CN112578896B - 频率调节方法、频率调节装置、电子设备及存储介质 - Google Patents
频率调节方法、频率调节装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112578896B CN112578896B CN202011511254.1A CN202011511254A CN112578896B CN 112578896 B CN112578896 B CN 112578896B CN 202011511254 A CN202011511254 A CN 202011511254A CN 112578896 B CN112578896 B CN 112578896B
- Authority
- CN
- China
- Prior art keywords
- frequency
- load
- determining
- preset
- deep learning
- 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.)
- Active
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
- G06F1/3243—Power saving in microcontroller unit
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Power Sources (AREA)
Abstract
本申请公开了一种频率调节方法、频率调节装置、电子设备及存储介质。频率调节方法包括:利用深度学习模型并根据中央处理器的核使用情况确定目标负荷;根据目标负荷和中央处理器的当前工作频率确定待调整工作频率。上述频率调节方法、频率调节装置、电子设备及存储介质,通过深度学习模型并根据中央处理器的核使用情况来确定目标负荷,从而能够使得目标负荷根据实际的核使用情况变化,使得目标负荷更加准确,使得待调整工作频率能够满足性能的基础上,相应的功耗能够降低。
Description
技术领域
本申请涉及中央处理器控制技术领域,特别涉及一种频率调节方法、频率调节装置、电子设备及存储介质。
背景技术
在相关技术中,通过固定的目标负荷(target load)来对中央处理器(CentralProcessing Unit,CPU)的工作频率进行调节,如此容易导致CPU的工作频率过高,从而导致CPU的功耗较大。
发明内容
本申请的实施方式提供了一种频率调节方法、频率调节装置、电子设备及存储介质。
本申请实施方式的频率调节方法包括:利用深度学习模型并根据中央处理器的核使用情况确定目标负荷;根据所述目标负荷和所述中央处理器的当前工作频率确定待调整工作频率
本申请实施方式的频率调节装置包括第一确定模块和第二确定模块。所述第一确定模块用于利用深度学习模型并根据中央处理器的核使用情况确定目标负荷。所述第二确定模块用于根据所述目标负荷和所述中央处理器的当前工作频率确定待调整工作频率。
本申请实施方式的电子设备包括一个或多个处理器和存储器。所述存储器存储有计算机程序。所述计算机程序被所述处理器执行的情况下,实现上述实施方式所述的频率调节方法的步骤。
本申请实施方式的计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行的情况下,实现上述实施方式所述的频率调节方法的步骤。
本申请实施方式的频率调节方法、频率调节装置、电子设备及存储介质,通过深度学习模型并根据中央处理器的核使用情况来确定目标负荷,从而能够使得目标负荷根据实际的核使用情况变化,使得目标负荷更加准确,使得待调整工作频率能够满足性能的基础上,相应的功耗能够降低。
本申请的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请的上述和/或附加的方面和优点从结合下面附图对实施方式的描述中将变得明显和容易理解,其中:
图1是本申请实施方式的频率调节方法的流程示意图;
图2是本申请实施方式的频率调节装置的示意图;
图3是本申请实施方式的电子设备的示意图;
图4是本申请实施方式的频率调节方法的流程示意图;
图5是本申请实施方式的频率调节方法的深度学习模型的示意图;
图6是本申请实施方式的频率调节方法的流程示意图;
图7是本申请实施方式的频率调节方法的流程示意图;
图8是本申请实施方式的频率调节方法的流程示意图;
图9是本申请实施方式的频率调节方法的流程示意图。
具体实施方式
下面详细描述本申请的实施方式,所述实施方式的实施方式在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的,仅用于解释本申请,而不能理解为对本申请的限制。
在本申请的实施方式的描述中,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本申请的实施方式的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
请参阅图1,本申请实施方式的频率调节方法包括:
01:利用深度学习模型并根据中央处理器的核使用情况(core util)确定目标负荷;
02:根据目标负荷和中央处理器的当前工作频率确定待调整工作频率(cpufreq)。
本申请实施方式的频率调节方法可由本申请实施方式的频率调节装置100实现。具体地,请参阅图2,频率调节装置100包括第一确定模块10和第二确定模块20。第一确定模块10用于利用深度学习模型并根据中央处理器的核使用情况确定目标负荷。第二确定模块20用于根据目标负荷和中央处理器的当前工作频率确定待调整工作频率。
本申请实施方式的频率调节方法可由本申请实施方式的电子设备200实现。具体地,请参阅图3,电子设备200包括一个或多个处理器202和存储器204,存储器204存储有计算机程序,计算机程序被处理器202执行的情况下,实现步骤01、02。进一步地,处理器202用于利用深度学习模型并根据中央处理器的核使用情况确定目标负荷,及用于根据目标负荷和中央处理器的当前工作频率确定待调整工作频率。
上述频率调节方法、频率调节装置100及电子设备200,通过深度学习模型并根据中央处理器的核使用情况来确定目标负荷,从而能够使得目标负荷根据实际的核使用情况变化,使得目标负荷更加准确,使得待调整工作频率能够满足性能的基础上,相应的功耗能够降低。
在相关技术中,中央处理器的工作频率主要根据当前的中央处理器的核使用情况进行确定,每个核使用情况对应一个中央处理器的工作频率,如果当前的中央处理器的核使用情况超过了中央处理器的当前工作频率,则提升当前工作频率以保证当前工作频率为满足当前的中央处理器的核使用情况的最小值。根据中央处理器能效曲线,将中央处理器的工作频率分为多个阶段,每个阶段对应一个目标负荷,在需要提升中央处理器的工作频率时,会根据当前工作频率所在阶段对应的目标负荷的倒数来决定提频的倍数,即就是,待调整工作频率=当前工作频率*提频的倍数=当前工作频率*(100/目标负荷)。在一个例子中,根据中央处理器能效曲线,将中央处理器的工作频率分为至少两个阶段,其中,0.5GHz-1.5GHz对应的提频的倍数为1.25,1.5GHz-2.0GHz对应的提频的倍数为1.15,在当前工作频率为1.2GHz,且当前的中央处理器的核使用情况高于1.2GHz对应的核使用情况时,按照1.25倍将当前工作频率提升至1.5GHz,如果当前的中央处理器的核使用情况仍然高于1.5GHz对应的核使用情况,则基于1.5GHz按照1.15倍继续提升当前工作频率,直至当前工作频率为满足当前的中央处理器的核使用情况的最小值。
也即是说,在相关技术中,中央处理器每次提升当前工作频率都是提到当前工作频率的固定倍数,存在提升后中央处理器的工作频率过高、引起功耗浪费等问题。
而本申请实施方式的频率调节方法,通过使用深度学习模型进行反复学习,能够确定核使用情况变化对应的最佳的目标负荷,从而能够根据目标负荷,准确调节中央处理器的工作频率,从而保证当前工作频率为满足当前的中央处理器的核使用情况的最小值,降低不必要的功耗。
请参阅图4,在某些实施方式中,步骤01包括:
011:将核使用情况作为输入层输入深度学习模型中,深度学习模型包括隐藏层,隐藏层的每个神经元包括第一权重;
012:深度学习模型根据核使用情况和第一权重获得输出值;
013:在输出值大于预设输出值时,利用预设负荷加上测试值以得到更新负荷;
014:在输出值小于预设输出值时,利用预设负荷减去测试值以得到更新负荷;
015:确定更新负荷为目标负荷。
上述实施方式的频率调节方法可由本申请实施方式的频率调节装置100实现。具体地,请参阅图2,第一确定模块10包括输入单元11、获得单元12、第一计算单元13、第二计算单元14和第一确定单元15。输入单元11用于将核使用情况作为输入层输入深度学习模型中,深度学习模型包括隐藏层,隐藏层的每个神经元包括第一权重。获得单元12用于深度学习模型根据核使用情况和第一权重获得输出值。第一计算单元13用于在输出值大于预设输出值时,利用预设负荷加上测试值以得到更新负荷。第二计算单元14用于在输出值小于预设输出值时,利用预设负荷减去测试值以得到更新负荷。第一确定单元15用于确定更新负荷为目标负荷。
上述实施方式的频率调节方法可由本申请实施方式的电子设备200实现。具体地,处理器202用于将核使用情况作为输入层输入深度学习模型中,深度学习模型包括隐藏层,隐藏层的每个神经元包括第一权重,及用于深度学习模型根据核使用情况和第一权重获得输出值,及用于在输出值大于预设输出值时,利用预设负荷加上测试值以得到更新负荷,及用于在输出值小于预设输出值时,利用预设负荷减去测试值以得到更新负荷,及用于确定更新负荷为目标负荷。
如此,利用深度学习模型进行反复学习,不断优化目标负荷,最终能够获得较为精准的在不同核使用情况变化的情况下对应的目标负荷。具体地,请结合图5,深度学习模型可包括输入层、隐藏层和输出层。中央处理器包括至少一个内核(如4核、8核),输入层的神经元的数量与内核的数量相同,隐藏层的神经元的数量比输入层的神经元的数量多一个,输出层的神经元的数量为一个。每个内核的核使用情况都作为输入层输入深度学习模型中,加权之后进入隐藏层,进而通过输出层输出输出值。
隐藏层的每个神经元包括多个第一权重(weight),多个第一权重可相同也可不同。第一权重表征每个内核在运行过程占用的比例情况。例如,如果中央处理器包括4个内核,那么开始学习之前,第一权重可设置为25,即就是,输入层的每个神经元对应隐藏层的每个神经元的第一权重均为25。需要指出的是,在某些实施方式中,随着学习次数的增加,输入层的每个神经元对应隐藏层的每个神经元的第一权重根据学习结果进行调整,从而导致隐藏层的每个神经元的第一权重可能不相同。例如,内核A在运行过程占用的比例较大,内核A对应隐藏层的每个神经元的第一权重调整为30,内核B在运行过程占用的比例较小,内核B对应隐藏层的每个神经元的第一权重调整为20,对于隐藏层的某一个神经元,其对应的第一权重同时包括20和30。
预设输出值是预先设置的数值。输出值作为判断预设负荷增加或者减少的标准。在输出值大于预设输出值时,说明当前工作频率不需要大幅度提升,即就是,预设负荷对应的提频的倍数过大,根据提频的倍数取决于负荷的倒数,此时需要将预设负荷加上测试值以增加负荷,得到较小的提频的倍数;在输出值小于预设输出值时,说明当前工作频率需要大幅度提升,即就是,预设负荷对应的提频的倍数过小,根据提频的倍数取决于预设负荷的倒数,此时需要将预设负荷减去测试值以减小负荷,得到较大提频的倍数。在一个例子中,预设输出值为12000。在其他实施方式中,在输出值等于预设输出值时,说明当前工作频率适中,即就是,预设负荷对应的提频的倍数比较合适,此时深度学习模型可以停止学习。
测试值也是预先设置的数值。测试值可用于微调目标负荷,可以理解,测试值越小,对应的学习次数就越多,最终获得的目标负荷也越精确;测试值越大,对应的学习次数比较少。
请参阅图6,在某些实施方式中,步骤015包括:
0151:根据更新负荷确定更新频率;
0152:判断更新频率与预设频率之间的误差是否小于预设误差;
0153:在误差小于预设误差时,确定更新负荷为目标负荷。
上述实施方式的频率调节方法可由本申请实施方式的频率调节装置100实现。具体地,请参阅图2,第一确定单元15包括第一确定子单元151、判断单元152和第二确定子单元153。第一确定子单元151用于根据更新负荷确定更新频率。判断单元152用于判断更新频率与预设频率之间的误差是否小于预设误差。第二确定子单元153用于在误差小于预设误差时,确定更新负荷为目标负荷。
上述实施方式的频率调节方法可由本申请实施方式的电子设备200实现。具体地,处理器202用于根据更新负荷确定更新频率,及用于判断更新频率与预设频率之间的误差是否小于预设误差,及用于在误差小于预设误差时,确定更新负荷为目标负荷。
如此,在误差小于预设误差时,确定更新频率为满足当前的中央处理器的核使用情况的最小值,从而确定更新负荷为核使用情况变化对应的目标负荷,结束学习。在一个例子中,更新频率=当前工作频率*(100/更新负荷)。预设频率可为预先设置的频率。预设误差也可为预先设置的误差,预设误差越小,对应的学习次数就越多,最终获得的目标负荷也越精确。
请参阅图7,在某些实施方式中,步骤01还包括:
016:在误差大于预设误差时,根据输出值和核使用情况调整第一权重以得到第二权重;
017:将第二权重视作第一权重、将更新负荷视作预设负荷、将更新频率视作预设频率并进入步骤011。
上述实施方式的频率调节方法可由本申请实施方式的频率调节装置100实现。具体地,请参阅图2,第一确定模块10包括调整单元16和循环单元17。调整单元16用于在误差大于预设误差时,根据输出值和核使用情况调整第一权重以得到第二权重。循环单元17用于将第二权重视作第一权重、将更新负荷视作预设负荷、将更新频率视作预设频率并进入将核使用情况作为输入层输入深度学习模型中的步骤。
上述实施方式的频率调节方法可由本申请实施方式的电子设备200实现。具体地,处理器202用于在误差大于预设误差时,根据输出值和核使用情况调整第一权重以得到第二权重,及用于将第二权重视作第一权重、将更新负荷视作预设负荷、将更新频率视作预设频率并进入将核使用情况作为输入层输入深度学习模型中的步骤。
如此,在误差大于预设误差时,开始下一轮学习,直至更新频率与预设频率保持在预设误差之内,从而在满足中央处理器的性能的基础上,降低功耗,避免功耗浪费。具体地,在误差大于预设误差时,将输出值经过处理之后作为输入,将输出值对应的核使用情况作为输出,然后基于深度学习模型,以反向传播的方式计算出第二权重,然后将第二权重视作第一权重,在下一轮相同的核使用情况的目标负荷的学习时,根据新的第一权重获得新的输出值,并根据新的输出值进行后续处理。
进一步地,将更新负荷视作预设负荷,将更新频率视作预设频率,在新的输出值大于预设输出值时,利用新的预设负荷加上测试值以得到新的更新负荷;在新的输出值小于预设输出值时,利用新的预设负荷减去测试值以得到新的更新负荷;根据新的更新负荷确定新的更新频率;判断新的更新频率与新的预设频率之间的误差是否小于预设误差;在误差大于预设误差时,根据新的输出值和核使用情况调整新的第一权重以得到新的第二权重;将第二权重视作第一权重、将更新负荷视作预设负荷、将更新频率视作预设频率并重复上述步骤,直至误差小于预设误差,确定新的更新负荷为目标负荷,然后根据目标负荷确定调节系数,根据调节系数和当前工作频率确定待调整工作频率。
请参阅图8,在某些实施方式中,步骤02包括:
021:根据目标负荷确定调节系数;
022:根据调节系数和当前工作频率确定待调整工作频率。
上述实施方式的频率调节方法可由本申请实施方式的频率调节装置100实现。具体地,请参阅图2,第二确定模块20包括第二确定单元21和第三确定单元22。第二确定单元21用于根据目标负荷确定调节系数。第三确定单元22用于根据调节系数和当前工作频率确定待调整工作频率。
上述实施方式的频率调节方法可由本申请实施方式的电子设备200实现。具体地,处理器202用于根据目标负荷确定调节系数,及用于根据调节系数和当前工作频率确定待调整工作频率。
如此,通过计算,能够确定当前中央处理器器的核使用情况所需的最小工作频率,防止调频过高造成功耗浪费。具体地,在某些实施方式中,调节系数=提频的倍数=100/目标负荷,待调整工作频率=当前工作频率*调节系数=当前工作频率*提频的倍数=当前工作频率*(100/目标负荷)。在一个例子中,当前工作频率为1.6GHz,当中央处理器的核使用情况发生变化,且确定对应的目标负荷为90时,则调节系数为:100/90=1.11,待调整工作频率为:1.6GHz*1.11=1.776GHz。
请参阅图9,在某些实施方式中,频率调节方法还包括:
03:将中央处理器的工作频率调整为待调整工作频率。
上述实施方式的频率调节方法可由本申请实施方式的频率调节装置100实现。具体地,请参阅图2,频率调节装置100包括调整模块30。调整模块30用于将中央处理器的工作频率调整为待调整工作频率。
上述实施方式的频率调节方法可由本申请实施方式的电子设备200实现。具体地,处理器202用于将中央处理器的工作频率调整为待调整工作频率。
如此,中央处理器能够以满足核使用情况的最小频率运行,降低功耗,避免功耗浪费。可以理解,经过深度学习之后,待调整工作频率即为满足当前中央处理器的核使用情况的最小值。
需要指出的是,上述所提到的具体数值只为了作为例子详细说明本申请的实施,而不应理解为对本申请的限制。在其他例子或实施方式或实施例中,可根据本申请来选择其他数值,在此不作具体限定。
本申请实施方式的计算机可读存储介质,其上存储有计算机程序,程序被处理器执行的情况下,实现上述任一实施方式的频率调节方法的步骤。
例如,程序被处理器执行的情况下,实现以下频率调节方法的步骤:
01:利用深度学习模型并根据中央处理器的核使用情况确定目标负荷;
02:根据目标负荷和中央处理器的当前工作频率确定待调整工作频率。
可以理解,计算机程序包括计算机程序代码。计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读存储介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、以及软件分发介质等。处理器可以是中央处理器,还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific IntegratedCircuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (8)
1.一种频率调节方法,其特征在于,所述频率调节方法包括:
利用深度学习模型并根据中央处理器的核使用情况确定目标负荷;
根据所述目标负荷和所述中央处理器的当前工作频率确定待调整工作频率;
所述利用深度学习模型并根据中央处理器的核使用情况确定目标负荷,包括:
将所述核使用情况作为输入层输入所述深度学习模型中,所述深度学习模型包括隐藏层,所述隐藏层的每个神经元包括第一权重;
所述深度学习模型根据所述核使用情况和所述第一权重获得输出值;
在所述输出值大于预设输出值时,利用预设负荷加上测试值以得到更新负荷;
在所述输出值小于所述预设输出值时,利用所述预设负荷减去所述测试值以得到所述更新负荷;
确定所述更新负荷为所述目标负荷。
2.根据权利要求1所述的频率调节方法,其特征在于,所述确定所述更新负荷为所述目标负荷,包括:
根据所述更新负荷确定更新频率;
判断所述更新频率与预设频率之间的误差是否小于预设误差;
在所述误差小于所述预设误差时,确定所述更新负荷为所述目标负荷。
3.根据权利要求2所述的频率调节方法,其特征在于,所述利用深度学习模型并根据中央处理器的核使用情况确定目标负荷,包括:
在所述误差大于所述预设误差时,根据所述输出值和所述核使用情况调整所述第一权重以得到第二权重;
将所述第二权重视作所述第一权重、将所述更新负荷视作所述预设负荷、将所述更新频率视作所述预设频率并进入所述将所述核使用情况作为输入层输入所述深度学习模型中的步骤。
4.根据权利要求根据权利要求1所述的频率调节方法,其特征在于,所述根据所述目标负荷和所述中央处理器的当前工作频率确定待调整工作频率,包括:
根据所述目标负荷确定调节系数;
根据所述调节系数和所述当前工作频率确定所述待调整工作频率。
5.根据权利要求1所述的频率调节方法,其特征在于,所述频率调节方法包括:
将所述中央处理器的工作频率调整为所述待调整工作频率。
6.一种频率调节装置,其特征在于,所述频率调节装置包括:
第一确定模块,用于利用深度学习模型并根据中央处理器的核使用情况确定目标负荷;
第二确定模块,用于根据所述目标负荷和所述中央处理器的当前工作频率确定待调整工作频率;
所述第一确定模块包括:
输入单元,用于将所述核使用情况作为输入层输入所述深度学习模型中,所述深度学习模型包括隐藏层,所述隐藏层的每个神经元包括第一权重;
获得单元,用于所述深度学习模型根据所述核使用情况和所述第一权重获得输出值;
第一计算单元,用于在所述输出值大于预设输出值时,利用预设负荷加上测试值以得到更新负荷;
第二计算单元,用于在所述输出值小于所述预设输出值时,利用所述预设负荷减去所述测试值以得到所述更新负荷;
第一确定单元,用于确定所述更新负荷为所述目标负荷。
7.一种电子设备,其特征在于,所述电子设备包括一个或多个处理器和存储器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行的情况下,实现权利要求1-5任一项所述的频率调节方法的步骤。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行的情况下,实现权利要求1-5任一项所述的频率调节方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011511254.1A CN112578896B (zh) | 2020-12-18 | 2020-12-18 | 频率调节方法、频率调节装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011511254.1A CN112578896B (zh) | 2020-12-18 | 2020-12-18 | 频率调节方法、频率调节装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112578896A CN112578896A (zh) | 2021-03-30 |
CN112578896B true CN112578896B (zh) | 2023-03-28 |
Family
ID=75136245
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011511254.1A Active CN112578896B (zh) | 2020-12-18 | 2020-12-18 | 频率调节方法、频率调节装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112578896B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111338838A (zh) * | 2020-03-23 | 2020-06-26 | Oppo广东移动通信有限公司 | 中央处理器频率的控制方法及相关装置 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102017128711A1 (de) * | 2017-05-24 | 2018-11-29 | Tu Dresden | Mehrkernprozessor und Verfahren zur dynamischen Einstellung einer Versorgungsspannung und einer Taktfrequenz |
US10732694B2 (en) * | 2017-09-22 | 2020-08-04 | Qualcomm Incorporated | Power state control of a mobile device |
WO2020082757A1 (en) * | 2018-10-26 | 2020-04-30 | Huawei Technologies Co., Ltd. | Energy efficiency adjustments for cpu governor |
US20200134579A1 (en) * | 2018-10-30 | 2020-04-30 | Cyber Reconnaissance, Inc. | Systems and methods for identifying indicators of cryptocurrency price reversals leveraging data from the dark/deep web |
CN110580543A (zh) * | 2019-08-06 | 2019-12-17 | 天津大学 | 一种基于深度信念网络的电力负荷预测方法及系统 |
CN110417516B (zh) * | 2019-08-16 | 2022-03-01 | 北京小米移动软件有限公司 | 无线调制解调器的调整方法及装置 |
CN111158454A (zh) * | 2019-12-20 | 2020-05-15 | 青岛海尔科技有限公司 | 一种实时嵌入式操作系统低功耗方法及装置 |
-
2020
- 2020-12-18 CN CN202011511254.1A patent/CN112578896B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111338838A (zh) * | 2020-03-23 | 2020-06-26 | Oppo广东移动通信有限公司 | 中央处理器频率的控制方法及相关装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112578896A (zh) | 2021-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110555508B (zh) | 人工神经网络调整方法和装置 | |
CN109002358A (zh) | 基于深度强化学习的移动终端软件自适应优化调度方法 | |
CN110213794B (zh) | 一种温度调节方法、装置、终端设备及存储介质 | |
CN112906294A (zh) | 用于深度学习模型的量化方法和量化装置 | |
CN110019174B (zh) | 数据质量确定方法、装置、电子设备及存储介质 | |
CN112578896B (zh) | 频率调节方法、频率调节装置、电子设备及存储介质 | |
CN111860405A (zh) | 图像识别模型的量化方法、装置、计算机设备及存储介质 | |
CN114090108B (zh) | 算力任务执行方法、装置、电子设备及存储介质 | |
CN114330198A (zh) | 基于相关度分析的快速调参方法、装置、设备和介质 | |
CN112817741B (zh) | 一种边缘计算的dnn任务控制方法 | |
CN112001563B (zh) | 一种话单量的管理方法、装置、电子设备及存储介质 | |
CN109982246B (zh) | 一种蜂窝小区功率的调整方法、装置及介质 | |
US20220383092A1 (en) | Turbo training for deep neural networks | |
CN114079953B (zh) | 无线网络系统的资源调度方法、装置、终端及存储介质 | |
KR102657904B1 (ko) | 뉴럴 네트워크에서의 다중 레벨 단계적 양자화 방법 및 장치 | |
TWI732467B (zh) | 訓練稀疏連接神經網路的方法 | |
CN115170902A (zh) | 图像处理模型的训练方法 | |
CN110071675B (zh) | 非晶合金电机电磁振动控制的设计方法和系统 | |
CN111222228B (zh) | 控制llc的工作频率的方法及终端设备 | |
CN109660625B (zh) | 一种边缘设备控制方法、边缘设备及计算机可读存储介质 | |
CN110134009B (zh) | 一种网关设备降温方法、装置、网关设备及存储介质 | |
CN114254726A (zh) | 低比特神经网络模型的获取方法、装置、设备及介质 | |
CN112836819B (zh) | 一种神经网络模型生成方法及装置 | |
US20220335280A1 (en) | Artificial intelligence semiconductor processor and operating method of artificial intelligence semiconductor processor | |
CN112734013B (zh) | 图像处理方法、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 |