CN112446816A - 显存动态数据存储方法、装置及服务器 - Google Patents
显存动态数据存储方法、装置及服务器 Download PDFInfo
- Publication number
- CN112446816A CN112446816A CN202110132921.3A CN202110132921A CN112446816A CN 112446816 A CN112446816 A CN 112446816A CN 202110132921 A CN202110132921 A CN 202110132921A CN 112446816 A CN112446816 A CN 112446816A
- Authority
- CN
- China
- Prior art keywords
- video memory
- page
- feature
- aggregation
- memory page
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/60—Memory management
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例提供一种显存动态数据存储方法、装置及服务器,将显示存储区域区分为多个单独的显存分页,多个显存分页通过使用分页管理表单进行状态管理,进而可以基于多个显存分页进行特征数据计算,无需每次进行全局数据运算,可以更有效利用显存和图形计算单元的算力,提高显存利用率,并且在需要进行动态更新特征数据时只需新创建显存分页即可,无需进行全局内存块销毁重建,进而解决了数据库动态扩容问题,并且针对每个显存分页的分页配置信息的设定考虑到了图形计算单元的单元配置信息,进一步提高了并行加速的效果。
Description
技术领域
本申请涉及基于人工智能算法的显存优化技术领域,具体而言,涉及一种显存动态数据存储方法、装置及服务器。
背景技术
相关技术中,为了给人工智能算法提供快速的特征库对比功能,很多基于图形计算单元GPU加速的算法随之出现,其基本思想是使用图形计算单元的众多核心和高速显存进行并行加速运算。由图形计算单元并行运算的基本属性决定,显存中的数据必须连续存储,才能达到并行加速的效果。应业务逻辑和并发处理的需求,同时还要求能够存储多个分组的特征数据,并支持数据实时动态调整。
本申请发明人研究发现,现有的并行加速方法,以单张图形计算单元为例,是预先按照全局方式分配最大需要的显存,在进行特征数据对比时,进行全局数据运算。当数据量少时会存在空白的无效数据,且无效数据并没有位于全局底内存块的尾部,所以人工智能算法在运行时无法有效利用显存,为了保证总体运算时间一致性,只能进行全局数据运算,这样空白数据的计算会导致显存和图形计算单元算力的浪费。并且,在对特征数据进行更新时,当超过预先分配的最大容量时,需要进行动态扩充数据,只有将全局内存块销毁重建,全局的销毁重建以及更新特征数据的填充需要消耗大量时间和资源,进而会造成运算服务的中断。
发明内容
基于单指令多线程(SIMT)并行计算模式的特点和要求,以及现有设计的不足,本申请实施例提供一种显存动态数据存储方法、装置及服务器,将显示存储区域区分为多个单独的显存分页,多个显存分页通过使用分页管理表单进行状态管理,进而可以基于多个显存分页进行特征数据计算,无需每次进行全局数据运算,可以更有效利用显存和图形计算单元算力,提高显存利用率,并且在需要进行动态更新特征数据时只需新创建显存分页即可,无需进行全局内存块销毁重建,进而解决了数据库动态扩容问题,并且每个显存分页的分页配置信息的设定考虑到了图形计算单元的单元配置信息,进一步提高了并行加速的效果。
根据本申请的第一方面,提供一种显存动态数据存储方法,应用于服务器,所述方法包括:
获取所述服务器的图形计算单元的单元配置信息;
根据所述单元配置信息设定所述图形计算单元的显示存储区域的显存分页的分页配置信息,并创建用于对每个显存分页进行状态管理的分页管理表单;
在检测到特征数据更新指令时,根据所述分页管理表单和所述显存分页的分页配置信息对对应的显存分页进行特征数据更新。
在第一方面的一种可能的实施方式中,所述根据所述单元配置信息设定所述图形计算单元的显示存储区域的显存分页的分页配置信息的步骤,包括:
获取所述单元配置信息中所述图形计算单元的单个流式多核处理器的并发块数量WP和每个并发块的并发线程数WT;
根据单个流式多核处理器的并发块数量WP和每个并发块的并发线程数WT,计算得到所述显存分页的最大分页显存容量,作为所述显存分页的分页配置信息。
在第一方面的一种可能的实施方式中,所述分页管理表单包括每个已创建显存分页的分页管理单元,所述分页管理单元用于存储对应的已创建显存分页的分页地址、分页状态信息和分页特征数据标签;
所述在检测到特征数据更新指令时,根据所述分页管理表单和所述显存分页的分页配置信息对对应的显存分页进行特征数据更新的步骤,包括:
在检测到特征数据更新指令时,从所述特征数据更新指令中获取更新特征数据标签;
从所述更新特征数据标签对应的分页管理单元中获取待更新的目标显存分页的分页地址和分页状态信息;
根据所述目标显存分页的分页状态信息判断所述目标显存分页是否满足更新条件;
在所述目标显存分页满足更新条件时根据所述目标显存分页的分页地址将所述特征数据更新指令所对应的更新数据更新到所述目标显存分页中,并根据更新结果在所述分页管理表单中更新所述目标显存分页的分页状态信息;
在所述目标显存分页不满足更新条件时,根据所述显存分页的分页配置信息创建新显存分页,并配置所述新显存分页的分页地址以及根据所述更新特征数据标签配置所述新显存分页的分页特征数据标签后,根据所述新显存分页的分页地址将所述特征数据更新指令所对应的更新数据更新到所述新显存分页中,并根据更新结果在所述分页管理表单中更新所述新显存分页的分页状态信息。
在第一方面的一种可能的实施方式中,所述根据所述目标显存分页的分页状态信息判断所述目标显存分页是否满足更新条件的步骤,包括:
根据所述目标显存分页的分页状态信息中的显存占用总量是否达到所述目标显存分页的分页配置信息中的最大显存占用总量;
在达到所述目标显存分页的分页配置信息中的最大显存占用总量时,判定所述目标显存分页不满足更新条件,否则判定目标显存分页满足更新条件。
在第一方面的一种可能的实施方式中,所述方法还包括:
在检测到特征数据计算请求时,调用所述图形计算单元从所述分页管理表单中并行获取每个显存分页的分页管理单元信息;
根据所述每个显存分页的分页管理单元信息配置每个显存分页的图形计算资源后,调用每个显存分页的图形计算资源对每个显存分页中的特征数据进行计算,得到计算结果。
在第一方面的一种可能的实施方式中,所述调用每个显存分页的图形计算资源对每个显存分页中的特征数据进行计算,得到计算结果的步骤,包括:
调用每个显存分页的图形计算资源对每个显存分页中的特征数据进行特征库比对,得到特征库比对结果;
所述方法还包括:
根据所述特征库比对结果获得满足预设要求的针对目标人工智能训练模型的训练集样本,并基于所述训练集样本训练所述目标人工智能训练模型,获得对象分类模型,以基于所述对象分类模型对输入的待测样本进行分类。
在第一方面的一种可能的实施方式中,所述基于所述对象分类模型对输入的待测样本进行分类的步骤,包括:
基于所述对象分类模型识别待测样本中的对象特征得到识别特征对象序列,所述识别特征对象序列包括至少一条识别特征对象数据,所述识别特征对象数据包括对象特征向量、对象特征聚合和对象持续数量,所述对象特征向量包括位于所述对象特征聚合上的至少一个对象特征;
将所述对象特征聚合整理为X个参考对象聚合,属于第i个参考对象聚合的所述对象特征聚合与所述第i个参考对象聚合的浮动参数小于浮动阈值,X为正整数,i为小于或等于X的正整数;
根据对象聚合确定规则从所述X个参考对象聚合中查找得到目标对象聚合;所述对象聚合确定规则用于将所述X个参考对象聚合中所述对象特征向量的重复程度低于重复程度阈值且对象持续总数量最大的参考对象聚合确定为所述目标对象聚合,所述对象持续总数量为属于所述参考对象聚合的全部对象特征向量的所述对象持续数量之和。
在第一方面的一种可能的实施方式中,所述根据对象聚合确定规则从所述X个参考对象聚合中查找得到目标对象聚合,包括:
获取对应第y个参考对象聚合的第y组识别特征对象数据,所述第y组识别特征对象数据中的所述对象特征聚合属于所述第y个参考对象聚合,y为小于等于X的正整数,X为正整数;
将所述第y组识别特征对象数据中所述对象特征向量相同的所述识别特征对象数据归为同一个识别特征对象数据序列,得到至少一个识别特征对象数据序列;
计算每个所述识别特征对象数据序列中的所述对象持续数量之和,得到至少一个总计对象持续数量;
计算最大的总计对象持续数量与所述待测样本的所述待测样本总对象持续数量之比得到所述重复程度;
重复上述操作计算得到每个所述参考对象聚合的所述重复程度,所述重复程度为总计对象持续数量与所述待测样本的待测样本总对象持续数量之比,总计对象持续数量为相同的所述对象特征向量的所述对象持续数量之和;
将所述对象特征向量的所述重复程度低于所述重复程度阈值的所述参考对象聚合确定为后续对象聚合;
计算对应所述后续对象聚合的所述识别特征对象数据的所述对象持续数量之和,得到所述后续对象聚合的所述对象持续总数量;
将所述后续对象聚合中,所述对象持续总数量最大的所述后续对象聚合确定为所述目标对象聚合。
譬如,在第一方面的一种可能的实施方式中,所述识别特征对象序列包括m个识别特征对象数据,所述对象特征聚合包括特征聚合的起始聚合边界和终止聚合边界,m为正整数;
所述将所述对象特征聚合整理为m个参考对象聚合,包括:
从m个对象特征聚合中抽出一个对象特征聚合作为第1个对象特征聚合,将所述第1个对象特征聚合确定为第1个参考对象聚合,将所述第1个参考对象聚合加入参考对象聚合列表;
循环执行以下步骤,直至所述m个对象特征聚合的剩余数量为0:
从剩下的m-k+1个对象特征聚合中抽出一个对象特征聚合作为第k个对象特征聚合,响应于所述第k个对象特征聚合与所述参考对象聚合列表中的第w个参考对象聚合的第一浮动参数小于所述浮动阈值,将所述第k个对象特征聚合归为所述第w个参考对象聚合;
响应于所述第k个对象特征聚合与所述参考对象聚合列表中的全部参考对象聚合的第二浮动参数都大于所述浮动阈值,将所述第k个对象特征聚合确定为第y个参考对象聚合,将所述第y个参考对象聚合加入所述参考对象聚合列表;
其中,所述第一浮动参数包括两个所述起始聚合边界之变化差异和两个所述终止聚合边界之变化差异,所述第二浮动参数包括两个所述起始聚合边界之变化差异或两个所述终止聚合边界之变化差异,y为小于或等于X的正整数,k为小于等于m的正整数,w为小于等于X的正整数,X为正整数;
其中,所述响应于所述第k个对象特征聚合与所述参考对象聚合列表中的第w个参考对象聚合的第一浮动参数小于浮动阈值,将所述第k个对象特征聚合归为所述第w个参考对象聚合之后,还包括:
计算所述第k个对象特征聚合的第一聚合偏移参数,所述第一聚合偏移参数为所述第k个对象特征聚合的所述起始聚合边界与所述终止聚合边界之变化差异;
计算所述第w个参考对象聚合的第二聚合偏移参数,所述第二聚合偏移参数为所述第w个参考对象聚合的所述起始聚合边界与所述终止聚合边界之变化差异;
响应于所述第一聚合偏移参数大于所述第二聚合偏移参数,将所述第k个对象特征聚合确定为所述第w个参考对象聚合;
其中,k为小于等于m的正整数,w为小于等于n的正整数,n、m为正整数。
譬如,在第一方面的一种可能的实施方式中,所述识别待测样本中的对象特征得到识别特征对象序列,包括:
周期性截取所述待测样本的待测样本单元数据;
识别所述待测样本单元数据,得到所述待测样本单元数据中的参考对象特征向量和所述参考对象特征向量的所述对象特征聚合,根据所述待测样本单元数据的持续数量得到所述参考对象特征向量的持续数量;
对所述参考对象特征向量进行去重得到所述对象特征向量;所述去重包括将所述持续数量连续、所述对象特征聚合相同、所述参考对象特征向量相同的多个参考对象特征向量中所述持续数量最早的所述参考对象特征向量确定为所述对象特征向量,根据所述多个参考对象特征向量的所述持续数量计算所述对象特征向量的所述对象持续数量;
根据所述对象特征向量、所述对象特征向量的所述对象特征聚合和所述对象持续数量生成所述识别特征对象序列。
根据本申请的第二方面,提供一种显存动态数据存储装置,应用于服务器,所述装置包括:
获取模块,用于获取所述服务器的图形计算单元的单元配置信息;
创建模块,用于根据所述单元配置信息设定所述图形计算单元的显示存储区域的显存分页的分页配置信息,并创建用于对每个显存分页进行状态管理的分页管理表单;
更新模块,用于在检测到特征数据更新指令时,根据所述分页管理表单和所述显存分页的分页配置信息对对应的显存分页进行特征数据更新。
根据本申请的第三方面,提供一种服务器,所述服务器包括机器可读存储介质和处理器,所述机器可读存储介质中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行第一方面或者第一方面任意一种可能的实施方式所述的显存动态数据存储方法。
基于上述任一方面,本申请将显示存储区域区分为多个单独的显存分页,多个显存分页通过使用分页管理表单进行状态管理,进而可以基于多个显存分页进行特征数据计算,无需每次进行全局数据运算,可以更有效利用显存和图形计算单元算力,提高显存利用率,并且在需要进行动态更新特征数据时只需新创建显存分页即可,无需进行全局内存块销毁重建,进而解决了数据库动态扩容问题,并且每个显存分页的分页配置信息的设定考虑到了图形计算单元的单元配置信息,进一步提高了并行加速的效果。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它相关的附图。
图1示出了本申请实施例所提供的显存动态数据存储系统的场景示意图;
图2示出了本申请实施例所提供的显存动态数据存储方法的流程示意图之一;
图3示出了图2中所示的步骤S120的子步骤流程示意图;
图4示出了图2中所示的步骤S130的子步骤流程示意图;
图5示出了本申请实施例所提供的显存动态数据存储方法的流程示意图之二;
图6示出了本申请实施例所提供的显存动态数据存储方法的流程示意图之三;
图7示出了图6中所示的步骤S160的子步骤流程示意图;
图8示出了本申请实施例所提供的显存动态数据存储装置的功能模块示意图;
图9示出了本申请实施例所提供的用于实现上述的显存动态数据存储方法的服务器的结构示意框图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,应当理解,本申请中附图仅起到说明和描述的目的,并不用于限定本申请的保护范围。另外,应当理解,示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请实施例的一些实施例实现的操作。
应该理解,流程图的操作可以不按顺序实现,没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外,本领域技术人员在本申请内容的指引下,可以向流程图添加一个或多个其它操作,也可以从流程图中移除一个或多个操作。
参照图1所示,图1示出了本申请实施例提供的显存动态数据存储系统10的场景示意图。例如,显存动态数据存储系统10可以包括服务器100以及与服务器100通信连接的多个终端设备200。
本实施例中,服务器100用于为终端设备200提供后台服务。例如,服务器100可以是上述应用程序的后台服务器。服务器100可以是一台服务器,也可以是由多台服务器组成的服务器集群,或者是一个云计算服务中心,可以提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(Content DeliveryNetwork,内容分发网络)、以及大数据和人工智能平台等基础云计算服务。可选地,服务器100同时为多个终端设备200中的应用程序提供后台服务。
本申请实施例提供的显存动态数据存储方法,各步骤的执行主体可以是服务器100,也可以是终端设备200(如终端设备200中运行的应用程序的客户端),还可以是由终端设备200和服务器100交互配合执行。
可以理解,图1所示的显存动态数据存储系统10仅为一种可行的示例,在其它可行的实施例中,该显存动态数据存储系统10也可以仅包括图1所示组成部分的其中一部分或者还可以包括其它的组成部分。
图2示出了本申请实施例提供的显存动态数据存储方法的流程示意图,该显存动态数据存储方法可以由图1中所示的显存动态数据存储系统10执行,具体而言可以是由服务器100执行,或者也可以是由其它具有任意计算处理能力的其它装置执行,应当理解,在其它实施例中,本实施例的显存动态数据存储方法其中部分步骤的顺序可以根据实际需要相互交换,或者其中的部分步骤也可以省略或删除。该显存动态数据存储方法的详细步骤介绍如下。
步骤S110,获取服务器的图形计算单元的单元配置信息。
步骤S120,根据单元配置信息设定图形计算单元的显示存储区域的显存分页的分页配置信息,并创建用于对每个显存分页进行状态管理的分页管理表单。
步骤S130,在检测到特征数据更新指令时,根据分页管理表单和显存分页的分页配置信息对对应的显存分页进行特征数据更新。
本实施例中,图形计算单元可以理解为图形处理器(Graphics Processing Unit,GPU),又称显示核心、视觉处理器、显示芯片等,即进行图像和图形相关运算工作的微处理器。
本实施例中,图形计算单元的单元配置信息可以包括,但不限于显存大小G、图形计算单元的流式多核处理器数量S、单个流式多核处理器并发块数量WP、并发块的并发线程数WT,硬件上图形计算单元的最大并发线程数是WT*WP*S、单个流式多核处理器最大并发线程数等。
本实施例中,图形计算单元的显示存储区域可以具有多个显存分页,每个显存分页可以理解为一个特征数据的显存单位区域,通过设定每个显存分页的分页配置信息,可以对每个显存分页的最大分页显存容量进行设定,例如可以结合图形计算单元的单元配置信息对每个显存分页的最大分页显存容量进行设定。
本实施例中,针对每个显存分页而言,可以创建分页管理表单对其进行状态管理,进而可以通过分页管理表单获取已经填充满特征数据的显存分页和未填充满特征数据的显存分页,从而可以保证显存利用率接近最优状态。对于未填充满特征数据的显存分页,其空白特征数量相对于现有技术中的空白数据块会明显减少,并且处于可管控和预测的状态,所以图形计算单元的算力可以得到有效利用。当未填充满特征数据的显存分页中特征数据再次填充满时,只需重新再分配一页即可,无需销毁重建现有数据页。
基于上述步骤,本申请实施例将显示存储区域区分为多个单独的显存分页,多个显存分页通过使用分页管理表单进行状态管理,进而可以基于多个显存分页进行特征数据计算,无需每次进行全局数据运算,可以更有效利用显存和图形计算单元算力,提高显存利用率,并且在需要进行动态更新特征数据时只需新创建显存分页即可,无需进行全局内存块销毁重建,进而解决了数据库动态扩容问题,并且每个显存分页的分页配置信息的设定考虑到了图形计算单元的单元配置信息,进一步提高了并行加速的效果。
在一种可能的实施方式中,下面将结合图3对步骤S120进行示例性说明,请结合参阅图3,步骤S120可以通过以下示例性的子步骤实现,详细描述如下。
子步骤S121,获取单元配置信息中图形计算单元的单个流式多核处理器的并发块数量WP和每个并发块的并发线程数WT。
子步骤S122,根据单个流式多核处理器的并发块数量WP和每个并发块的并发线程数WT,计算得到显存分页的最大分页显存容量,作为显存分页的分页配置信息。
本实施例中,显存分页大小M的选择依赖于图形计算单元的具体信息,例如可以获取图形计算单元信息,得到显存大小G、图形计算单元的多处理器数量S、单个多处理器并发块数量WP、并发块的并发线程数WT、硬件上图形计算单元最大并发线程数是WT*WP*S、单个多处理器最大并发线程数是WT*WP等,启动的线程数少于WT*WP时会降低算力的利用率。每组特征数据可以划分位N个显存分页,总共有W个分组,显存最大未利用率等于W*(M-1)÷N*W*M,当M越小N越大时显存利用率越高。当M是WT*WP的整数倍时,图形计算单元算力的未利用率为(S-N*W%S)÷(ceil(N*W÷S)*S),所以当M是WT*WP的整数倍且N*W是S的整数倍时,图形计算单元算力利用率最高。此外,当M小于WT*WP时,图形计算单元算力未利用率为(WT*WP-M)÷(WT*WP)+(S-N*W%S)/(ceil(N*W÷S)*S),所以当M小于WT*WP时图形计算单元算力利用率明显降低,为了兼顾算力利用率与显存利用率,本实施例可根据实际场景测试得出常量C,当M=C*WT*WP时,图形计算单元算力利用率以及显存利用率接近较优状态。
在一种可能的实施方式中,前述的分页管理表单可以包括每个已创建显存分页的分页管理单元,分页管理单元可以用于存储对应的已创建显存分页的分页地址、分页状态信息和分页特征数据标签。
示例性地,分页地址可以用于表示已创建显存分页的分页标识,以便于后续在进行特征数据更新(如新增、删除、替换等)时可以基于分页地址链接到相应的显存分页进行操作。分页状态信息可以是指已创建显存分页的当前显存容量状态,可以是以百分比的方式标识分页状态信息,也可以是以实际显存剩余容量的方式标识分页状态信息,均不作具体限定。分页特征数据标签可以是指该已创建显存分页所存储特征数据的业务标签,可以用于标识其存储的特征数据的业务类别等信息。
下面结合图4对步骤S130进行示例性说明,请结合参阅图4,步骤S130可以通过以下示例性的子步骤实现,详细描述如下
子步骤S131,在检测到特征数据更新指令时,从特征数据更新指令中获取更新特征数据标签。
本实施例中,特征数据更新指令可以是,但不限于特征数据删除指令、特征数据新增指令、特征数据覆盖指令等,当检测到特征数据更新指令后,可以首先从特征数据更新指令中获取更新特征数据标签,以便于后续确定待更新的目标显存分页。
子步骤S132,从更新特征数据标签对应的分页管理单元中获取待更新的目标显存分页的分页地址和分页状态信息。
子步骤S133,根据目标显存分页的分页状态信息判断目标显存分页是否满足更新条件。
例如,在一种可能的实施方式中,可以根据目标显存分页的分页状态信息中的显存占用总量是否达到目标显存分页的分页配置信息中的最大显存占用总量。在达到目标显存分页的分页配置信息中的最大显存占用总量时,判定目标显存分页不满足更新条件,否则判定目标显存分页满足更新条件。
在目标显存分页满足更新条件时,执行子步骤S134,根据目标显存分页的分页地址将特征数据更新指令所对应的更新数据更新到目标显存分页中,并根据更新结果在分页管理表单中更新目标显存分页的分页状态信息。
在目标显存分页不满足更新条件时,执行子步骤S135,根据显存分页的分页配置信息创建新显存分页,并配置新显存分页的分页地址以及根据更新特征数据标签配置新显存分页的分页特征数据标签后,根据新显存分页的分页地址将特征数据更新指令所对应的更新数据更新到新显存分页中,并根据更新结果在分页管理表单中更新新显存分页的分页状态信息。
在一种可能的实施方式中,在以上实施例的基础上,在显存计算层面,请进一步参阅图5,还可以包括以下步骤,具体描述如下。
步骤S140,在检测到特征数据计算请求时,调用图形计算单元从分页管理表单中并行获取每个显存分页的分页管理单元信息。
步骤S150,根据每个显存分页的分页管理单元信息配置每个显存分页的图形计算资源后,调用每个显存分页的图形计算资源对每个显存分页中的特征数据进行计算,得到计算结果。
在一种可能的实施方式中,对于步骤S150,具体可以调用每个显存分页的图形计算资源对每个显存分页中的特征数据进行特征库比对,得到特征库比对结果。
由此,在一种可能的实施方式中,在应用层面,请进一步参阅图6,还可以包括以下步骤,具体描述如下。
步骤S160,根据特征库比对结果获得满足预设要求的针对目标人工智能训练模型的训练集样本,并基于训练集样本训练目标人工智能训练模型,获得对象分类模型,以基于对象分类模型对输入的待测样本进行分类。
在一种可能的实施方式中,对于步骤S160,请结合参阅图7,以下将结合示例性的子步骤进行说明,具体描述如下。
步骤S161,识别待测样本中的对象特征得到识别特征对象序列,识别特征对象序列包括至少一条识别特征对象数据,识别特征对象数据包括对象特征向量、对象特征聚合和对象持续数量,对象特征向量包括位于对象特征聚合上的至少一个对象特征。
在一种可能的实施方式中,待测样本可以是任意类型的待测样本文件,例如,工地场景的视频流样本等。在一种可能的实施方式中,待测样本中包括对象分类区域。以工地待测样本为例,在工地待测样本数据中的对象特征,不仅包含对象分类区域,还可能包含其它对象特征信息,例如,工地待测样本的设备对象的设备对象特征、工地待测样本服务产商的特征信息等等。因此,传统方案进行对象特征识别是无法准确获得工地待测样本的对象分类区域的,而人工对对象聚合进行标注,再对标注位置进行对象特征识别得到对象分类区域的方式又需要耗费大量人力。未解决该问题,本申请提供了一种对象分类区域识别方式,可以从待测样本中多个对象特征信息中准确识别出对象分类区域,节省了人工标注对象聚合的步骤提高了对象分类区域提取的效率。
在一种可能的实施方式中,待测样本的获取方式可以是任意的,待测样本可以是计算机设备本地存储的待测样本文件,也可以是通过其它计算机设备获取的待测样本文件。例如,当计算机设备是服务器时,服务器可以接收由终端上传的待测样本文件。当计算机设备是终端时,终端也可以通过网络下载服务器上存储的待测样本文件。以计算机设备是服务器为例,在终端上可以安装有客户端,用户可以在客户端的用户界面上选择本地存储的待测样本文件,并点击上传控件将待测样本文件上传至服务器,服务器对待测样本文件进行后续的对象聚合识别处理。
在一种可能的实施方式中,服务器对待测样本进行对象特征识别,得到识别特征对象序列。在一种可能的实施方式中,识别特征对象序列可以是一个矩阵分布,其中的每一横向节点代表一条识别特征对象数据,每一竖向节点为识别特征对象数据的具体内容:对象特征向量、对象特征聚合以及对象持续数量。对于待测样本的一个待测样本单元数据,单元数据上的不同区域可能包含不同的对象特征向量,对于待测样本的多个待测样本单元数据,单元数据上的相同区域也可能在不同时间持续出现不同的对象特征向量,因此,将待测样本中对象特征聚合不同、持续出现数量不同的多个对象特征向量提取出来,可以得到多条识别特征对象数据,组成识别特征对象序列。在一种可能的实施方式中,如果待测样本中在相同对象特征聚合的不同时间段内持续出现了相同的对象特征向量,则这两个对象特征向量分别属于两个识别特征对象数据,即,如果在连续的待测样本单元数据上的相同对象特征聚合持续出现有相同的对象特征向量,则该对象特征向量属于一条识别特征对象数据,该连续地待测样本单元数据持续的对象持续数量即为该识别特征对象数据中的对象持续数量(对象特征向量的对象持续数量)。例如,在第1-3s(秒)的待测样本单元数据上的第一区域持续出现了第一对象特征向量,在第3-4s的待测样本单元数据上的第一区域没有持续出现对象特征,在第4-5s的待测样本单元数据上的第一区域又持续出现了第一对象特征向量,则这两个第一对象特征向量分别对应两条识别特征对象数据,两条识别特征对象数据中的对象持续数量分别为2s和1s。
在一种可能的实施方式中,识别特征对象序列还可以是由多个识别特征对象数据组成的链接库文件等。
在一种可能的实施方式中,对象特征聚合包括用于标记对象特征的对象特征聚合的聚合特征。在一种可能的实施方式中,对象特征聚合是特征聚合框,对象特征聚合的聚合特征可以用起始聚合边界、终止聚合边界来表达、也可以用对象特征聚合的起始聚合点、终止聚合点来表达。
步骤S162,将对象特征聚合整理为X个参考对象聚合,属于第i个参考对象聚合的对象特征聚合与第i个参考对象聚合的浮动参数小于浮动阈值,X为正整数,i为小于或等于X的正整数。
在一种可能的实施方式中,整理是指按照对象特征聚合的位置分布对对象特征聚合进行归类,将浮动参数小于浮动阈值的多个对象特征聚合归为同一类对象特征聚合,即,同一个参考对象聚合。
在一种可能的实施方式中,在得到识别特征对象序列后,识别特征对象序列中包括了多个对象特征聚合,由于待测样本的对象分类区域通常都持续出现在同一个区域位置,因此,将这些对象特征聚合进行整理得到多个参考对象聚合。在一种可能的实施方式中,由于不同对象分类区域对象特征向量不同,其持续出现的区域范围可能也有些许差异,例如,假设在两个待测样本单元数据上分别有位于第一对象特征聚合的第一对象特征向量和位于第二对象特征聚合的第二对象特征向量,这两个为对象特征向量都是对象分类区域,但由于对象特征向量的具体信息不同,这两个对象特征向量的对象特征聚合有些许差异,但这两个对象特征聚合都为对象聚合,因此,在整理参考对象聚合时需要设定一个浮动阈值,若两个对象特征聚合的浮动参数小于浮动阈值,则应该认为这两个对象特征聚合属于同一个参考对象聚合,如此,便可以对识别特征对象序列中的多个对象特征聚合进行整理,最终得到几个参考对象聚合。
在一种可能的实施方式中,浮动阈值的具体数值可以是任意的,具体不作限定。
步骤S163,根据对象聚合确定规则从X个参考对象聚合中查找得到对象聚合。对象聚合确定规则用于将X个参考对象聚合中对象特征向量的重复程度低于重复程度阈值且对象持续总数量最大的参考对象聚合确定为对象聚合,对象持续总数量为属于参考对象聚合的全部对象特征向量的对象持续数量之和。
在一种可能的实施方式中,在得到参考对象聚合,服务器可以调用对象聚合确定规则的算法从参考对象聚合中识别出该待测样本的对象聚合。在一种可能的实施方式中,由于待测样本中可能出现部分干扰对象特征(非对象分类区域对象特征),而这些干扰对象特征具有持续数量多,且持续出现的对象特征单一不变的特点,因此,可以根据干扰对象特征的这些特征从识别特征对象数据中查找出对象聚合。
在一种可能的实施方式中,对象聚合确定规则是根据干扰对象特征的持续出现特征和对象分类区域的持续出现特征设定的。对象分类区域具有持续数量长、位置固定、对象特征向量多样等特征。
步骤S164,根据目标对象聚合的分类标签获得输入的待测样本的分类结果。
综上,本实施例提供的方法,通过使用对象聚合确定规则,对从待测样本中识别出的识别特征对象序列中的对象特征聚合进行查找得到对象聚合,从而可以根据对象聚合提取到待测样本的对象分类区域,相比于使用人工对对象聚合进行标注的方法,该方法节省了对象分类识别所需要的人力资源,加快对象分类区域的识别速度和效率。
在第一方面的一种可能的实施方式中,对于步骤S163,在根据对象聚合确定规则从X个参考对象聚合中查找得到对象聚合的步骤流程中,可以通过以下方式实现。
首先,获取对应第y个参考对象聚合的第y组识别特征对象数据,第y组识别特征对象数据中的对象特征聚合属于第y个参考对象聚合,y为小于等于X的正整数,X为正整数。
然后,将第y组识别特征对象数据中对象特征向量相同的识别特征对象数据归为同一个识别特征对象数据序列,得到至少一个识别特征对象数据序列,计算每个识别特征对象数据序列中的对象持续数量之和,得到至少一个总计对象持续数量,计算最大的总计对象持续数量与待测样本的待测样本总对象持续数量之比得到重复程度。
重复上述操作计算得到每个参考对象聚合的重复程度,重复程度为总计对象持续数量与待测样本的待测样本总对象持续数量之比,总计对象持续数量为相同的对象特征向量的对象持续数量之和。
由此,可以将对象特征向量的重复程度低于重复程度阈值的参考对象聚合确定为后续对象聚合,并且计算对应后续对象聚合的识别特征对象数据的对象持续数量之和,得到后续对象聚合的对象持续总数量,这样将后续对象聚合中,对象持续总数量最大的后续对象聚合确定为目标对象聚合。
譬如,在一种可能的实施方式中,前述的识别特征对象序列包括m个识别特征对象数据,对象特征聚合包括特征聚合的起始聚合边界和终止聚合边界,m为正整数。
将对象特征聚合整理为m个参考对象聚合的实现过程中,具体可以是从m个对象特征聚合中抽出一个对象特征聚合作为第1个对象特征聚合,将第1个对象特征聚合确定为第1个参考对象聚合,将第1个参考对象聚合加入参考对象聚合列表。
在此基础上,可以循环执行以下步骤,直至m个对象特征聚合的剩余数量为0:
(1)从剩下的m-k+1个对象特征聚合中抽出一个对象特征聚合作为第k个对象特征聚合,响应于第k个对象特征聚合与参考对象聚合列表中的第w个参考对象聚合的第一浮动参数小于浮动阈值,将第k个对象特征聚合归为第w个参考对象聚合。
(2)响应于第k个对象特征聚合与参考对象聚合列表中的全部参考对象聚合的第二浮动参数都大于浮动阈值,将第k个对象特征聚合确定为第y个参考对象聚合,将第y个参考对象聚合加入参考对象聚合列表。
其中,第一浮动参数包括两个起始聚合边界之变化差异和两个终止聚合边界之变化差异,第二浮动参数包括两个起始聚合边界之变化差异或两个终止聚合边界之变化差异,y为小于或等于X的正整数,k为小于等于m的正整数,w为小于等于X的正整数,X为正整数。
其中,在上述的(2)之后,还可以计算第k个对象特征聚合的第一聚合偏移参数,第一聚合偏移参数为第k个对象特征聚合的起始聚合边界与终止聚合边界之变化差异。
在此基础上,计算第w个参考对象聚合的第二聚合偏移参数,第二聚合偏移参数为第w个参考对象聚合的起始聚合边界与终止聚合边界之变化差异。
由此,可以响应于第一聚合偏移参数大于第二聚合偏移参数,将第k个对象特征聚合确定为第w个参考对象聚合。其中,k为小于等于m的正整数,w为小于等于n的正整数,n、m为正整数。
譬如,在一种可能的实施方式中,对于子步骤S161,具体可以周期性截取待测样本的待测样本单元数据,并识别待测样本单元数据,得到待测样本单元数据中的参考对象特征向量和参考对象特征向量的对象特征聚合,根据待测样本单元数据的持续数量得到参考对象特征向量的持续数量。
在此基础上,可以对参考对象特征向量进行去重得到对象特征向量。骑着,去重包括将持续数量连续、对象特征聚合相同、参考对象特征向量相同的多个参考对象特征向量中持续数量最早的参考对象特征向量确定为对象特征向量,根据多个参考对象特征向量的持续数量计算对象特征向量的对象持续数量。
由此,可以根据对象特征向量、对象特征向量的对象特征聚合和对象持续数量生成识别特征对象序列。
基于同一发明构思,请参阅图8,示出了本申请实施例提供的显存动态数据存储装置110的功能模块示意图,本实施例可以根据上述方法实施例对显存动态数据存储装置110进行功能模块的划分。例如,可以对应各个功能划分各个功能模块,也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。需要说明的是,本申请实施例中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。比如,在采用对应各个功能划分各个功能模块的情况下,图8示出的显存动态数据存储装置110只是一种装置示意图。其中,显存动态数据存储装置110可以包括获取模块111、创建模块112和更新模块113,下面分别对该显存动态数据存储装置110的各个功能模块的功能进行详细阐述。
获取模块111,用于获取所述服务器的图形计算单元的单元配置信息。可以理解,该获取模块111可以用于执行上述步骤S110,关于该获取模块111,的详细实施方式可以参照上述对步骤S110有关的内容。
创建模块112,用于根据所述单元配置信息设定所述图形计算单元的显示存储区域的显存分页的分页配置信息,并创建用于对每个显存分页进行状态管理的分页管理表单。可以理解,该创建模块112可以用于执行上述步骤S120,关于该创建模块112的详细实施方式可以参照上述对步骤S120有关的内容。
更新模块113,用于在检测到特征数据更新指令时,根据所述分页管理表单和所述显存分页的分页配置信息对对应的显存分页进行特征数据更新。可以理解,该更新模块113可以用于执行上述步骤S130,关于该更新模块113的详细实施方式可以参照上述对步骤S130有关的内容。
基于同一发明构思,请参阅图9,示出了本申请实施例提供的用于执行上述显存动态数据存储方法的服务器100的结构示意框图,该服务器100可以包括显存动态数据存储装置110、机器可读存储介质120和处理器130。
在一种可能的实施方式中,机器可读存储介质120与处理器130均位于服务器100中且二者分离设置。然而,应当理解的是,机器可读存储介质120也可以是独立于服务器100之外,且可以由处理器130通过总线接口来访问。可替换地,机器可读存储介质120也可以集成到处理器130中,例如,可以是高速缓存和/或通用寄存器。
处理器130是该服务器100的控制中心,利用各种接口和线路连接整个服务器100的各个部分,通过运行或执行存储在机器可读存储介质120内的软件程序和/或模块,以及调用存储在机器可读存储介质120内的数据,执行该服务器100的各种功能和处理数据,从而对服务器100进行整体监控。可选地,处理器130可包括一个或多个处理核心。例如,处理器130可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、监控对象界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器中。
其中,处理器130可以是一个通用的中央处理器(Central Processing Unit,CPU),微处理器,特定应用集成电路(Application-Specific Integrated Circuit,ASIC),或一个或多个用于控制上述方法实施例提供的显存动态数据存储方法的程序执行的集成电路。
机器可读存储介质120可以是ROM或可存储静态信息和指令的其它类型的静态存储设备,RAM或者可存储信息和指令的其它类型的动态存储设备,也可以是电可擦可编程只读存储器、只读光盘或其它光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其它磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其它介质,但不限于此。机器可读存储介质120可以是独立存在,通过通信总线与处理器130相连接。机器可读存储介质120也可以和处理器集成在一起。其中,机器可读存储介质120用于存储执行本申请方案的机器可执行指令,例如可以存储显存动态数据存储装置110中各个软件功能模块(如图8中所示的获取模块111、创建模块112和更新模块113)的机器可执行指令。处理器130用于执行机器可读存储介质120中存储的机器可执行指令,以实现前述方法实施例提供的显存动态数据存储方法。
由于本申请实施例提供的服务器100是上述服务器100执行的方法实施例的另一种实现形式,且服务器100可用于执行上述方法实施例提供的显存动态数据存储方法,因此其所能获得的技术效果可参考上述方法实施例,在此不再赘述。
进一步地,本申请实施例还提供一种包含计算机可执行指令的可读存储介质,计算机可执行指令在被执行时可以用于实现上述方法实施例提供的显存动态数据存储方法。
当然,本申请实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上的方法操作,还可以执行本申请任意实施例所提供的显存动态数据存储方法中的相关操作。
本申请实施例是参照根据本申请实施例的方法、设备和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其它可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其它可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
以上所描述的实施例仅仅是本申请的一部分实施例,而不是全部的实施例。通常在附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,在附图中提供的本申请的实施例的详细描述并非旨在限制本申请的保护范围,而仅仅是表示本申请的选定实施例。此外,基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下可获得的所有其它实施例,都应属于本申请保护的范围。
Claims (10)
1.一种显存动态数据存储方法,其特征在于,应用于服务器,所述方法包括:
获取所述服务器的图形计算单元的单元配置信息;
根据所述单元配置信息设定所述图形计算单元的显示存储区域的显存分页的分页配置信息,并创建用于对每个显存分页进行状态管理的分页管理表单;
在检测到特征数据更新指令时,根据所述分页管理表单和所述显存分页的分页配置信息对对应的显存分页进行特征数据更新。
2.根据权利要求1所述的显存动态数据存储方法,其特征在于,所述根据所述单元配置信息设定所述图形计算单元的显示存储区域的显存分页的分页配置信息的步骤,包括:
获取所述单元配置信息中所述图形计算单元的单个流式多核处理器的并发块数量WP和每个并发块的并发线程数WT;
根据单个流式多核处理器的并发块数量WP和每个并发块的并发线程数WT,计算得到所述显存分页的最大分页显存容量,作为所述显存分页的分页配置信息。
3.根据权利要求1所述的显存动态数据存储方法,其特征在于,所述分页管理表单包括每个已创建显存分页的分页管理单元,所述分页管理单元用于存储对应的已创建显存分页的分页地址、分页状态信息和分页特征数据标签;
所述在检测到特征数据更新指令时,根据所述分页管理表单和所述显存分页的分页配置信息对对应的显存分页进行特征数据更新的步骤,包括:
在检测到特征数据更新指令时,从所述特征数据更新指令中获取更新特征数据标签;
从所述更新特征数据标签对应的分页管理单元中获取待更新的目标显存分页的分页地址和分页状态信息;
根据所述目标显存分页的分页状态信息判断所述目标显存分页是否满足更新条件;
在所述目标显存分页满足更新条件时根据所述目标显存分页的分页地址将所述特征数据更新指令所对应的更新数据更新到所述目标显存分页中,并根据更新结果在所述分页管理表单中更新所述目标显存分页的分页状态信息;
在所述目标显存分页不满足更新条件时,根据所述显存分页的分页配置信息创建新显存分页,并配置所述新显存分页的分页地址以及根据所述更新特征数据标签配置所述新显存分页的分页特征数据标签后,根据所述新显存分页的分页地址将所述特征数据更新指令所对应的更新数据更新到所述新显存分页中,并根据更新结果在所述分页管理表单中更新所述新显存分页的分页状态信息。
4.根据权利要求3所述的显存动态数据存储方法,其特征在于,所述根据所述目标显存分页的分页状态信息判断所述目标显存分页是否满足更新条件的步骤,包括:
根据所述目标显存分页的分页状态信息中的显存占用总量是否达到所述目标显存分页的分页配置信息中的最大显存占用总量;
在达到所述目标显存分页的分页配置信息中的最大显存占用总量时,判定所述目标显存分页不满足更新条件,否则判定目标显存分页满足更新条件。
5.根据权利要求1-4中任意一项所述的显存动态数据存储方法,其特征在于,所述方法还包括:
在检测到特征数据计算请求时,调用所述图形计算单元从所述分页管理表单中并行获取每个显存分页的分页管理单元信息;
根据所述每个显存分页的分页管理单元信息配置每个显存分页的图形计算资源后,调用每个显存分页的图形计算资源对每个显存分页中的特征数据进行计算,得到计算结果。
6.根据权利要求5所述的显存动态数据存储方法,其特征在于,所述调用每个显存分页的图形计算资源对每个显存分页中的特征数据进行计算,得到计算结果的步骤,包括:
调用每个显存分页的图形计算资源对每个显存分页中的特征数据进行特征库比对,得到特征库比对结果;
所述方法还包括:
根据所述特征库比对结果获得满足预设要求的针对目标人工智能训练模型的训练集样本,并基于所述训练集样本训练所述目标人工智能训练模型,获得对象分类模型,以基于所述对象分类模型对输入的待测样本进行分类。
7.根据权利要求6所述的显存动态数据存储方法,其特征在于,所述基于所述对象分类模型对输入的待测样本进行分类的步骤,包括:
基于所述对象分类模型识别待测样本中的对象特征得到识别特征对象序列,所述识别特征对象序列包括至少一条识别特征对象数据,所述识别特征对象数据包括对象特征向量、对象特征聚合和对象持续数量,所述对象特征向量包括位于所述对象特征聚合上的至少一个对象特征;
将所述对象特征聚合整理为X个参考对象聚合,属于第i个参考对象聚合的所述对象特征聚合与所述第i个参考对象聚合的浮动参数小于浮动阈值,X为正整数,i为小于或等于X的正整数;
根据对象聚合确定规则从所述X个参考对象聚合中查找得到目标对象聚合;所述对象聚合确定规则用于将所述X个参考对象聚合中所述对象特征向量的重复程度低于重复程度阈值且对象持续总数量最大的参考对象聚合确定为所述目标对象聚合,所述对象持续总数量为属于所述参考对象聚合的全部对象特征向量的所述对象持续数量之和;
根据所述目标对象聚合的分类标签获得所述输入的待测样本的分类结果。
8.根据权利要求7所述的显存动态数据存储方法,其特征在于,所述根据对象聚合确定规则从所述X个参考对象聚合中查找得到目标对象聚合,包括:
获取对应第y个参考对象聚合的第y组识别特征对象数据,所述第y组识别特征对象数据中的所述对象特征聚合属于所述第y个参考对象聚合,y为小于等于X的正整数,X为正整数;
将所述第y组识别特征对象数据中所述对象特征向量相同的所述识别特征对象数据归为同一个识别特征对象数据序列,得到至少一个识别特征对象数据序列;
计算每个所述识别特征对象数据序列中的所述对象持续数量之和,得到至少一个总计对象持续数量;
计算最大的总计对象持续数量与所述待测样本的所述待测样本总对象持续数量之比得到所述重复程度;
重复上述操作计算得到每个所述参考对象聚合的所述重复程度,所述重复程度为总计对象持续数量与所述待测样本的待测样本总对象持续数量之比,总计对象持续数量为相同的所述对象特征向量的所述对象持续数量之和;
将所述对象特征向量的所述重复程度低于所述重复程度阈值的所述参考对象聚合确定为后续对象聚合;
计算对应所述后续对象聚合的所述识别特征对象数据的所述对象持续数量之和,得到所述后续对象聚合的所述对象持续总数量;
将所述后续对象聚合中,所述对象持续总数量最大的所述后续对象聚合确定为所述目标对象聚合。
9.一种显存动态数据存储装置,其特征在于,应用于服务器,所述装置包括:
获取模块,用于获取所述服务器的图形计算单元的单元配置信息;
创建模块,用于根据所述单元配置信息设定所述图形计算单元的显示存储区域的显存分页的分页配置信息,并创建用于对每个显存分页进行状态管理的分页管理表单;
更新模块,用于在检测到特征数据更新指令时,根据所述分页管理表单和所述显存分页的分页配置信息对对应的显存分页进行特征数据更新。
10.一种服务器,其特征在于,所述服务器包括机器可读存储介质和处理器,所述机器可读存储介质中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行权利要求1-8中任意一项所述的显存动态数据存储方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110132921.3A CN112446816B (zh) | 2021-02-01 | 2021-02-01 | 显存动态数据存储方法、装置及服务器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110132921.3A CN112446816B (zh) | 2021-02-01 | 2021-02-01 | 显存动态数据存储方法、装置及服务器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112446816A true CN112446816A (zh) | 2021-03-05 |
CN112446816B CN112446816B (zh) | 2021-04-09 |
Family
ID=74740096
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110132921.3A Active CN112446816B (zh) | 2021-02-01 | 2021-02-01 | 显存动态数据存储方法、装置及服务器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112446816B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117573378A (zh) * | 2024-01-15 | 2024-02-20 | 摩尔线程智能科技(北京)有限责任公司 | 内存管理方法、装置、设备及存储介质 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105897587A (zh) * | 2016-03-31 | 2016-08-24 | 湖南大学 | 一种数据包分类方法 |
CN106067158A (zh) * | 2016-05-26 | 2016-11-02 | 东方网力科技股份有限公司 | 一种基于gpu的特征比对方法及装置 |
US20180074755A1 (en) * | 2016-09-13 | 2018-03-15 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Data processing method and apparatus |
US20180307588A1 (en) * | 2017-04-21 | 2018-10-25 | International Business Machines Corporation | Protecting against an unintentional re-execution of commands in a shell history |
CN108921084A (zh) * | 2018-06-29 | 2018-11-30 | 努比亚技术有限公司 | 一种图像分类处理方法、移动终端及计算机可读存储介质 |
CN110874417A (zh) * | 2018-09-04 | 2020-03-10 | 华为技术有限公司 | 数据检索的方法和装置 |
CN111062858A (zh) * | 2019-12-27 | 2020-04-24 | 西安芯瞳半导体技术有限公司 | 高效的提前渲染方法、装置及计算机存储介质 |
CN111209116A (zh) * | 2020-01-06 | 2020-05-29 | 西安芯瞳半导体技术有限公司 | 一种分配显存空间的方法、装置及计算机存储介质 |
CN111274288A (zh) * | 2020-01-17 | 2020-06-12 | 腾讯云计算(北京)有限责任公司 | 分布式检索方法、装置、系统、计算机设备及存储介质 |
CN111461812A (zh) * | 2020-02-28 | 2020-07-28 | 北京三快在线科技有限公司 | 对象推荐方法、装置、电子设备及可读存储介质 |
CN111538586A (zh) * | 2020-01-23 | 2020-08-14 | 中国银联股份有限公司 | 集群gpu资源管理调度系统、方法以及计算机可读存储介质 |
CN111860627A (zh) * | 2020-07-06 | 2020-10-30 | 苏州浪潮智能科技有限公司 | 一种特征对比方法、系统、设备以及介质 |
CN111898747A (zh) * | 2019-05-05 | 2020-11-06 | 杭州海康威视数字技术股份有限公司 | 一种特征比对方法及电子设备 |
CN111913659A (zh) * | 2020-07-14 | 2020-11-10 | 长沙景嘉微电子股份有限公司 | 块数据处理方法、装置、系统及存储介质 |
-
2021
- 2021-02-01 CN CN202110132921.3A patent/CN112446816B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105897587A (zh) * | 2016-03-31 | 2016-08-24 | 湖南大学 | 一种数据包分类方法 |
CN106067158A (zh) * | 2016-05-26 | 2016-11-02 | 东方网力科技股份有限公司 | 一种基于gpu的特征比对方法及装置 |
US20180074755A1 (en) * | 2016-09-13 | 2018-03-15 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Data processing method and apparatus |
US20180307588A1 (en) * | 2017-04-21 | 2018-10-25 | International Business Machines Corporation | Protecting against an unintentional re-execution of commands in a shell history |
CN108921084A (zh) * | 2018-06-29 | 2018-11-30 | 努比亚技术有限公司 | 一种图像分类处理方法、移动终端及计算机可读存储介质 |
CN110874417A (zh) * | 2018-09-04 | 2020-03-10 | 华为技术有限公司 | 数据检索的方法和装置 |
CN111898747A (zh) * | 2019-05-05 | 2020-11-06 | 杭州海康威视数字技术股份有限公司 | 一种特征比对方法及电子设备 |
CN111062858A (zh) * | 2019-12-27 | 2020-04-24 | 西安芯瞳半导体技术有限公司 | 高效的提前渲染方法、装置及计算机存储介质 |
CN111209116A (zh) * | 2020-01-06 | 2020-05-29 | 西安芯瞳半导体技术有限公司 | 一种分配显存空间的方法、装置及计算机存储介质 |
CN111274288A (zh) * | 2020-01-17 | 2020-06-12 | 腾讯云计算(北京)有限责任公司 | 分布式检索方法、装置、系统、计算机设备及存储介质 |
CN111538586A (zh) * | 2020-01-23 | 2020-08-14 | 中国银联股份有限公司 | 集群gpu资源管理调度系统、方法以及计算机可读存储介质 |
CN111461812A (zh) * | 2020-02-28 | 2020-07-28 | 北京三快在线科技有限公司 | 对象推荐方法、装置、电子设备及可读存储介质 |
CN111860627A (zh) * | 2020-07-06 | 2020-10-30 | 苏州浪潮智能科技有限公司 | 一种特征对比方法、系统、设备以及介质 |
CN111913659A (zh) * | 2020-07-14 | 2020-11-10 | 长沙景嘉微电子股份有限公司 | 块数据处理方法、装置、系统及存储介质 |
Non-Patent Citations (2)
Title |
---|
李亮 等: "应用动态生成树的GPU显存数据复用优化", 《西安交通大学学报》 * |
王伟: "图算法在GPU上的设计实现与性能分析", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117573378A (zh) * | 2024-01-15 | 2024-02-20 | 摩尔线程智能科技(北京)有限责任公司 | 内存管理方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112446816B (zh) | 2021-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110990516B (zh) | 地图数据的处理方法、装置和服务器 | |
CN110321448B (zh) | 一种图像检索方法、装置和存储介质 | |
US20180027061A1 (en) | Method and apparatus for elastically scaling virtual machine cluster | |
US11170555B2 (en) | Graphics processing systems | |
CN114035937A (zh) | 一种基于人工智能的分布式训练和推理方法、系统、设备和可读存储介质 | |
CN114861911B (zh) | 深度学习模型的训练方法、装置、系统、设备和介质 | |
US11210821B2 (en) | Graphics processing systems | |
CN110347651A (zh) | 基于云存储的数据同步方法、装置、设备及存储介质 | |
CN110008192A (zh) | 一种数据文件压缩方法、装置、设备及可读存储介质 | |
CN103150260A (zh) | 重复数据删除方法和装置 | |
KR102608160B1 (ko) | 포인트 클라우드 지오메트리 업샘플링 | |
CN112446816B (zh) | 显存动态数据存储方法、装置及服务器 | |
CN108833592A (zh) | 云主机调度器优化方法、装置、设备及存储介质 | |
CN113672375A (zh) | 资源分配预测方法、装置、设备及存储介质 | |
KR20210061119A (ko) | 큰 규모 분산 행렬 곱 처리 방법 및 그 장치 | |
EP3475852A1 (en) | Method and system for flexible, high performance structured data processing | |
CN116089477B (zh) | 分布式训练方法及系统 | |
CN115238345A (zh) | Bim模型处理方法、装置、存储介质及电子装置 | |
CN114461407B (zh) | 数据处理方法、装置、分发服务器、系统及存储介质 | |
CN115861510A (zh) | 对象渲染方法、装置、电子设备、存储介质及程序产品 | |
CN113438482B (zh) | 基于感兴趣区域的视频编码 | |
CN113971428A (zh) | 数据处理方法、系统、设备、程序产品及存储介质 | |
CN118042181B (zh) | 视频渲染方法、装置、电子设备、计算机可读存储介质及计算机程序产品 | |
CN117076748B (zh) | 数据采集方法、装置、计算机设备、存储介质 | |
CN113595829B (zh) | 压力测试方法、装置、电子设备及存储介质 |
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 |