CN110339567A - 系统资源配置、场景预测模型训练方法和装置 - Google Patents
系统资源配置、场景预测模型训练方法和装置 Download PDFInfo
- Publication number
- CN110339567A CN110339567A CN201910644647.0A CN201910644647A CN110339567A CN 110339567 A CN110339567 A CN 110339567A CN 201910644647 A CN201910644647 A CN 201910644647A CN 110339567 A CN110339567 A CN 110339567A
- Authority
- CN
- China
- Prior art keywords
- data sequence
- frame data
- historical frames
- sample
- scene
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
- A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
- A63F13/50—Controlling the output signals based on the game progress
- A63F13/52—Controlling the output signals based on the game progress involving aspects of the displayed game scene
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
- A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
- A63F13/55—Controlling game characters or game objects based on the game progress
- A63F13/56—Computing the motion of game characters with respect to other game characters, game objects or elements of the game scene, e.g. for simulating the behaviour of a group of virtual soldiers or for path finding
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
- A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
- A63F13/60—Generating or modifying game content before or while executing the game program, e.g. authoring tools specially adapted for game development or game-integrated level editor
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Human Computer Interaction (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了系统资源配置、场景预测模型训练方法和装置。系统资源配置方法的一具体实施方式包括:获取当前运行游戏的最近历史帧数据序列;将最近历史帧数据序列输入至预先训练的场景预测模型,得到当前运行游戏的未来帧数据的场景负载等级;基于未来帧数据的场景负载等级,为当前运行游戏配置系统资源。该实施方式能够提升游戏运行过程中的帧率的稳定性,有助于实现游戏的流畅运行。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及系统资源配置、场景预测模型训练方法和装置。
背景技术
移动终端游戏平台上,游戏种类越来越多,但是各种游戏对移动终端的配置要求却是参差不齐,甚至是同一游戏,在运行时的不同游戏场景,对移动终端的性能要求都是不一样的。
目前,常见的系统资源配置方式包括以下三种。其一,通过设备制造商和游戏厂商联合的方式,根据游戏厂商提供的游戏当前场景的负载配置系统资源。然而,场景数据依赖游戏厂商主动通知,而闭源游戏或者生态封闭无法获取场景数据,导致不具备普遍适用性。其二,通过获取当前游戏的访存特性,游戏运行的纹理特征,游戏与用户的交互信息判断游戏的功能场景(游戏加载场景、游戏进行场景、游戏退出场景、游戏菜单场景和游戏交互场景)配置系统资源。然而,根据游戏特征,只能预测加载、退出、进行中、菜单等场景,无法预测在游戏过程中的卡顿及掉帧场景。其三,获取游戏各阶段安卓(Android)系统设备的CPU/GPU负载,根据CPU/GPU负载调整CPU/GPU频率。然而,系统运行时的CPU/GPU负载与多种因素相关,CPU/GPU负载与前台游戏的场景复杂度不一定正相关。
发明内容
本申请实施例提出了系统资源配置、场景预测模型训练方法和装置。
第一方面,本申请实施例提供了一种系统资源配置方法,包括:获取当前运行游戏的最近历史帧数据序列;将最近历史帧数据序列输入至预先训练的场景预测模型,得到当前运行游戏的未来帧数据的场景负载等级;基于未来帧数据的场景负载等级,为当前运行游戏配置系统资源。
第二方面,本申请实施例提供了一种场景预测模型训练方法,包括:获取训练样本集合,其中,每个训练样本包括样本帧数据序列和样本场景负载等级标签,每个样本场景负载等级标签用于标识对应的样本帧数据序列之后的帧数据的场景负载等级;对于训练样本集合中的训练样本,将该训练样本中的样本帧数据序列作为输入,将该训练样本中的样本场景负载等级标签作为输出,基于分类算法训练得到场景预测模型;将场景预测模型发送至终端设备进行存储。
在一些实施例中,获取训练样本集合,包括:获取帧数据序列,其中,帧数据序列中的帧数据的数目大于预设数目;轮回采集帧数据序列,生成样本帧数据序列集合,其中,每个样本帧数据序列包括预设数目个连续的帧数据;对于样本帧数据序列集合中的样本帧数据序列,基于帧数据序列中的该样本帧数据序列之后的帧数据的场景负载等级,生成该样本帧数据序列对应的样本场景负载等级标签,得到训练样本。
在一些实施例中,获取帧数据序列,包括:从终端设备获取历史运行游戏的历史帧数据序列集合;执行以下获取步骤:确定历史帧数据序列集合中的所有历史帧数据序列是否属于同一类别;响应于确定所有历史帧数据序列属于同一类别,将历史帧数据序列集合中的所有历史帧数据序列作为帧数据序列。
在一些实施例中,获取帧数据序列,还包括:响应于确定所有历史帧数据序列不属于同一类别,确定历史帧数据序列集合是否包含预设特征集合中的特征;响应于确定历史帧数据序列集合不包含预设特征集合中的特征,基于类别占比,从历史帧数据序列集合中选取历史帧数据序列作为帧数据序列。
在一些实施例中,获取帧数据序列,还包括:响应于确定历史帧数据序列集合包含预设特征集合中的特征,确定历史帧数据序列集合包含的特征是否唯一;响应于确定历史帧数据序列集合包含的特征唯一,基于类别占比,从历史帧数据序列集合中选取历史帧数据序列作为帧数据序列。
在一些实施例中,基于类别占比,从历史帧数据序列集合中选取历史帧数据序列作为帧数据序列,包括:从历史帧数据序列集合中选取出类别占比最多的历史帧数据序列作为帧数据序列。
在一些实施例中,获取帧数据序列,还包括:响应于确定历史帧数据序列集合包含的特征不唯一,遍历历史帧数据序列集合包含的每个特征,基于最大熵算法对历史帧数据序列集合进行分类,生成历史帧数据序列子集组;对于历史帧数据序列子集组中的历史帧数据序列子集,将该历史帧数据序列子集作为历史帧数据序列集合,继续执行获取步骤。
第三方面,本申请实施例提供了一种系统资源配置装置,包括:获取单元,被配置成获取当前运行游戏的最近历史帧数据序列;预测单元,被配置成将最近历史帧数据序列输入至预先训练的场景预测模型,得到当前运行游戏的未来帧数据的场景负载等级;配置单元,被配置成基于未来帧数据的场景负载等级,为当前运行游戏配置系统资源。
第四方面,本申请实施例提供了一种场景预测模型训练装置,包括:获取单元,被配置成获取训练样本集合,其中,每个训练样本包括样本帧数据序列和样本场景负载等级标签,每个样本场景负载等级标签用于标识对应的样本帧数据序列之后的帧数据的场景负载等级;训练单元,被配置成对于训练样本集合中的训练样本,将该训练样本中的样本帧数据序列作为输入,将该训练样本中的样本场景负载等级标签作为输出,基于分类算法训练得到场景预测模型;发送单元,被配置成将场景预测模型发送至终端设备进行存储。
在一些实施例中,获取单元包括:获取子单元,被配置成获取帧数据序列,其中,帧数据序列中的帧数据的数目大于预设数目;采集子单元,被配置成轮回采集帧数据序列,生成样本帧数据序列集合,其中,每个样本帧数据序列包括预设数目个连续的帧数据;生成子单元,被配置成对于样本帧数据序列集合中的样本帧数据序列,基于帧数据序列中的该样本帧数据序列之后的帧数据的场景负载等级,生成该样本帧数据序列对应的样本场景负载等级标签,得到训练样本。
在一些实施例中,获取子单元进一步被配置成:从终端设备获取历史运行游戏的历史帧数据序列集合;执行以下获取步骤:确定历史帧数据序列集合中的所有历史帧数据序列是否属于同一类别;响应于确定所有历史帧数据序列属于同一类别,将历史帧数据序列集合中的所有历史帧数据序列作为帧数据序列。
在一些实施例中,获取子单元进一步被配置成:响应于确定所有历史帧数据序列不属于同一类别,确定历史帧数据序列集合是否包含预设特征集合中的特征;响应于确定历史帧数据序列集合不包含预设特征集合中的特征,基于类别占比,从历史帧数据序列集合中选取历史帧数据序列作为帧数据序列。
在一些实施例中,获取子单元进一步被配置成:响应于确定历史帧数据序列集合包含预设特征集合中的特征,确定历史帧数据序列集合包含的特征是否唯一;响应于确定历史帧数据序列集合包含的特征唯一,基于类别占比,从历史帧数据序列集合中选取历史帧数据序列作为帧数据序列。
在一些实施例中,获取子单元进一步被配置成:从历史帧数据序列集合中选取出类别占比最多的历史帧数据序列作为帧数据序列。
在一些实施例中,获取子单元进一步被配置成:响应于确定历史帧数据序列集合包含的特征不唯一,遍历历史帧数据序列集合包含的每个特征,基于最大熵算法对历史帧数据序列集合进行分类,生成历史帧数据序列子集组;对于历史帧数据序列子集组中的历史帧数据序列子集,将该历史帧数据序列子集作为历史帧数据序列集合,继续执行获取步骤。
第五方面,本申请实施例提供了一种电子设备,该电子设备包括:一个或多个处理器;存储装置,其上存储有一个或多个程序;当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面中实现方式描述的方法或者实现如第二方面中任一实现方式描述的方法。
第六方面,本申请实施例提供了一种计算机可读介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面中实现方式描述的方法或者实现如第二方面中任一实现方式描述的方法。
本申请实施例提供的系统资源配置、场景预测模型训练方法和装置,首先获取当前运行游戏的最近历史帧数据序列;然后将最近历史帧数据序列输入至预先训练的场景预测模型,得到当前运行游戏的未来帧数据的场景负载等级;最后基于未来帧数据的场景负载等级,为当前运行游戏配置系统资源。从而提升游戏运行过程中的帧率的稳定性,有助于实现游戏的流畅运行。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请可以应用于其中的示例性系统架构;
图2是根据本申请的系统资源配置方法的一个实施例的流程图;
图3是根据本申请的场景预测模型训练方法的一个实施例的流程图;
图4是根据本申请的场景预测模型训练方法的又一个实施例的流程图;
图5是根据本申请的场景预测模型训练方法的另一个实施例的流程图;
图6是根据本申请的系统资源配置装置的一个实施例的结构示意图;
图7是根据本申请的场景预测模型训练装置的一个实施例的结构示意图;
图8是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的系统资源配置、场景预测模型训练方法或系统资源配置、场景预测模型训练装置的实施例的示例性系统架构100。
如图1所示,系统架构100中可以包括终端设备101、网络102和服务器103。网络102用以在终端设备101和服务器103之间提供通信链路的介质。网络102可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101通过网络102与服务器103交互,以接收或发送消息等。终端设备101上可以安装有各种客户端软件,例如游戏类应用等。
终端设备101可以是硬件,也可以是软件。当终端设备101为硬件时,可以是各种电子设备。包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101为软件时,可以安装在上述电子设备中。其可以实现成多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
服务器103可以是提供各种服务的服务器。例如游戏后台服务器。游戏后台服务器可以对训练样本集合等数据进行分析等处理,生成处理结果(例如场景预测模型),并将处理结果发送至终端设备101。
需要说明的是,服务器103可以是硬件,也可以是软件。当服务器103为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器103为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是,本申请实施例所提供的系统资源配置方法一般由终端设备101执行,相应地,系统资源配置装置一般设置于终端设备101中;本申请实施例所提供的场景预测模型训练方法一般由服务器103执行,相应地,场景预测模型训练装置一般设置于服务器103中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,其示出了根据本申请的系统资源配置方法的一个实施例的流程200。该系统资源配置方法,包括以下步骤:
步骤201,获取当前运行游戏的最近历史帧数据序列。
在本实施例中,系统资源配置方法的执行主体(例如图1所示的终端设备101)可以获取当前运行游戏的最近历史帧数据序列。
实践中,游戏运行过程就是加载游戏的帧数据进行游戏场景渲染的过程。具体地,当打开上述执行主体上安装的游戏进行运行时,就会以一定的帧率持续不断地加载帧数据。这里,上述执行主体可以获取当前运行游戏的在最近一段时间段内已经加载过的帧数据,即可得到最近历史帧数据序列。其中,最近历史帧数据序列可以包括预设数目(例如N,且N为正整数)个帧数据。并且,这预设数目个帧数据是按照加载时间先后顺序进行排序的。最近历史帧数据序列中的帧间隔等于单位时间除以目标刷新率。以60FPS为例,其帧间隔为16.66ms。其中,帧数据中可以包括但不限于渲染时间、输入频率和帧时间等特征数据。
步骤202,将最近历史帧数据序列输入至预先训练的场景预测模型,得到当前运行游戏的未来帧数据的场景负载等级。
在本实施例中,上述执行主体可以将最近历史帧数据序列输入至预先训练的场景预测模型,以得到当前运行游戏的未来帧数据的场景负载等级。其中,未来帧数据可以是当前运行游戏尚未加载的帧数据。在通常情况下,未来帧数据可以是最近历史帧数据序列的下一帧数据(例如第N+1帧数据)。
这里,场景预测模型可以用于预测未来帧数据的场景负载等级。在通常情况下,场景预测模型预测的是输入其中的帧数据序列的下一帧数据的场景负载等级。场景负载等级可以用于表示场景的负载情况。例如,场景负载等级可以分为负载一级、负载二级和负载三级。其中,负载一级表示负载较轻,其场景属于轻度场景;负载二级表示负载一般,其场景属于一般场景;负载三级表示负载较重,其场景属于重度场景。
这里,场景负载模型可以是是利用机器学习方法和训练样本对现有的机器学习模型进行有监督训练而得到的。在一些实施例中,场景负载模型可以是上述执行主体收集训练样本,对现有的机器学习模型训练得到的。在另一些实施例中,场景负载模型可以是服务器收集训练样本,对现有的机器学习模型训练得到,并发送至上述执行主体进行存储的。
步骤203,基于未来帧数据的场景负载等级,为当前运行游戏配置系统资源。
在本实施例中,上述执行主体可以基于未来帧数据的场景负载等级,为当前运行游戏配置系统资源。通常,不同的场景负载等级对应不同的系统资源配置策略。当场景负载等级较轻时,适当减少系统资源分配,设备发热减少;当场景负载等级一般时,保持系统资源分配,设备发热均衡,且游戏性能均衡;当场景负载等级较重时,为游戏分配更多的系统资源,游戏帧率改善,掉帧卡顿现象减少。
本申请实施例提供的系统资源配置方法,首先获取当前运行游戏的最近历史帧数据序列;然后将最近历史帧数据序列输入至预先训练的场景预测模型,得到当前运行游戏的未来帧数据的场景负载等级;最后基于未来帧数据的场景负载等级,为当前运行游戏配置系统资源。从而提升游戏运行过程中的帧率的稳定性,有助于实现游戏的流畅运行。
继续参考图3,其示出了根据本申请的场景预测模型训练方法的一个实施例的流程300。该场景预测模型训练方法,包括以下步骤:
步骤301,获取训练样本集合。
在本实施例中,场景预测模型训练方法的执行主体(例如图1所示的服务器103)可以获取训练样本集合。其中,每个训练样本可以包括样本帧数据序列和样本场景负载等级标签。每个样本场景负载等级标签可以用于标识对应的样本帧数据序列之后的帧数据的场景负载等级。
步骤302,对于训练样本集合中的训练样本,将该训练样本中的样本帧数据序列作为输入,将该训练样本中的样本场景负载等级标签作为输出,基于分类算法训练得到场景预测模型。
在本实施例中,对于训练样本集合中的训练样本,上述执行主体可以将该训练样本中的样本帧数据序列作为输入,将该训练样本中的样本场景负载等级标签作为输出,基于分类算法训练得到场景预测模型。通常,训练过程中可以不断调整场景预测模型的参数,直至满足预设的约束条件为止。此时,场景预测模型训练完成。其中,分类算法可以包括但不限于SVW(Support Vector Machine,支持向量机)、逻辑回归、决策树、贝叶斯算法和神经网络等等。
步骤303,将场景预测模型发送至终端设备进行存储。
在本实施例中,上述执行主体可以将场景预测模型发送至终端设备进行存储。此时,当终端设备运行游戏时,就可以基于场景预测模型预测未来帧数据的场景负载等级。
本申请实施例提供的场景预测模型训练方法,首先获取训练样本集合;然后利用训练样本集合,基于分类算法训练得到场景预测模型;最后将场景预测模型发送至终端设备进行存储。利用机器学习方法训练场景预测模型,提高了场景预测模型所预测的场景负载等级的准确度。
进一步参考图4,其示出了根据本申请的场景预测模型训练方法的又一个实施例的流程400。该场景预测模型训练方法,包括以下步骤:
步骤401,获取帧数据序列。
在本实施例中,场景预测模型训练方法的执行主体(例如图1所示的服务器103)可以获取帧数据序列。其中,帧数据序列中的帧数据的数目通常大于预设数目。例如,帧数据序列中可以包括M个帧数据,预设数目可以是N,且M和N均为正整数,M>N。
步骤402,轮回采集帧数据序列,生成样本帧数据序列集合。
在本实施例中,上述执行主体可以轮回采集帧数据序列,以生成样本帧数据序列集合。其中,每个样本帧数据序列可以包括预设数目个连续的帧数据。具体地,上述执行主体可以从帧数据序列中截取任意一个包括预设数目个连续的帧数据,作为一个样本帧数据序列。实践中,若帧数据序列中包括M个帧数据,预设数目是N,那么上述执行主体最多可以生成M-N个样本帧数据序列。
步骤403,对于样本帧数据序列集合中的样本帧数据序列,基于帧数据序列中的该样本帧数据序列之后的帧数据的场景负载等级,生成该样本帧数据序列对应的样本场景负载等级标签,得到训练样本。
在本实施例中,对于样本帧数据序列集合中的样本帧数据序列,上述执行主体可以首先从帧数据序列中查找出该样本帧数据序列之后的帧数据;之后对所查找出的帧数据进行分析,以确定其场景负载等级;然后,基于所查找出的帧数据的场景负载等级生成该样本帧数据序列对应的样本场景负载等级标签;最后,将该样本帧数据序列作为训练样本中的输入信息,将其对应的样本场景负载等级标签作为训练样本中的输出信息,就生成了训练样本。在通常情况下,上述执行主体从帧数据序列中查找出该样本帧数据序列的下一帧数据。
步骤404,对于训练样本集合中的训练样本,将该训练样本中的样本帧数据序列作为输入,将该训练样本中的样本场景负载等级标签作为输出,基于分类算法训练得到场景预测模型。
步骤405,将场景预测模型发送至终端设备进行存储。
在本实施例中,步骤404-405的具体操作已在图3所示的实施例中步骤302-303中进行了详细的介绍,在此不再赘述。
从图4中可以看出,与图3对应的实施例相比,本实施例中的场景预测模型训练方法的流程400突出了训练样本集合的获取步骤。由此,本实施例描述的方案基于轮回采集方式得到训练样本,实现了对训练样本的增广。
进一步参考图5,其示出了根据本申请的场景预测模型训练方法的另一个实施例的流程500。该场景预测模型训练方法,包括以下步骤:
步骤501,从终端设备获取历史运行游戏的历史帧数据序列集合。
在本实施例中,场景预测模型训练方法的执行主体(例如图1所示的服务器103)可以从终端设备(例如图1所示的终端设备101)获取历史运行游戏的历史帧数据序列集合。通常,上述执行主体可以通大量终端设备中收集历史运行游戏的历史帧数据序列集合。
步骤502,确定历史帧数据序列集合中的所有历史帧数据序列是否属于同一类别。
在本实施例中,上述执行主体可以确定历史帧数据序列集合中的所有历史帧数据序列是否属于同一类别。若确定所有历史帧数据序列属于同一类别,则执行步骤503;若确定所有历史帧数据序列不属于同一类别,则执行步骤504。
步骤503,将历史帧数据序列集合中的所有历史帧数据序列作为帧数据序列。
在本实施中,在确定所有历史帧数据序列属于同一类别的情况下,上述执行主体可以将历史帧数据序列集合中的所有历史帧数据序列作为帧数据序列,并继续执行步骤509。
步骤504,确定历史帧数据序列集合是否包含预设特征集合中的特征。
在本实施例中,在确定所有历史帧数据序列不属于同一类别的情况下,上述执行主体可以确定历史帧数据序列集合是否包含预设特征集合中的特征。若确定历史帧数据序列集合不包含预设特征集合中的特征,则执行步骤505;若确定历史帧数据序列集合包含预设特征集合中的特征,则执行步骤506。
通常,上述主体可以提取历史帧数据序列集合中的每个历史帧数据序列的特征,并确定是否存在包含预设特征集合中的特征的历史帧数据序列。若存在包含预设特征集合中的特征的历史帧数据序列,则确定历史帧数据序列集合包含预设特征集合中的特征;反之,确定历史帧数据序列集合不包含预设特征集合中的特征。
步骤505,基于类别占比,从历史帧数据序列集合中选取历史帧数据序列作为帧数据序列。
在本实施例中,在确定历史帧数据序列集合不包含预设特征集合中的特征,或者确定历史帧数据序列集合包含的特征唯一的情况下,上述执行主体可以基于类别占比,从历史帧数据序列集合中选取历史帧数据序列作为帧数据序列,并继续执行步骤509。例如,上述执行主体可以从历史帧数据序列集合中选取出类别占比最多的历史帧数据序列作为帧数据序列。
步骤506,确定历史帧数据序列集合包含的特征是否唯一。
在本实施例中,在确定历史帧数据序列集合包含预设特征集合中的特征的情况下,上述执行主体可以确定历史帧数据序列集合包含的特征是否唯一。若确定历史帧数据序列集合包含的特征唯一,则执行步骤505;若确定历史帧数据序列集合包含的特征不唯一,则执行步骤507。
步骤507,遍历历史帧数据序列集合包含的每个特征,基于最大熵算法对历史帧数据序列集合进行分类,生成历史帧数据序列子集组。
在本实施例中,在确定历史帧数据序列集合包含的特征不唯一的情况下,上述执行主体可以遍历历史帧数据序列集合包含的每个特征,基于最大熵算法对历史帧数据序列集合进行分类,生成历史帧数据序列子集组。例如,历史帧数据序列集合包含特征A和特征B。上述执行主体可以遍历特征A,基于最大熵算法对历史帧数据序列集合进行分类;对于划分出来的每一类历史帧数据序列,上述执行主体可以遍历特征B,基于最大熵算法对该类历史帧数据序列进行再次分类。此时,再次划分出来的每一类历史帧数据序列属于一个历史帧数据序列子集。
步骤508,对于历史帧数据序列子集组中的历史帧数据序列子集,将该历史帧数据序列子集作为历史帧数据序列集合。
在本实施例中,对于历史帧数据序列子集组中的历史帧数据序列子集,上述执行主体可以将该历史帧数据序列子集作为历史帧数据序列集合,并返回继续执行步骤502。
步骤509,轮回采集帧数据序列,生成样本帧数据序列集合。
步骤510,对于样本帧数据序列集合中的样本帧数据序列,基于帧数据序列中的该样本帧数据序列之后的帧数据的场景负载等级,生成该样本帧数据序列对应的样本场景负载等级标签,得到训练样本。
步骤511,对于训练样本集合中的训练样本,将该训练样本中的样本帧数据序列作为输入,将该训练样本中的样本场景负载等级标签作为输出,基于分类算法训练得到场景预测模型。
步骤512,将场景预测模型发送至终端设备进行存储。
在本实施例中,步骤509-512的具体操作已在图4所示的实施例中步骤402-405中进行了详细的介绍,在此不再赘述。
从图5中可以看出,与图4对应的实施例相比,本实施例中的场景预测模型训练方法的流程500突出了帧数据序列的获取步骤。由此,本实施例描述的方案基于历史帧数据序列的特征选取帧数据序列,使选取出的帧数据序列均拥有相似的特征,从而使生成的训练样本更适合训练场景预测模型。
进一步参考图6,作为对上述各图所示方法的实现,本申请提供了一种系统资源配置装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图6所示,本实施例的系统资源配置装置600可以包括:获取单元601、预测单元602和配置单元603。其中,获取单元601,被配置成获取当前运行游戏的最近历史帧数据序列;预测单元602,被配置成将最近历史帧数据序列输入至预先训练的场景预测模型,得到当前运行游戏的未来帧数据的场景负载等级;配置单元603,被配置成基于未来帧数据的场景负载等级,为当前运行游戏配置系统资源。
在本实施例中,系统资源配置装置600中:获取单元601、预测单元602和配置单元603的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201、步骤202和步骤203的相关说明,在此不再赘述。
进一步参考图7,作为对上述各图所示方法的实现,本申请提供了一种场景预测模型训练装置的一个实施例,该装置实施例与图3所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图7所示,本实施例的场景预测模型训练装置700可以包括:获取单元701、训练单元702和发送单元703。其中,获取单元701,被配置成获取训练样本集合,其中,每个训练样本包括样本帧数据序列和样本场景负载等级标签,每个样本场景负载等级标签用于标识对应的样本帧数据序列之后的帧数据的场景负载等级;训练单元702,被配置成对于训练样本集合中的训练样本,将该训练样本中的样本帧数据序列作为输入,将该训练样本中的样本场景负载等级标签作为输出,基于分类算法训练得到场景预测模型;发送单元703,被配置成将场景预测模型发送至终端设备进行存储。
在本实施例中,场景预测模型训练装置700中:获取单元701、训练单元702和发送单元703的具体处理及其所带来的技术效果可分别参考图3对应实施例中的步骤301、步骤302和步骤303的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,获取单元701包括:获取子单元(图中未示出),被配置成获取帧数据序列,其中,帧数据序列中的帧数据的数目大于预设数目;采集子单元(图中未示出),被配置成轮回采集帧数据序列,生成样本帧数据序列集合,其中,每个样本帧数据序列包括预设数目个连续的帧数据;生成子单元(图中未示出),被配置成对于样本帧数据序列集合中的样本帧数据序列,基于帧数据序列中的该样本帧数据序列之后的帧数据的场景负载等级,生成该样本帧数据序列对应的样本场景负载等级标签,得到训练样本。
在本实施例的一些可选的实现方式中,获取子单元进一步被配置成:从终端设备获取历史运行游戏的历史帧数据序列集合;执行以下获取步骤:确定历史帧数据序列集合中的所有历史帧数据序列是否属于同一类别;响应于确定所有历史帧数据序列属于同一类别,将历史帧数据序列集合中的所有历史帧数据序列作为帧数据序列。
在本实施例的一些可选的实现方式中,获取子单元进一步被配置成:响应于确定所有历史帧数据序列不属于同一类别,确定历史帧数据序列集合是否包含预设特征集合中的特征;响应于确定历史帧数据序列集合不包含预设特征集合中的特征,基于类别占比,从历史帧数据序列集合中选取历史帧数据序列作为帧数据序列。
在本实施例的一些可选的实现方式中,获取子单元进一步被配置成:响应于确定历史帧数据序列集合包含预设特征集合中的特征,确定历史帧数据序列集合包含的特征是否唯一;响应于确定历史帧数据序列集合包含的特征唯一,基于类别占比,从历史帧数据序列集合中选取历史帧数据序列作为帧数据序列。
在本实施例的一些可选的实现方式中,获取子单元进一步被配置成:从历史帧数据序列集合中选取出类别占比最多的历史帧数据序列作为帧数据序列。
在本实施例的一些可选的实现方式中,获取子单元进一步被配置成:响应于确定历史帧数据序列集合包含的特征不唯一,遍历历史帧数据序列集合包含的每个特征,基于最大熵算法对历史帧数据序列集合进行分类,生成历史帧数据序列子集组;对于历史帧数据序列子集组中的历史帧数据序列子集,将该历史帧数据序列子集作为历史帧数据序列集合,继续执行获取步骤。
下面参考图8,其示出了适于用来实现本申请实施例的电子设备(例如图1所示的终端设备101或服务器103)的计算机系统800的结构示意图。图8示出的电子设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图8所示,计算机系统800包括中央处理单元(CPU)801,其可以根据存储在只读存储器(ROM)802中的程序或者从存储部分808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中,还存储有系统800操作所需的各种程序和数据。CPU 801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
以下部件连接至I/O接口805:包括键盘、鼠标等的输入部分806;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分807;包括硬盘等的存储部分808;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器810上,以便于从其上读出的计算机程序根据需要被安装入存储部分808。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分809从网络上被下载和安装,和/或从可拆卸介质811被安装。在该计算机程序被中央处理单元(CPU)801执行时,执行本申请的方法中限定的上述功能。
需要说明的是,本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码,所述程序设计语言包括面向目标的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或电子设备上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括获取单元、预测单元和配置单元。其中,这些单元的名称在种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“获取当前运行游戏的最近历史帧数据序列的单元”。又例如,可以描述为:一种处理器包括获取单元、训练单元和发送单元。其中,这些单元的名称在种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“获取训练样本集合的单元”。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取当前运行游戏的最近历史帧数据序列;将最近历史帧数据序列输入至预先训练的场景预测模型,得到当前运行游戏的未来帧数据的场景负载等级;基于未来帧数据的场景负载等级,为当前运行游戏配置系统资源。或者使得该电子设备:获取训练样本集合,其中,每个训练样本包括样本帧数据序列和样本场景负载等级标签,每个样本场景负载等级标签用于标识对应的样本帧数据序列之后的帧数据的场景负载等级;对于训练样本集合中的训练样本,将该训练样本中的样本帧数据序列作为输入,将该训练样本中的样本场景负载等级标签作为输出,基于分类算法训练得到场景预测模型;将场景预测模型发送至终端设备进行存储。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (12)
1.一种系统资源配置方法,包括:
获取当前运行游戏的最近历史帧数据序列;
将所述最近历史帧数据序列输入至预先训练的场景预测模型,得到所述当前运行游戏的未来帧数据的场景负载等级;
基于所述未来帧数据的场景负载等级,为所述当前运行游戏配置系统资源。
2.一种场景预测模型训练方法,包括:
获取训练样本集合,其中,每个训练样本包括样本帧数据序列和样本场景负载等级标签,每个样本场景负载等级标签用于标识对应的样本帧数据序列之后的帧数据的场景负载等级;
对于所述训练样本集合中的训练样本,将该训练样本中的样本帧数据序列作为输入,将该训练样本中的样本场景负载等级标签作为输出,基于分类算法训练得到场景预测模型;
将所述场景预测模型发送至终端设备进行存储。
3.根据权利要求1所述的方法,其中,所述获取训练样本集合,包括:
获取帧数据序列,其中,所述帧数据序列中的帧数据的数目大于预设数目;
轮回采集所述帧数据序列,生成样本帧数据序列集合,其中,每个样本帧数据序列包括所述预设数目个连续的帧数据;
对于所述样本帧数据序列集合中的样本帧数据序列,基于所述帧数据序列中的该样本帧数据序列之后的帧数据的场景负载等级,生成该样本帧数据序列对应的样本场景负载等级标签,得到训练样本。
4.根据权利要求3所述的方法,其中,所述获取帧数据序列,包括:
从所述终端设备获取历史运行游戏的历史帧数据序列集合;
执行以下获取步骤:确定所述历史帧数据序列集合中的所有历史帧数据序列是否属于同一类别;
响应于确定所有历史帧数据序列属于同一类别,将所述历史帧数据序列集合中的所有历史帧数据序列作为所述帧数据序列。
5.根据权利要求4所述的方法,其中,所述获取帧数据序列,还包括:
响应于确定所有历史帧数据序列不属于同一类别,确定所述历史帧数据序列集合是否包含预设特征集合中的特征;
响应于确定所述历史帧数据序列集合不包含所述预设特征集合中的特征,基于类别占比,从所述历史帧数据序列集合中选取历史帧数据序列作为所述帧数据序列。
6.根据权利要求5所述的方法,其中,所述获取帧数据序列,还包括:
响应于确定所述历史帧数据序列集合包含所述预设特征集合中的特征,确定所述历史帧数据序列集合包含的特征是否唯一;
响应于确定所述历史帧数据序列集合包含的特征唯一,基于类别占比,从所述历史帧数据序列集合中选取历史帧数据序列作为所述帧数据序列。
7.根据权利要求5或6所述的方法,其中,所述基于类别占比,从所述历史帧数据序列集合中选取历史帧数据序列作为所述帧数据序列,包括:
从所述历史帧数据序列集合中选取出类别占比最多的历史帧数据序列作为所述帧数据序列。
8.根据权利要求6所述的方法,其中,所述获取帧数据序列,还包括:
响应于确定所述历史帧数据序列集合包含的特征不唯一,遍历所述历史帧数据序列集合包含的每个特征,基于最大熵算法对所述历史帧数据序列集合进行分类,生成历史帧数据序列子集组;
对于所述历史帧数据序列子集组中的历史帧数据序列子集,将该历史帧数据序列子集作为历史帧数据序列集合,继续执行所述获取步骤。
9.一种系统资源配置装置,包括:
获取单元,被配置成获取当前运行游戏的最近历史帧数据序列;
预测单元,被配置成将所述最近历史帧数据序列输入至预先训练的场景预测模型,得到所述当前运行游戏的未来帧数据的场景负载等级;
配置单元,被配置成基于所述未来帧数据的场景负载等级,为所述当前运行游戏配置系统资源。
10.一种场景预测模型训练装置,包括:
获取单元,被配置成获取训练样本集合,其中,每个训练样本包括样本帧数据序列和样本场景负载等级标签,其中,每个样本场景负载等级标签用于标识对应的样本帧数据序列之后的帧数据的场景负载等级;
训练单元,被配置成对于所述训练样本集合中的训练样本,将该训练样本中的样本帧数据序列作为输入,将该训练样本中的样本场景负载等级标签作为输出,基于分类算法训练得到场景预测模型;
发送单元,被配置成将所述场景预测模型发送至终端设备进行存储。
11.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1所述的方法或者实现如权利要求2-8任一所述的方法。
12.一种计算机可读介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1所述的方法或者实现如权利要求2-8任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910644647.0A CN110339567B (zh) | 2019-07-17 | 2019-07-17 | 系统资源配置、场景预测模型训练方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910644647.0A CN110339567B (zh) | 2019-07-17 | 2019-07-17 | 系统资源配置、场景预测模型训练方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110339567A true CN110339567A (zh) | 2019-10-18 |
CN110339567B CN110339567B (zh) | 2023-05-26 |
Family
ID=68175541
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910644647.0A Active CN110339567B (zh) | 2019-07-17 | 2019-07-17 | 系统资源配置、场景预测模型训练方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110339567B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111651263A (zh) * | 2020-02-12 | 2020-09-11 | 北京小米移动软件有限公司 | 移动终端的资源处理方法、装置、计算机设备及存储介质 |
CN112316437A (zh) * | 2020-11-23 | 2021-02-05 | 上海米哈游天命科技有限公司 | 一种资源切换方法、装置、电子设备及存储介质 |
CN113554247A (zh) * | 2020-04-23 | 2021-10-26 | 北京京东乾石科技有限公司 | 自动导引运输车运行状况评估方法、装置和系统 |
CN113850023A (zh) * | 2021-09-30 | 2021-12-28 | 深圳市瑞云科技有限公司 | 基于场景文件参数预估硬件配置的模型建立方法、装置 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105045367A (zh) * | 2015-01-16 | 2015-11-11 | 中国矿业大学 | 基于游戏负载预测的android系统设备功耗优化方法 |
CN105453570A (zh) * | 2013-01-30 | 2016-03-30 | 英特尔公司 | 用于下一代视频的对分区数据的内容自适应熵编码 |
CN108229320A (zh) * | 2017-11-29 | 2018-06-29 | 北京市商汤科技开发有限公司 | 选帧方法和装置、电子设备、程序和介质 |
KR20180098030A (ko) * | 2017-02-24 | 2018-09-03 | 주식회사 칩스앤미디어 | 오프라인 cabac을 지원하는 비디오 코딩 프로세스의 비트 예측 기반 비트 레이트 컨트롤 방법 및 그 장치 |
CN108900856A (zh) * | 2018-07-26 | 2018-11-27 | 腾讯科技(深圳)有限公司 | 一种视频帧率预测方法、装置及设备 |
CN109189543A (zh) * | 2018-10-16 | 2019-01-11 | Oppo广东移动通信有限公司 | 终端控制方法、装置、存储介质及智能终端 |
CN109529329A (zh) * | 2018-11-21 | 2019-03-29 | 北京像素软件科技股份有限公司 | 游戏特效处理方法及装置 |
CN109582463A (zh) * | 2018-11-30 | 2019-04-05 | Oppo广东移动通信有限公司 | 资源配置方法、装置、终端及存储介质 |
CN109771949A (zh) * | 2019-01-14 | 2019-05-21 | 珠海金山网络游戏科技有限公司 | 一种游戏内动态调整渲染等级的方法和系统 |
CN109816625A (zh) * | 2018-11-27 | 2019-05-28 | 广东电网有限责任公司 | 一种视频质量评分实现方法 |
US20200082262A1 (en) * | 2016-12-21 | 2020-03-12 | Intel Corporation | Camera re-localization by enhanced neural regression using middle layer features in autonomous machines |
-
2019
- 2019-07-17 CN CN201910644647.0A patent/CN110339567B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105453570A (zh) * | 2013-01-30 | 2016-03-30 | 英特尔公司 | 用于下一代视频的对分区数据的内容自适应熵编码 |
CN105045367A (zh) * | 2015-01-16 | 2015-11-11 | 中国矿业大学 | 基于游戏负载预测的android系统设备功耗优化方法 |
US20200082262A1 (en) * | 2016-12-21 | 2020-03-12 | Intel Corporation | Camera re-localization by enhanced neural regression using middle layer features in autonomous machines |
KR20180098030A (ko) * | 2017-02-24 | 2018-09-03 | 주식회사 칩스앤미디어 | 오프라인 cabac을 지원하는 비디오 코딩 프로세스의 비트 예측 기반 비트 레이트 컨트롤 방법 및 그 장치 |
CN108229320A (zh) * | 2017-11-29 | 2018-06-29 | 北京市商汤科技开发有限公司 | 选帧方法和装置、电子设备、程序和介质 |
CN108900856A (zh) * | 2018-07-26 | 2018-11-27 | 腾讯科技(深圳)有限公司 | 一种视频帧率预测方法、装置及设备 |
CN109189543A (zh) * | 2018-10-16 | 2019-01-11 | Oppo广东移动通信有限公司 | 终端控制方法、装置、存储介质及智能终端 |
CN109529329A (zh) * | 2018-11-21 | 2019-03-29 | 北京像素软件科技股份有限公司 | 游戏特效处理方法及装置 |
CN109816625A (zh) * | 2018-11-27 | 2019-05-28 | 广东电网有限责任公司 | 一种视频质量评分实现方法 |
CN109582463A (zh) * | 2018-11-30 | 2019-04-05 | Oppo广东移动通信有限公司 | 资源配置方法、装置、终端及存储介质 |
CN109771949A (zh) * | 2019-01-14 | 2019-05-21 | 珠海金山网络游戏科技有限公司 | 一种游戏内动态调整渲染等级的方法和系统 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111651263A (zh) * | 2020-02-12 | 2020-09-11 | 北京小米移动软件有限公司 | 移动终端的资源处理方法、装置、计算机设备及存储介质 |
EP3866011A1 (en) * | 2020-02-12 | 2021-08-18 | Beijing Xiaomi Mobile Software Co., Ltd. | Resource processing method and apparatus for mobile terminal, computer device and storage medium |
US11561837B2 (en) * | 2020-02-12 | 2023-01-24 | Beijing Xiaomi Mobile Software Co., Ltd. | Resource processing method and apparatus for mobile terminal, computer device and storage medium |
CN111651263B (zh) * | 2020-02-12 | 2023-10-13 | 北京小米移动软件有限公司 | 移动终端的资源处理方法、装置、计算机设备及存储介质 |
CN113554247A (zh) * | 2020-04-23 | 2021-10-26 | 北京京东乾石科技有限公司 | 自动导引运输车运行状况评估方法、装置和系统 |
CN112316437A (zh) * | 2020-11-23 | 2021-02-05 | 上海米哈游天命科技有限公司 | 一种资源切换方法、装置、电子设备及存储介质 |
CN112316437B (zh) * | 2020-11-23 | 2023-02-03 | 上海米哈游天命科技有限公司 | 一种资源切换方法、装置、电子设备及存储介质 |
CN113850023A (zh) * | 2021-09-30 | 2021-12-28 | 深圳市瑞云科技有限公司 | 基于场景文件参数预估硬件配置的模型建立方法、装置 |
CN113850023B (zh) * | 2021-09-30 | 2022-11-29 | 深圳市瑞云科技有限公司 | 基于场景文件参数预估硬件配置的模型建立方法、装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110339567B (zh) | 2023-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110339567A (zh) | 系统资源配置、场景预测模型训练方法和装置 | |
WO2018103595A1 (zh) | 一种授权策略推荐方法及装置、服务器、存储介质 | |
CN109325541A (zh) | 用于训练模型的方法和装置 | |
CN109840648A (zh) | 用于输出储位信息的方法和装置 | |
CN106294902A (zh) | 预测移动应用程序页面性能的方法、装置及电子设备 | |
CN109976997A (zh) | 测试方法和装置 | |
CN108491267A (zh) | 用于生成信息的方法和装置 | |
CN110929799B (zh) | 用于检测异常用户的方法、电子设备和计算机可读介质 | |
CN116508003A (zh) | 通过评估微服务对容器的自动化编排 | |
CN112241327A (zh) | 分享信息处理方法、装置、存储介质与电子设备 | |
US20210174189A1 (en) | Optimization Framework for Real-Time Rendering of Media Using Machine Learning Techniques | |
CN109634833A (zh) | 一种软件缺陷预测方法和装置 | |
CN111383100A (zh) | 基于风险模型的全生命周期管控方法和装置 | |
CN107733710A (zh) | 链路调用关系的构建方法、装置、计算机设备及存储介质 | |
CN115033340A (zh) | 一种宿主机的选择方法及相关装置 | |
CN111538852B (zh) | 多媒体资源处理方法、装置、存储介质及设备 | |
CN115964646A (zh) | 用于应用微服务的异构图生成 | |
CN115964639A (zh) | 一种数据识别方法、模型适配新数据的方法、装置和设备 | |
US11308428B2 (en) | Machine learning-based resource customization to increase user satisfaction | |
CN108600329A (zh) | 用于推送信息、展示信息的方法和设备 | |
US11687370B2 (en) | Activity assignment based on resource and service availability | |
CN109284342A (zh) | 用于输出信息的方法和装置 | |
CN108476147B (zh) | 控制多终端计算系统的自主方法、计算装置和数据载体 | |
CN117311973A (zh) | 计算设备调度方法、装置、非易失性存储介质及电子设备 | |
CN111131359B (zh) | 用于生成信息的方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |