CN111381663A - 处理器的效能优化方法以及使用其的主机板 - Google Patents
处理器的效能优化方法以及使用其的主机板 Download PDFInfo
- Publication number
- CN111381663A CN111381663A CN201811628278.8A CN201811628278A CN111381663A CN 111381663 A CN111381663 A CN 111381663A CN 201811628278 A CN201811628278 A CN 201811628278A CN 111381663 A CN111381663 A CN 111381663A
- Authority
- CN
- China
- Prior art keywords
- optimized
- cpu
- setting parameters
- gpu
- setting
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
- G06F1/26—Power supply means, e.g. regulation thereof
- G06F1/32—Means for saving power
- G06F1/3203—Power management, i.e. event-based initiation of a power-saving mode
- G06F1/3234—Power saving characterised by the action undertaken
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Neurology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Stored Programmes (AREA)
Abstract
本发明提出一种处理器的效能优化方法以及使用其的主机板。效能优化方法包括以下步骤:执行基本输入输出系统,以撷取对应于处理器的初始设定参数;依据初始设定参数来比对储存在基本输入输出系统中的最佳化设定模型;当最佳化设定模型对应于初始设定参数时,依据最佳化设定模型取得最佳化设定参数,并且当最佳化设定模型未对应于初始设定参数时,执行类神经网络运算,以取得最佳化设定参数;以及依据最佳化设定参数来运作处理器,以降低处理器的操作功耗。
Description
技术领域
本发明是有关于一种主机板(Motherboard)的功能设计,且特别是有关于一种处理器(Processor)的效能优化方法以及使用其的主机板。
背景技术
对于一般的电脑系统来说,当使用者购入电脑主机,并且将处理器(Processor)安装于主机板(Motherboard)上之后,在一般状态下,电脑系统仅能使用经由处理器制造商预先制定的相关初始处理器设定参数,来运作处理器。然而,若使用者利用电脑主机板所提供的调整功能来手动修改处理器的相关参数,往往也仅是利用更大的功耗来换取处理器处理时脉,因此无法有效率地提升处理器效能,且同时降低处理器的操作功耗,甚至无法确保处理器是否工作在最稳定的状态。有鉴于此,以下将提出几个实施例的解决方案。
发明内容
本发明提供一种处理器的效能优化方法以及使用其的主机板,可有效地自动优化设置在主机板上的处理器的执行效能,以有效降低处理器的操作功耗。
本发明的处理器的效能优化方法,适于具有基本输入输出系统的主机板。所述效能优化方法包括以下步骤:执行基本输入输出系统,以撷取对应于处理器的多个初始设定参数;依据所述多个初始设定参数来比对储存在基本输入输出系统中的多个最佳化设定模型;当所述多个最佳化设定模型的其中之一对应于所述多个初始设定参数时,依据所述多个最佳化设定模型的其中之一取得多个最佳化设定参数,并且当所述多个最佳化设定模型的任何其中之一未对应于所述多个初始设定参数时,执行类神经网络运算,以取得所述多个最佳化设定参数;以及依据所述多个最佳化设定参数来运作处理器,以降低处理器的操作功耗。
在本发明的一实施例中,上述的效能优化方法更包括以下步骤:藉由人工智慧引擎执行类神经网络运算,以依据多个初始设定参数组来产生所述多个最佳化设定模型;以及将所述多个最佳化设定模型写入基本输入输出系统。
在本发明的一实施例中,上述的当所述多个最佳化设定模型的任何其中之一未对应于所述多个初始设定参数时,执行类神经网络运算,以取得所述多个最佳化设定参数的步骤包括:藉由人工智慧引擎执行类神经网络运算,以依据所述多个初始设定参数来训练至少一新的最佳化设定模型;将所述至少一新的最佳化设定模型写入基本输入输出系统;以及依据所述至少一新的最佳化设定模型的其中之一来取得所述多个最佳化设定参数。
在本发明的一实施例中,上述的藉由人工智慧引擎执行类神经网络运算,以依据所述多个初始设定参数来训练所述至少一新的最佳化设定模型的步骤包括:依据所述多个初始设定参数来训练对应于相同处理器型号以及不同处理器操作频率的多个新的最佳化设定模型。
在本发明的一实施例中,上述的处理器包括中央处理单元,并且所述多个最佳化设定模型对应于相同中央处理单元型号以及不同中央处理单元操作频率。
在本发明的一实施例中,上述的所述多个初始设定参数包括中央处理单元型号、中央处理单元核心数量、中央处理单元操作频率、中央处理单元操作电压、中央处理单元操作电流、中央处理单元功率、中央处理单元温度以及中央处理单元负载线的至少其中之一。中央处理单元型号以及中央处理单元操作频率各别对应的权重值高于其他初始设定参数。
在本发明的一实施例中,上述的所述多个最佳化设定参数包括最佳化中央处理单元操作电压、最佳化中央处理单元操作电流、最佳化中央处理单元功率、最佳化中央处理单元温度、最佳化中央处理单元操作频率以及最佳化中央处理单元负载线的至少其中之一。
在本发明的一实施例中,上述的处理器包括中央处理单元以及图形处理单元。所述多个最佳化设定模型对应于相同图形处理单元型号以及不同图形处理单元操作频率。
在本发明的一实施例中,上述的所述多个初始设定参数包括图形处理单元型号、图形处理单元预设操作频率、图形处理单元操作电压、图形处理单元参数、中央处理单元操作电压以及设置在图形处理单元中的显示记忆体的显示记忆体操作频率的至少其中之一。图形处理单元型号对应的权重值高于其他初始设定参数。
在本发明的一实施例中,上述的所述多个最佳化设定参数包括最佳化图形处理单元操作电压、最佳化图形处理单元操作频率、最佳化图形处理单元参数以及最佳化中央处理单元操作电压的至少其中之一。
本发明的主机板包括基本输入输出系统。基本输入输出系统包括多个最佳化设定模型。基本输入输出系统用以撷取对应于处理器的多个初始设定参数,以比对基本输入输出系统最佳化设定模型。当基本输入输出系统最佳化设定模型的其中之一对应于基本输入输出系统初始设定参数时,基本输入输出系统依据基本输入输出系统最佳化设定模型的其中之一取得多个最佳化设定参数。当基本输入输出系统最佳化设定模型的任何其中之一未对应于基本输入输出系统初始设定参数时,类神经网络运算经执行以取得基本输入输出系统最佳化设定参数。基本输入输出系统依据基本输入输出系统最佳化设定参数来运作处理器,以降低处理器的操作功耗。
在本发明的一实施例中,上述的人工智慧引擎经执行类神经网络运算,以依据多个初始设定参数组来产生基本输入输出系统最佳化设定模型,并且将基本输入输出系统最佳化设定模型写入基本输入输出系统。
在本发明的一实施例中,上述的人工智慧引擎经执行类神经网络运算,以依据基本输入输出系统初始设定参数来训练至少一新的最佳化设定模型。人工智慧引擎将所述至少一新的最佳化设定模型写入基本输入输出系统,以使基本输入输出系统依据所述至少一新的最佳化设定模型的其中之一来取得基本输入输出系统最佳化设定参数。
在本发明的一实施例中,上述的人工智慧引擎依据基本输入输出系统初始设定参数来训练对应于相同处理器型号以及不同处理器操作频率的多个新的最佳化设定模型。
在本发明的一实施例中,上述的处理器包括中央处理单元。所述多个最佳化设定模型对应于相同中央处理单元型号以及不同中央处理单元操作频率。
在本发明的一实施例中,上述的所述多个初始设定参数包括中央处理单元型号、中央处理单元核心数量、中央处理单元操作频率、中央处理单元操作电压、中央处理单元操作电流、中央处理单元功率、中央处理单元温度以及中央处理单元负载线的至少其中之一。中央处理单元型号以及中央处理单元操作频率各别对应的权重值高于其他初始设定参数。
在本发明的一实施例中,上述的所述多个最佳化设定参数包括最佳化中央处理单元操作电压、最佳化中央处理单元操作电流、最佳化中央处理单元功率、最佳化中央处理单元温度、最佳化中央处理单元操作频率以及最佳化中央处理单元负载线的至少其中之一。
在本发明的一实施例中,上述的处理器包括中央处理单元以及图形处理单元。所述多个最佳化设定模型对应于相同图形处理单元型号以及不同图形处理单元操作频率。
在本发明的一实施例中,上述的所述多个初始设定参数包括图形处理单元型号、图形处理单元预设操作频率、图形处理单元操作电压、图形处理单元参数、中央处理单元操作电压以及设置在图形处理单元中的显示记忆体的显示记忆体操作频率的至少其中之一。图形处理单元型号对应的权重值高于其他初始设定参数。
在本发明的一实施例中,上述的所述多个最佳化设定参数包括最佳化图形处理单元操作电压、最佳化图形处理单元操作频率、最佳化图形处理单元参数以及最佳化中央处理单元操作电压的至少其中之一。
基于上述,本发明的处理器的效能优化方法以及使用其的主机板,可藉由将中央处理单元或图形处理单元的多个初始设定参数比对预先经由类神经网络运算所训练的多个最佳化模型,以依据对应的最佳化模型来取得最佳化设定参数来运作中央处理单元或图形处理单元,以有效地优化中央处理单元或图形处理单元的效能以及降低操作功耗。
为让本发明的上述特征和优点能更明显易懂,下文特举实施例,并配合所附图式作详细说明如下。
附图说明
图1是依照本发明的一实施例的主机板的架构示意图。
图2是依照本发明的一实施例的中央处理单元的效能优化方法的流程图。
图3是依照本发明的一实施例的类神经网络运算的示意图。
图4是依照本发明的另一实施例的主机板的架构示意图。
图5是依照本发明的一实施例的图形处理单元的效能优化方法的流程图。
图6是依照本发明的一实施例的处理器的效能优化方法的流程图。
其中,附图标记:
100、400:主机板
110、410:基本输入输出系统
111、411:最佳化设定模块
120、420:中央处理单元
300:类神经网络
310_1~310_6:输入参数
320_1~320_8:运算神经元
330_1~330_6:输出参数
340_1~340_N:最佳化设定模型
430:图形处理单元
S201~S211、S501~S511、S610~S640:步骤
具体实施方式
为了使本发明的内容可以被更容易明了,以下特举实施例做为本发明确实能够据以实施的范例。另外,凡可能之处,在图式及实施方式中使用相同标号的元件/构件/步骤,系代表相同或类似部件。
图1是依照本发明的一实施例的主机板的架构示意图。参考图1,主机板(Motherboard)100包括基本输入输出系统(Basic Input/Output System,BIOS)110以及中央处理单元(Center Processing Unit,CPU)120。基本输入输出系统110为设置或内嵌在主机板100的电路板上,并且储存有最佳化设定模块111。中央处理单元120为通过主机板100的多个相对应的插槽(Slot)来可插拔地设置在主机板100上。在本实施例中,当中央处理单元120设置在主机板100,并且电脑系统(Computer system)执行开机(Boot)程序时,基本输入输出系统110将执行最佳化设定模块111,以取得关于中央处理单元120的相关最佳化操作参数,以对中央处理单元120的处理效能进行优化。
具体而言,基本输入输出系统110撷取对应于中央处理单元120的多个初始设定参数,以依据所述多个初始设定参数来取得对应的最佳化设定模型。基本输入输出系统110可依据对应的最佳化设定模型来取得多个最佳化设定参数,并且依据所述多个最佳化设定参数来运作中央处理单元120,以降低中央处理单元120的操作功耗。举例而言,所述多个最佳化设定模型可对应于相同中央处理单元型号以及不同中央处理单元操作频率。换言之,基本输入输出系统110预先建立有一组或多组分别对应于相同中央处理单元型号以及不同中央处理单元操作频率的多个最佳化设定模型来供最佳化设定模块111进行比对。
值得注意的是,本实施例的最佳化设定模块111可为主机板100于制造过程中,由产品制造商预先写入或烧录至基本输入输出系统110中,以供使用者将任意型号或特定操作频率的中央处理单元120装设至主机板100上,而进行开机程序的过程中,电脑系统可通过基本输入输出系统110来自动执行最佳化设定模块111。
进一步而言,基本输入输出系统110可预先储存有所述多个最佳化设定模型,并且所述多个最佳化设定模型可以是由制造商或使用者基于先前模型训练历史所取得的多个初始设定参数组来预先建立。详细而言,所述多个初始设定参数组的每一组是指分别由制造商或使用者将多个不同中央处理单元型号或不同中央处理单元操作频率的中央处理单元逐次装设于主机板100上,由基本输入输出系统110所逐次收集而得的数据。并且,所述多个初始设定参数组的每一组可逐一经由类神经网络运算后来分别获得相对应的所述多个最佳化设定模型,而所述多个最佳化设定模型将被逐一写入或烧录至基本输入输出系统110中。换言之,基本输入输出系统110可预先建立最佳化设定数据库。
因此,当使用者首次将新的中央处理单元120装设至主机板100上,并且基本输入输出系统110经由电脑系统执行以启动时,基本输入输出系统110将依据对应于中央处理单元120的当前取得的所述多个初始设定参数来比对储存在基本输入输出系统110中的所述多个最佳化设定模型,以判断先前是否已经装设过相同中央处理单元型号或相同中央处理单元操作频率的中央处理单元,而可直接读取已预先经由类神经网络运算所得的相关最佳化设定参数,以提供快速优化的效果。在本实施例中,当所述多个最佳化设定模型的其中之一对应于所述多个初始设定参数时,基本输入输出系统110依据所述多个最佳化设定模型的其中之一取得多个最佳化设定参数。相对地,当所述多个最佳化设定模型的任何其中之一未对应于所述多个初始设定参数时,类神经网络运算将被执行,以取得所述多个最佳化设定参数。换言之,即使基本输入输出系统110的最佳化设定数据库当中无对应的最佳化设定模型,以致无法提供相对应的最佳化设定参数,则本实施例的主机板100可经由即时的类神经网络运算来取得新的最佳化设定模型以及相对应的所述多个最佳化设定参数。
在本实施例中,上述的类神经网络运算是通过人工智慧引擎(ArtificialIntelligence Engine,AI Engine)来执行。人工智慧引擎可例如是由多个运算单元经由设计所组成的硬件架构或是经由特殊设计的演算法(Algorithm)来实现能够执行相关机器学习(Machine learning)功能的运算引擎。并且,人工智慧引擎可以有以下多种实施态样。举例而言,在一实施例中,人工智慧引擎可设置在基本输入输出系统110当中,以经由基本输入输出系统110执行人工智慧引擎。在另一实施例中,人工智慧引擎为应用程序(Application),以经由作业系统(Operating System,OS)执行人工智慧引擎。在又一实施例中,人工智慧引擎设置在云端(Cloud)系统中,以经由与云端系统进行通讯,来执行人工智慧引擎。
换言之,当所述多个最佳化设定模型的任何其中之一未对应于所述多个初始设定参数时,在上述的一实施例中,基本输入输出系统110可即时执行人工智慧引擎,以取得所述多个最佳化设定参数。在上述的另一实施例中,当基本输入输出系统110完成开机程序后,人工智慧引擎可经由电脑系统的作业系统执行,以取得所述多个最佳化设定参数。在上述的又一实施例中,当基本输入输出系统110完成开机程序后,电脑系统可通过有线或无线的通讯模块来与云端系统进行通讯,来执行人工智慧引擎,并取得所述多个最佳化设定参数。对此,人工智慧引擎的设置方式可依据不同的运算需求或优化设计来决定。
并且,在上述各个实施例中,人工智慧引擎执行所述类神经网络运算,以依据所述多个初始设定参数来训练至少一新的最佳化设定模型。并且,人工智慧引擎可将所述至少一新的最佳化设定模型写入基本输入输出系统110。然而,在特定实施例中,人工智慧引擎可依据所述多个初始设定参数来训练对应于相同中央处理单元型号以及不同中央处理单元操作频率的多个新的最佳化设定模型,并且将所述多个新的最佳化设定模型以复写的方式写入基本输入输出系统110。举例而言,基本输入输出系统110可储存固定数量或有限数量的最佳化设定模型,因此当储存空间或数量已满时,新的最佳化设定模型可被写入以覆盖较少使用的其他最佳化设定模型。
图2是依照本发明的一实施例的中央处理单元的效能优化方法的流程图。参考图1以及图2,图1实施例的主机板100可执行如图2实施例的步骤S201~S211。在步骤S201中,人工智慧引擎可执行类神经网络运算,以依据关于中央处理单元120的多个初始设定参数组来产生多个最佳化设定模型。在步骤S202中,人工智慧引擎将所述多个最佳化设定模型写入基本输入输出系统110。在步骤S203中,主机板100执行开机程序并启动基本输入输出系统110。在步骤S204中,基本输入输出系统110可执行最佳化设定模块111。在步骤S205中,基本输入输出系统110撷取对应于中央处理单元120的多个初始设定参数。在步骤S206中,最佳化设定模块111依据所述多个初始设定参数来比对储存在基本输入输出系统110中的所述多个最佳化设定模型。在步骤S207中,最佳化设定模块111判断所述多个最佳化设定模型的其中之一是否对应于所述多个初始设定参数。当所述多个最佳化设定模型的其中之一对应于所述多个初始设定参数时,在步骤S208中,基本输入输出系统110依据所述多个最佳化设定模型的其中之一的多个最佳化设定参数来运作中央处理单元120。在步骤S209中,当完成最佳化设定后,基本输入输出系统110结束执行最佳化设定模块111。相对地,当所述多个最佳化设定模型的任何其中之一未对应于所述多个初始设定参数时,在步骤S210中,人工智慧引擎将被运行以执行类神经网络运算,以依据所述多个初始设定参数来训练至少一新的最佳化设定模型。在步骤S211中,人工智慧引擎将所述至少一新的最佳化设定模型写入基本输入输出系统110,并且依据所述至少一新的最佳化设定模型的其中之一来取得所述多个最佳化设定参数。因此,本实施例的效能优化方法可使主机板100可提供有效的中央处理单元120的自动效能优化功能。
另外,关于本实施例所述的效能优化方法以及主机板100的其他相关元件特征、技术方案以及实施细节,可参考上述图1实施例的说明而获致足够的教示、建议以及实施说明,因此不再赘述。
图3是依照本发明的一实施例的类神经网络运算的示意图。参考图1以及图3,本发明各实施例所述关于优化中央处理单元120的类神经网络运算可如图3所示的类神经网络300。在本实施例中,基本输入输出系统110可撷取对应于中央处理单元120的多个初始设定参数。举例而言,人工智慧模型可将所述多个初始设定参数作为多个输入参数310_1~310_6,并且输入至类神经网络300的输入层(Input layer)。接着,经由类神经网络300的隐藏层(Hidden layer)的多个运算神经元(Neurons)320_1~320_8运算后,类神经网络300的输出层(Output layer)可产生多个输出参数330_1~330_6。因此,每一次运算所获得的所述多个输出参数330_1~330_6。所述多个输出参数330_1~330_6即为多个最佳化设定参数,并且所述多个输出参数330_1~330_6即可建立一个最佳化设定模型。换言之,经由多次输入不同的输入参数310_1~310_6来进行类神经网络运算后,人工智慧模型可取得多个最佳化设定模型340_1~340_N,并且N为大于1的正整数。
在本实施例中,所述多个初始设定参数可例如包括中央处理单元型号、中央处理单元核心数量、中央处理单元操作频率、中央处理单元操作电压、中央处理单元操作电流、中央处理单元功率、中央处理单元温度以及中央处理单元负载线的至少其中之一。并且,所述多个最佳化设定参数可例如包括最佳化中央处理单元操作电压、最佳化中央处理单元操作电流、最佳化中央处理单元功率、最佳化中央处理单元温度以及最佳化中央处理单元负载线的至少其中之一。在本实施例中,所述多个运算神经元320_1~320_8可分别代表用于分别依据所述多个输入参数310_1~310_6来进行加权及累加运算,以取得所述多个输出参数330_1~330_6。然而,所述多个运算神经元320_1~320_8所分别对应的参数运算方式可依据不同类神经网络的类型来决定,而本发明并不加以限制。
在一特定实施例中,上述的中央处理单元型号以及中央处理单元操作频率各别对应的权重值高于其他初始设定参数。举例而言,中央处理单元型号以及中央处理单元操作频率各别对应的权重值可为0.2,而其他初始设定参数可为0.1。然而,在一实施例中,所述多个初始设定参数所分别对应的权重值亦可依据特殊的使用需求、特殊的设定考量或特殊的操作环境来对应调整之,例如使用者可将较为重要的初始设定参数所对应的权重值调整为较高的权重值,而为较低考量因素的初始设定参数所对应的权重值调整为较低的权重值。
值得注意的是,本发明的中央处理单元120的所述多个初始设定参数的数量不限于图3的所述多个输入参数310_1~310_6的数量,并且本发明的中央处理单元120的所述多个最佳化设定参数的数量也不限于图3的所述多个输出参数330_1~330_6的数量。此外,图3的运算神经元320_1~320_8的数量也仅用于举例说明,本发明并不限于此。并且,图3的类神经网络300仅为本发明的一个实施范例。本发明各实施例所述的类神经网络运算可例如是深度神经网络(Deep neural network,DNN)运算、卷积神经网络(Convolutional neuralnetwork,CNN)运算或是递归神经网络(Recurrent Neural Networks,RNN)运算等诸如此类的机器学习运算模型。
图4是依照本发明的另一实施例的主机板的架构示意图。参考图4,主机板400包括基本输入输出系统410、中央处理单元420以及图形处理单元(Graphics Processing Unit,GPU)430。基本输入输出系统410为设置或内嵌在主机板400的电路板上,并且储存有最佳化设定模块411。中央处理单元420以及图形处理单元430为通过主机板400的多个相对应的插槽(Slot)来可插拔地设置在主机板400上。在本实施例中,当中央处理单元420设置在主机板400,并且电脑系统(Computer system)执行开机(Boot)程序时,基本输入输出系统410将执行最佳化设定模块411,以取得关于中央处理单元420以及图形处理单元430的相关最佳化操作参数,以对图形处理单元430的处理效能进行优化。
在本实施例中,图形处理单元430是指设置在显示卡(Display card)上的处理器,并且显示卡上还进一步配置有显示记忆体。所述显示记忆体可为随机存取记忆体(RandomAccess Memory,RAM),其中例如是双倍数据率同步动态随机存取记忆体(Double DataRate Synchronous Dynamic Random Access Memory,DDR SDRAM),但本发明并不限于此。并且,所述显示记忆体包括对应的显示记忆体操作频率可为本实施例的多个初始设定参数的其中之一。另外,相较于图1实施例,本实施例的图形处理单元430的处理效能优化需同时考量中央处理单元420以及图形处理单元430的相关的多个初始设定参数。
具体而言,基本输入输出系统410撷取对应于中央处理单元420以及图形处理单元430的多个初始设定参数,以依据所述多个初始设定参数来取得对应的最佳化设定模型。基本输入输出系统410可依据对应的最佳化设定模型来取得多个最佳化设定参数,并且依据所述多个最佳化设定参数来运作中央处理单元420以及图形处理单元430,以降低图形处理单元430的操作功耗。举例而言,所述多个最佳化设定模型可对应于相同图形处理单元型号以及不同图形处理单元操作频率。换言之,基本输入输出系统410预先建立有一组或多组分别对应于相同图形处理单元型号以及不同图形处理单元操作频率的多个最佳化设定模型来供最佳化设定模块411进行比对。
值得注意的是,本实施例的最佳化设定模块411可为主机板400于制造过程中,由产品制造商预先写入或烧录至基本输入输出系统410中,以供使用者将任意型号或特定操作频率的图形处理单元430装设至主机板400上,而进行开机程序的过程中,电脑系统可通过基本输入输出系统410来自动执行最佳化设定模块411。
进一步而言,基本输入输出系统410可预先储存有所述多个最佳化设定模型,并且所述多个最佳化设定模型可以是由制造商或使用者基于先前模型训练历史所取得的多个初始设定参数组来预先建立。详细而言,所述多个初始设定参数组的每一组是指分别由制造商或使用者将多个不同图形处理单元型号或不同图形处理单元操作频率的图形处理单元逐次装设于主机板400上,由基本输入输出系统410所逐次收集而得的数据。并且,所述多个初始设定参数组的每一组可逐一经由类神经网络运算后来分别获得相对应的所述多个最佳化设定模型,而所述多个最佳化设定模型将被逐一写入或烧录至基本输入输出系统410中。换言之,基本输入输出系统410可预先建立最佳化设定数据库。
因此,当使用者首次将新的图形处理单元430装设至主机板100上,并且基本输入输出系统410经由电脑系统执行以启动时,基本输入输出系统410将依据对应于图形处理单元430的当前取得的所述多个初始设定参数来比对储存在基本输入输出系统410中的所述多个最佳化设定模型,以判断先前是否已经装设过相同图形处理单元型号或相同图形处理单元操作频率的图形处理单元,而可直接读取已预先经由类神经网络运算所得的相关最佳化设定参数,以提供快速优化的效果。在本实施例中,当所述多个最佳化设定模型的其中之一对应于所述多个初始设定参数时,基本输入输出系统410依据所述多个最佳化设定模型的其中之一取得多个最佳化设定参数。相对地,当所述多个最佳化设定模型的任何其中之一未对应于所述多个初始设定参数时,类神经网络运算将被执行,以取得所述多个最佳化设定参数。换言之,即使基本输入输出系统410的最佳化设定数据库当中无对应的最佳化设定模型,以致无法提供相对应的最佳化设定参数,则本实施例的主机板400可经由即时的类神经网络运算来取得新的最佳化设定模型以及相对应的所述多个最佳化设定参数。
在本实施例中,上述的类神经网络运算是通过人工智慧引擎来执行。人工智慧引擎可例如是由多个运算单元经由设计所组成的硬件架构或是经由特殊设计的演算法来实现能够执行相关机器学习功能的运算引擎。并且,人工智慧引擎可以有以下多种实施态样。举例而言,在一实施例中,人工智慧引擎可设置在基本输入输出系统410当中,以经由基本输入输出系统410执行人工智慧引擎。在另一实施例中,人工智慧引擎为应用程序,以经由作业系统执行人工智慧引擎。在又一实施例中,人工智慧引擎设置在云端系统中,以经由与云端系统进行通讯,来执行人工智慧引擎。
换言之,当所述多个最佳化设定模型的任何其中之一未对应于所述多个初始设定参数时,在上述的一实施例中,基本输入输出系统410可即时执行人工智慧引擎,以取得所述多个最佳化设定参数。在上述的另一实施例中,当基本输入输出系统410完成开机程序后,人工智慧引擎可经由电脑系统的作业系统执行,以取得所述多个最佳化设定参数。在上述的又一实施例中,当基本输入输出系统410完成开机程序后,电脑系统可通过有线或无线的通讯模块来与云端系统进行通讯,来执行人工智慧引擎,并取得所述多个最佳化设定参数。对此,人工智慧引擎的设置方式可依据不同的运算需求或优化设计来决定。
并且,在上述各个实施例中,人工智慧引擎执行所述类神经网络运算,以依据所述多个初始设定参数来训练至少一新的最佳化设定模型。并且,人工智慧引擎可将所述至少一新的最佳化设定模型写入基本输入输出系统410。然而,在特定实施例中,人工智慧引擎可依据所述多个初始设定参数来训练对应于相同图形处理单元型号以及不同图形处理单元操作频率的多个新的最佳化设定模型,并且将所述多个新的最佳化设定模型以复写的方式写入基本输入输出系统410。举例而言,基本输入输出系统410可储存固定数量或有限数量的最佳化设定模型,因此当储存空间或数量已满时,新的最佳化设定模型可被写入以覆盖较少使用的其他最佳化设定模型。
图5是依照本发明的一实施例的图形处理单元的效能优化方法的流程图。参考图4以及图5,图4实施例的主机板400可执行如图5实施例的步骤S501~S511。在步骤S501中,人工智慧引擎可执行类神经网络运算,以依据关于中央处理单元420以及图形处理单元430的多个初始设定参数组来产生多个最佳化设定模型。在步骤S502中,人工智慧引擎将所述多个最佳化设定模型写入基本输入输出系统410。在步骤S503中,主机板400执行开机程序并启动基本输入输出系统410。在步骤S504中,基本输入输出系统410可执行最佳化设定模块411。在步骤S505中,基本输入输出系统410撷取对应于中央处理单元420以及图形处理单元430的多个初始设定参数。在步骤S506中,最佳化设定模块411依据所述多个初始设定参数来比对储存在基本输入输出系统410中的所述多个最佳化设定模型。在步骤S507中,最佳化设定模块411判断所述多个最佳化设定模型的其中之一是否对应于所述多个初始设定参数。当所述多个最佳化设定模型的其中之一对应于所述多个初始设定参数时,在步骤S508中,基本输入输出系统410依据所述多个最佳化设定模型的其中之一的多个最佳化设定参数来运作中央处理单元420以及图形处理单元430。在步骤S509中,当完成最佳化设定后,基本输入输出系统410结束执行最佳化设定模块411。相对地,当所述多个最佳化设定模型的任何其中之一未对应于所述多个初始设定参数时,在步骤S510中,人工智慧引擎将被运行以执行类神经网络运算,以依据所述多个初始设定参数来训练至少一新的最佳化设定模型。在步骤S511中,人工智慧引擎将所述至少一新的最佳化设定模型写入基本输入输出系统410,并且依据所述至少一新的最佳化设定模型的其中之一来取得所述多个最佳化设定参数。因此,本实施例的效能优化方法可使主机板400可提供有效的图形处理单元430的自动效能优化功能。
另外,关于本实施例所述的效能优化方法以及主机板400的其他相关元件特征、技术方案以及实施细节,可参考上述图4实施例的说明而获致足够的教示、建议以及实施说明,因此不再赘述。
再参考图3以及图4,本发明各实施例所述关于优化图形处理单元420的类神经网络运算可如图3所示的类神经网络300。在本实施例中,基本输入输出系统410可撷取对应于中央处理单元420以及图形处理单元430的多个初始设定参数。举例而言,人工智慧模型可将所述多个初始设定参数作为多个输入参数310_1~310_6,并且输入至类神经网络300的输入层。接着,经由类神经网络300的隐藏层的多个运算神经元320_1~320_8运算后,类神经网络300的输出层可产生多个输出参数330_1~330_6。因此,每一次运算所获得的所述多个输出参数330_1~330_6。所述多个输出参数330_1~330_6即为多个最佳化设定参数,并且所述多个输出参数330_1~330_6即可建立一个最佳化设定模型。换言之,经由多次输入不同的输入参数310_1~310_6来进行类神经网络运算后,人工智慧模型可取得多个最佳化设定模型340_1~340_N,并且N为大于1的正整数。
在本实施例中,所述多个初始设定参数可例如包括图形处理单元型号、图形处理单元预设操作频率、图形处理单元操作操作电压、图形处理单元参数、中央处理单元操作电压以及设置在图形处理单元中的显示记忆体的显示记忆体操作频率的至少其中之一。并且,所述多个最佳化设定参数可例如包括最佳化图形处理单元操作电压、最佳化图形处理单元操作频率、最佳化图形处理单元参数以及最佳化中央处理单元操作电压的至少其中之一。在本实施例中,所述多个运算神经元320_1~320_8可分别代表用于分别依据所述多个输入参数310_1~310_6来进行加权及累加运算,以取得所述多个输出参数330_1~330_6。然而,所述多个运算神经元320_1~320_8所分别对应的参数运算方式可依据不同类神经网络的类型来决定,而本发明并不加以限制。
在一特定实施例中,上述的图形处理单元型号对应的权重值高于其他初始设定参数。举例而言,图形处理单元型号对应的权重值可为0.2,而其他初始设定参数可为0.1。然而,在一实施例中,所述多个初始设定参数所分别对应的权重值亦可依据特殊的使用需求、特殊的设定考量或特殊的操作环境来对应调整之,例如使用者可将较为重要的初始设定参数所对应的权重值调整为较高的权重值,而为较低考量因素的初始设定参数所对应的权重值调整为较低的权重值。
值得注意的是,本发明的中央处理单元420以及图形处理单元430的所述多个初始设定参数的数量不限于图3的所述多个输入参数310_1~310_6的数量,并且本发明的中央处理单元420以及图形处理单元430的所述多个最佳化设定参数的数量也不限于图3的所述多个输出参数330_1~330_6的数量。此外,图3的运算神经元320_1~320_8的数量也仅用于举例说明,本发明并不限于此。
图6是依照本发明的一实施例的处理器的效能优化方法的流程图。本实施例的效能优化方法可适用于图1及图4的主机板100、400。以图1的中央处理单元120为优化对象为例,参考图1以及图6,图1实施例的主机板100在执行开机程序时,对应于主机板100的电脑系统可执行如图6实施例的步骤S610~S640。在步骤S610中,基本输入输出系统110经执行以撷取对应于处理器(中央处理单元120)的多个初始设定参数。在步骤S620中,基本输入输出系统110依据所述多个初始设定参数来比对储存在基本输入输出系统110中的多个最佳化设定模型。在步骤S630中,当所述多个最佳化设定模型的其中之一对应于所述多个初始设定参数时,依据所述多个最佳化设定模型的其中之一取得多个最佳化设定参数,并且当所述多个最佳化设定模型的任何其中之一未对应于所述多个初始设定参数时,类神经网络运算经执行,以取得所述多个最佳化设定参数。在步骤S640中,基本输入输出系统110依据所述多个最佳化设定参数来运作处理器(中央处理单元120),以降低处理器(中央处理单元120)的操作功耗。因此,本实施例的效能优化方法可使主机板100可提供有效的中央处理单元120的自动效能优化功能。
以图4的图形处理单元430为优化对象为例,参考图4以及图6,图4实施例的主机板400在执行开机程序时,对应于主机板400的电脑系统可执行如图6实施例的步骤S610~S640。在步骤S610中,基本输入输出系统610经执行以撷取对应于处理器(中央处理单元420以及图形处理单元430)的多个初始设定参数。在步骤S620中,基本输入输出系统610依据所述多个初始设定参数来比对储存在基本输入输出系统610中的多个最佳化设定模型。在步骤S630中,当所述多个最佳化设定模型的其中之一对应于所述多个初始设定参数时,依据所述多个最佳化设定模型的其中之一取得多个最佳化设定参数,并且当所述多个最佳化设定模型的任何其中之一未对应于所述多个初始设定参数时,类神经网络运算经执行,以取得所述多个最佳化设定参数。在步骤S640中,基本输入输出系统610依据所述多个最佳化设定参数来运作处理器(图形处理单元430),以降低处理器(图形处理单元430)的操作功耗。因此,本实施例的效能优化方法可使主机板100可提供有效的图形处理单元430的自动效能优化功能。
另外,关于本实施例所述的效能优化方法以及主机板100、400的其他相关元件特征、技术方案以及实施细节,可参考上述图1至图5实施例的说明而获致足够的教示、建议以及实施说明,因此不再赘述。
综上所述,本发明的处理器的效能优化方法以及使用其的主机板,可藉由将处理器(中央处理单元或图形处理单元)的多个初始设定参数比对预先经由类神经网络运算所训练的多个最佳化模型,或是经由人工智慧引擎来依据所述多个初始设定参数来即时执行类神经网络运算以取得新的最佳化模型。因此,主机板的基本输入输出系统可依据对应的最佳化模型来取得最佳化设定参数来运作处理器(中央处理单元或图形处理单元),以有效地优化处理器(中央处理单元或图形处理单元)的效能以及降低操作功耗。
虽然本发明已以实施例揭露如上,然其并非用以限定本发明,任何所属技术领域中具有通常知识者,在不脱离本发明的精神和范围内,当可作些许的更动与润饰,故本发明的保护范围当视后附的申请专利范围所界定者为准。
Claims (20)
1.一种处理器的效能优化方法,其特征在于,适于具有一基本输入输出系统的一主机板,并且该方法包括:
执行该基本输入输出系统,以撷取对应于一处理器的多个初始设定参数;
依据该些初始设定参数来比对储存在该基本输入输出系统中的多个最佳化设定模型;
当该些最佳化设定模型的其中之一对应于该些初始设定参数时,依据该些最佳化设定模型的其中之一取得多个最佳化设定参数,并且当该些最佳化设定模型的任何其中之一未对应于该些初始设定参数时,执行一类神经网络运算,以取得该些最佳化设定参数;以及
依据该些最佳化设定参数来运作该处理器,以降低该处理器的操作功耗。
2.如权利要求1所述的效能优化方法,其特征在于,更包括:
藉由一人工智慧引擎执行该类神经网络运算,以依据多个初始设定参数组来产生该些最佳化设定模型;以及
将该些最佳化设定模型写入该基本输入输出系统。
3.如权利要求1所述的效能优化方法,其特征在于,当该些最佳化设定模型的任何其中之一未对应于该些初始设定参数时,执行该类神经网络运算,以取得该些最佳化设定参数的步骤包括:
藉由一人工智慧引擎执行该类神经网络运算,以依据该些初始设定参数来训练至少一新的最佳化设定模型;
将该至少一新的最佳化设定模型写入该基本输入输出系统;以及
依据该至少一新的最佳化设定模型的其中之一来取得该些最佳化设定参数。
4.如权利要求3所述的效能优化方法,其特征在于,藉由该人工智慧引擎执行该类神经网络运算,以依据该些初始设定参数来训练该至少一新的最佳化设定模型的步骤包括:
依据该些初始设定参数来训练对应于相同处理器型号以及不同处理器操作频率的多个新的最佳化设定模型。
5.如权利要求1所述的效能优化方法,其特征在于,该处理器包括一中央处理单元,并且该些最佳化设定模型对应于相同中央处理单元型号以及不同中央处理单元操作频率。
6.如权利要求5所述的效能优化方法,其特征在于,该些初始设定参数包括一中央处理单元型号、一中央处理单元核心数量、一中央处理单元操作频率、一中央处理单元操作电压、一中央处理单元操作电流、一中央处理单元功率、一中央处理单元温度以及一中央处理单元负载线的至少其中之一,并且该中央处理单元型号以及该中央处理单元操作频率各别对应的权重值高于其他初始设定参数。
7.如权利要求5所述的效能优化方法,其特征在于,该些最佳化设定参数包括一最佳化中央处理单元操作电压、一最佳化中央处理单元操作电流、一最佳化中央处理单元功率、一最佳化中央处理单元温度、一最佳化中央处理单元操作频率以及一最佳化中央处理单元负载线的至少其中之一。
8.如权利要求1所述的效能优化方法,其特征在于,该处理器包括一中央处理单元以及一图形处理单元,并且该些最佳化设定模型对应于相同图形处理单元型号以及不同图形处理单元操作频率。
9.如权利要求8所述的效能优化方法,其特征在于,该些初始设定参数包括一图形处理单元型号、一图形处理单元预设操作频率、一图形处理单元操作电压、一图形处理单元参数、一中央处理单元操作电压以及设置在该图形处理单元中的一显示记忆体的一显示记忆体操作频率的至少其中之一,并且该图形处理单元型号对应的权重值高于其他初始设定参数。
10.如权利要求8所述的效能优化方法,其特征在于,该些最佳化设定参数包括一最佳化图形处理单元操作电压、一最佳化图形处理单元操作频率、一最佳化图形处理单元参数以及一最佳化中央处理单元操作电压的至少其中之一。
11.一种主机板,其特征在于,包括:
一基本输入输出系统,包括多个最佳化设定模型,且该基本输入输出系统用以撷取对应于一处理器的多个初始设定参数,以比对该些最佳化设定模型,
其中当该些最佳化设定模型的其中之一对应于该些初始设定参数时,该基本输入输出系统依据该些最佳化设定模型的其中之一取得多个最佳化设定参数,并且当该些最佳化设定模型的任何其中之一未对应于该些初始设定参数时,一类神经网络运算经执行以取得该些最佳化设定参数,
其中该基本输入输出系统依据该些最佳化设定参数来运作该处理器,以降低该处理器的操作功耗。
12.如权利要求11所述的主机板,其特征在于,一人工智慧引擎经执行该类神经网络运算,以依据多个初始设定参数组来产生该些最佳化设定模型,并且将该些最佳化设定模型写入该基本输入输出系统。
13.如权利要求11所述的主机板,其特征在于,一人工智慧引擎经执行该类神经网络运算,以依据该些初始设定参数来训练至少一新的最佳化设定模型,并且该人工智慧引擎将该至少一新的最佳化设定模型写入该基本输入输出系统,以使该基本输入输出系统依据该至少一新的最佳化设定模型的其中之一来取得该些最佳化设定参数。
14.如权利要求13所述的主机板,其特征在于,该人工智慧引擎依据该些初始设定参数来训练对应于相同处理器型号以及不同处理器操作频率的多个新的最佳化设定模型。
15.如权利要求11所述的主机板,其特征在于,该处理器包括一中央处理单元,并且该些最佳化设定模型对应于相同中央处理单元型号以及不同中央处理单元操作频率。
16.如权利要求15所述的主机板,其特征在于,该些初始设定参数包括一中央处理单元型号、一中央处理单元核心数量、一中央处理单元操作频率、一中央处理单元操作电压、一中央处理单元操作电流、一中央处理单元功率、一中央处理单元温度以及一中央处理单元负载线的至少其中之一,并且该中央处理单元型号以及该中央处理单元操作频率各别对应的权重值高于其他初始设定参数。
17.如权利要求15所述的主机板,其特征在于,该些最佳化设定参数包括一最佳化中央处理单元操作电压、一最佳化中央处理单元操作电流、一最佳化中央处理单元功率、一最佳化中央处理单元温度、一最佳化中央处理单元操作频率以及一最佳化中央处理单元负载线的至少其中之一。
18.如权利要求11所述的主机板,其特征在于,该处理器包括一中央处理单元以及一图形处理单元,并且该些最佳化设定模型对应于相同图形处理单元型号以及不同图形处理单元操作频率。
19.如权利要求18所述的主机板,其特征在于,该些初始设定参数包括一图形处理单元型号、一图形处理单元预设操作频率、一图形处理单元操作电压、一图形处理单元参数、一中央处理单元操作电压以及设置在该图形处理单元中的一显示记忆体的一显示记忆体操作频率的至少其中之一,并且该图形处理单元型号对应的权重值高于其他初始设定参数。
20.如权利要求18所述的主机板,其特征在于,该些最佳化设定参数包括一最佳化图形处理单元操作电压、一最佳化图形处理单元操作频率、一最佳化图形处理单元参数以及一最佳化中央处理单元操作电压的至少其中之一。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811628278.8A CN111381663A (zh) | 2018-12-28 | 2018-12-28 | 处理器的效能优化方法以及使用其的主机板 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811628278.8A CN111381663A (zh) | 2018-12-28 | 2018-12-28 | 处理器的效能优化方法以及使用其的主机板 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111381663A true CN111381663A (zh) | 2020-07-07 |
Family
ID=71222991
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811628278.8A Pending CN111381663A (zh) | 2018-12-28 | 2018-12-28 | 处理器的效能优化方法以及使用其的主机板 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111381663A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040143559A1 (en) * | 2003-01-17 | 2004-07-22 | Ayala Francisco J. | System and method for developing artificial intelligence |
CN106155638A (zh) * | 2014-09-08 | 2016-11-23 | 广达电脑股份有限公司 | 配置计算机中基本输入输出系统效能设定档的系统及方法 |
CN106293942A (zh) * | 2016-08-10 | 2017-01-04 | 中国科学技术大学苏州研究院 | 基于多机多卡的神经网络负载均衡优化方法和系统 |
US9578234B2 (en) * | 2010-02-26 | 2017-02-21 | Bao Tran | High definition camera |
CN106681826A (zh) * | 2015-11-09 | 2017-05-17 | 纬创资通股份有限公司 | 丛集运算架构的资源规划方法、系统及装置 |
CN106845442A (zh) * | 2017-02-15 | 2017-06-13 | 杭州当虹科技有限公司 | 一种基于深度学习的台标检测方法 |
WO2018163786A2 (en) * | 2017-03-07 | 2018-09-13 | Omron Corporation | Target subject analysis apparatus, target subject analysis method, learning apparatus, and learning method |
-
2018
- 2018-12-28 CN CN201811628278.8A patent/CN111381663A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040143559A1 (en) * | 2003-01-17 | 2004-07-22 | Ayala Francisco J. | System and method for developing artificial intelligence |
US9578234B2 (en) * | 2010-02-26 | 2017-02-21 | Bao Tran | High definition camera |
CN106155638A (zh) * | 2014-09-08 | 2016-11-23 | 广达电脑股份有限公司 | 配置计算机中基本输入输出系统效能设定档的系统及方法 |
CN106681826A (zh) * | 2015-11-09 | 2017-05-17 | 纬创资通股份有限公司 | 丛集运算架构的资源规划方法、系统及装置 |
CN106293942A (zh) * | 2016-08-10 | 2017-01-04 | 中国科学技术大学苏州研究院 | 基于多机多卡的神经网络负载均衡优化方法和系统 |
CN106845442A (zh) * | 2017-02-15 | 2017-06-13 | 杭州当虹科技有限公司 | 一种基于深度学习的台标检测方法 |
WO2018163786A2 (en) * | 2017-03-07 | 2018-09-13 | Omron Corporation | Target subject analysis apparatus, target subject analysis method, learning apparatus, and learning method |
Non-Patent Citations (1)
Title |
---|
日本日经BP社编,费晓东译: "《完全读懂AI应用最前线》", 31 August 2018, 东方出版社 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11042297B2 (en) | Techniques to configure a solid state drive to operate in a storage mode or a memory mode | |
CN110263921B (zh) | 一种联邦学习模型的训练方法及装置 | |
US11216719B2 (en) | Methods and arrangements to quantize a neural network with machine learning | |
CN109034394B (zh) | 一种机器学习模型的更新方法和装置 | |
US20190095796A1 (en) | Methods and arrangements to determine physical resource assignments | |
CN110750351B (zh) | 多核任务调度器、多核任务调度方法、装置及相关产品 | |
US11150899B2 (en) | Selecting a precision level for executing a workload in an electronic device | |
EP3836030A1 (en) | Method and apparatus with model optimization, and accelerator system | |
US11947947B2 (en) | Automatic probabilistic upgrade of tenant devices | |
WO2022126902A1 (zh) | 模型压缩方法、装置、电子设备及介质 | |
JP2021022373A (ja) | 負荷を均衡化するための方法、装置、機器、コンピュータ読み取り可能な記憶媒体及びコンピュータプログラム | |
WO2021036362A1 (zh) | 用于处理数据的方法、装置以及相关产品 | |
US12020065B2 (en) | Hierarchical processor selection | |
CN111381663A (zh) | 处理器的效能优化方法以及使用其的主机板 | |
TWI704494B (zh) | 處理器的效能優化方法以及使用其的主機板 | |
CN113505861B (zh) | 基于元学习和记忆网络的图像分类方法及系统 | |
CN111381891A (zh) | 记忆体的效能优化方法以及使用其的主机板 | |
TWI701595B (zh) | 記憶體的效能優化方法以及使用其的主機板 | |
CN115145634A (zh) | 一种系统管理软件自适配方法、装置及介质 | |
CN113138718A (zh) | 用于分布式块存储系统的存储方法、设备、系统和介质 | |
CN118396073B (zh) | 异构计算系统及其模型训练方法、设备、介质、程序产品 | |
US20240020550A1 (en) | System and method for inference generation via optimization of inference model portions | |
US20240020510A1 (en) | System and method for execution of inference models across multiple data processing systems | |
US20240311191A1 (en) | Network-attached hostless accelerator devices | |
US20230051344A1 (en) | Optimization of memory use for efficient neural network execution |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200707 |
|
RJ01 | Rejection of invention patent application after publication |