施例提供的方法，基于渲染当前图像帧时的数据，并利用预先训练得到的GPU负载预测模型和GPU频率预测模型预测渲染下一帧图像帧时GPU的工作频率，实现了GPU工作频率的实时调整，保证下一帧图像帧能够被及时渲染，从而降低应用画面出现卡顿的概率，提高了应用画面的流畅度。

本实施例中，终端在接收到缓冲区交换指令时，触发进行GPU负载预测、频率预测以及频率设置，从而确保渲染下一帧图像帧时，GPU已在设置的工作频率上运行，保证了频率设置的实时性。

另外，本实施例中，终端将配置信息中的关键配置信息输入GPU负载预测模型，避免将对GPU负载影响较小的其他配置信息输入GPU负载预测模型，在保证负载预测准确性的前提下，降低了模型计算量，并提高了负载预测的效率。

此外，本实施例中，由于考虑了当前频率、目标频率以及GPU频点表，因此最终确定出的GPU工作频率既能够满足渲染的性能需求，又能够保持较低的工作频率，在性能与功耗之间达到了平衡。

本申请实施例还提供了一种计算机可读介质，该计算机可读介质存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现如上各个实施例所述的图形处理器的频率调整方法。

本申请实施例还提供了一种计算机程序产品，该计算机程序产品存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现如上各个实施例所述的图形处理器的频率调整方法。

本领域技术人员应该可以意识到，在上述一个或多个示例中，本申请实施例所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时，可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。

以上所述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (9)

1.一种图形处理器的频率调整方法，其特征在于，所述方法应用于安装有目标应用程序的终端，所述方法包括：

获取当前图像帧的图形处理数据量以及所述目标应用程序的配置信息，所述图形处理数据量为所述当前图像帧的顶点数，所述配置信息是与所述目标应用程序中图像显示配置相关的信息，不同应用程序对应配置信息的配置类型不同；

将所述图形处理数据量和所述配置信息输入GPU负载预测模型，得到GPU预测负载，所述GPU负载预测模型根据样本图形处理数据量、样本配置信息以及样本GPU负载训练得到，所述样本图像处理数据量以及所述样本GPU负载由GPU分析工具在不同配置以及不同场景下获取得到，且所述GPU负载预测模型与所述目标应用程序相对应，不同应用程序对应不同GPU负载预测模型；

获取所述目标应用程序的目标帧率、所述目标应用程序的当前帧率以及所述GPU的当前工作频率；

将所述GPU预测负载、所述目标帧率、所述当前帧率和所述当前工作频率输入GPU频率预测模型，得到GPU预测频率，所述GPU频率预测模型根据样本GPU负载、样本渲染参数以及样本GPU频率训练得到；

根据所述GPU预测频率调整GPU的工作频率，所述GPU用于在调整后的工作频率下渲染下一帧图像帧。

2.根据权利要求1所述的方法，其特征在于，所述根据所述GPU预测频率调整GPU的工作频率，包括：

获取所述GPU对应的GPU频点表，所述GPU频点表中包括所述GPU对应的至少两个工作频率；

根据所述GPU预测频率和所述GPU频点表调整所述GPU的工作频率，其中，调整后所述GPU的工作频率属于所述GPU频点表。

3.根据权利要求2所述的方法，其特征在于，所述根据所述GPU预测频率和所述GPU频点表调整所述GPU的工作频率，包括：

根据所述GPU预测频率和预定上调比例，确定GPU目标频率；

将所述GPU频点表中大于所述GPU目标频率，且与所述GPU目标频率差值最小的工作频率确定为目标工作频率；

将所述GPU的工作频率调整为所述目标工作频率。

4.根据权利要求1所述的方法，其特征在于，所述获取当前图像帧的图形处理数据量以及所述目标应用程序的配置信息，包括：

当接收到缓冲区交换指令时，获取所述当前图像帧的所述图形处理数据量以及所述目标应用程序的所述配置信息，所述缓冲区交换指令用于指示交换前缓冲区和后缓冲区。

5.根据权利要求1所述的方法，其特征在于，所述将所述图形处理数据量和所述配置信息输入GPU负载预测模型，得到GPU预测负载，包括：

确定所述配置信息中的关键配置信息，所述关键配置信息对GPU负载的影响高于其他配置信息对GPU负载的影响；

将所述图形处理数据量和所述关键配置信息输入所述GPU负载预测模型，得到所述GPU预测负载。

6.根据权利要求1至5任一所述的方法，其特征在于，所述GPU预测负载为GPU周期，所述GPU周期用于表征GPU渲染图像帧时消耗的时钟数。

7.一种图形处理器的频率调整装置，其特征在于，所述装置应用于安装有目标应用程序的终端，所述装置包括：

第一获取模块，用于获取当前图像帧的图形处理数据量以及所述目标应用程序的配置信息，所述图形处理数据量为所述当前图像帧的顶点数，所述配置信息是与所述目标应用程序中图像显示配置相关的信息，不同应用程序对应配置信息的配置类型不同；

负载预测模块，用于将所述图形处理数据量和所述配置信息输入GPU负载预测模型，得到GPU预测负载，所述GPU负载预测模型根据样本图形处理数据量、样本配置信息以及样本GPU负载训练得到，所述样本图像处理数据量以及所述样本GPU负载由GPU分析工具在不同配置以及不同场景下获取得到，且所述GPU负载预测模型与所述目标应用程序相对应，不同应用程序对应不同GPU负载预测模型；

包括第一获取单元和频率预测单元的频率预测模块，所述第一获取单元用于获取所述目标应用程序的目标帧率、所述目标应用程序的当前帧率以及所述GPU的当前工作频率；

所述频率预测单元，用于将所述GPU预测负载、所述目标帧率、所述当前帧率和所述当前工作频率输入GPU频率预测模型，得到GPU预测频率，所述GPU频率预测模型根据样本GPU负载、样本渲染参数以及样本GPU频率训练得到；

调整模块，用于根据所述GPU预测频率调整GPU的工作频率，所述GPU用于在调整后的工作频率下渲染下一帧图像帧。

8.一种终端，其特征在于，所述终端包括处理器和存储器；所述存储器存储有至少一条指令，所述至少一条指令用于被所述处理器执行以实现如权利要求1至6任一所述的图形处理器的频率调整方法。

9.一种计算机可读存储介质，其特征在于，所述存储介质存储有至少一条指令，所述至少一条指令用于被处理器执行以实现如权利要求1至6任一所述的图形处理器的频率调整方法。

Images