CN112799895A - 硬件评测方法、装置、电子设备、存储介质和程序产品 - Google Patents
硬件评测方法、装置、电子设备、存储介质和程序产品 Download PDFInfo
- Publication number
- CN112799895A CN112799895A CN202110108943.6A CN202110108943A CN112799895A CN 112799895 A CN112799895 A CN 112799895A CN 202110108943 A CN202110108943 A CN 202110108943A CN 112799895 A CN112799895 A CN 112799895A
- Authority
- CN
- China
- Prior art keywords
- hardware
- target
- performance
- model
- indexes
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 130
- 238000006243 chemical reaction Methods 0.000 claims abstract description 145
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 110
- 238000000034 method Methods 0.000 claims abstract description 57
- 238000004364 calculation method Methods 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 25
- 238000010276 construction Methods 0.000 description 18
- 230000008569 process Effects 0.000 description 17
- 238000012545 processing Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000013145 classification model Methods 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 102100023927 Asparagine synthetase [glutamine-hydrolyzing] Human genes 0.000 description 3
- 101100380329 Homo sapiens ASNS gene Proteins 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 101100048480 Vaccinia virus (strain Western Reserve) UNG gene Proteins 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
- G06F11/2247—Verification or detection of system hardware configuration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
- G06F11/2205—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing using arrangements specific to the hardware being tested
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Debugging And Monitoring (AREA)
Abstract
本公开实施例涉及一种硬件评测方法、装置、电子设备、存储介质和程序产品。所述方法包括：获取待评测的目标硬件的多个硬件性能指标；根据预先建立的目标换算关系和所述目标硬件的多个硬件性能指标，确定所述目标硬件对应的性能评测结果；所述性能评测结果包括目标算法模型在所述目标硬件上运行的模型性能指标；其中，所述目标换算关系包括多个硬件性能指标与模型性能指标之间的换算关系。采用本方法能够保证性能评测结果的可预测性。
Description
技术领域
本公开实施例涉及硬件评测技术领域，特别是涉及一种硬件评测方法、装置、电子设备、存储介质和程序产品。
背景技术
随着人工智能技术不断渗透，智慧城市、新零售、自动驾驶、智能客服、智能机器人等场景越来越贴近人们日常生活。通常情况下，由GPU(Graphics Processing Unit，图形处理器)、NPU(neural-network processing units，神经网络处理器)运行AI(ArtificialIntelligence，人工智能)算法模型来实现上述场景，因而形成了CPU(central processingunit，中央处理器)+GPU、CPU+NPU、CPU+GPU+NPU等多种多样的异构计算系统来服务这些业务。但是，市面上硬件型号繁多、性能各异，给硬件选型带来了巨大挑战。
目前，在硬件选型过程中，通常是根据各个硬件厂商提供的性能评测结果进行的。但是，硬件厂商提供的性能评测结果往往服务于商业目的，用例过于理想化，与实际生产中的性能存在一定差距。
发明内容
本公开实施例提供一种硬件评测方法、装置、电子设备、存储介质和程序产品，可以保证性能评测结果的可预测性。
第一方面，本公开实施例提供一种硬件评测方法，所述方法包括：
获取待评测的目标硬件的多个硬件性能指标；
根据预先建立的目标换算关系和所述目标硬件的多个硬件性能指标，确定所述目标硬件对应的性能评测结果；所述性能评测结果包括目标算法模型在所述目标硬件上运行的模型性能指标；
其中，所述目标换算关系包括多个硬件性能指标与模型性能指标之间的换算关系。
第二方面，本公开实施例提供一种硬件评测装置，所述装置包括：
硬件指标获取模块，用于获取待评测的目标硬件的多个硬件性能指标；
评测模块，用于根据预先建立的目标换算关系和所述目标硬件的多个硬件性能指标，确定所述目标硬件对应的性能评测结果；所述性能评测结果包括目标算法模型在所述目标硬件上运行的模型性能指标；
其中，所述目标换算关系包括多个硬件性能指标与模型性能指标之间的换算关系。
第三方面，本公开实施例提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的方法。
第四方面，本公开实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的方法。
第五方面，本公开实施例提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述第一方面所述的方法。
本公开实施例提供的硬件评测方法、装置、电子设备、存储介质和程序产品，获取待评测的目标硬件的多个硬件性能指标；根据预先建立的目标换算关系和目标硬件的多个硬件性能指标，确定目标硬件对应的性能评测结果。由于目标换算关系为预先根据大量评测数据构建的多个硬件性能指标与模型性能指标之间的换算关系，因此，根据目标换算关系可以很好地预测目标算法模型在目标硬件上运行的模型性能指标，解决了硬件选型过程中依赖硬件厂商提供性能评测结果的问题。
附图说明
图1为一个实施例中硬件评测方法的应用环境图；
图2为一个实施例中硬件评测方法的流程示意图；
图3为一个实施例中构建目标换算关系的流程示意图；
图4为另一个实施例中构建目标换算关系的流程示意图之一；
图5为另一个实施例中构建目标换算关系的流程示意图之二；
图6为一个实施例中硬件评测装置的结构框图之一；
图7为一个实施例中硬件评测装置的结构框图之二；
图8为一个实施例中电子设备的内部结构图。
具体实施方式
为了使本公开实施例的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本公开实施例进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本公开实施例，并不用于限定本公开实施例。
首先，在具体介绍本公开实施例的技术方案之前，先对本公开实施例基于的技术背景或者技术演进脉络进行介绍。目前，硬件选型通常是根据各个硬件厂商提供的性能评测结果进行的。例如，硬件厂商A提供了一种CPU+NPU结构的硬件a的计算吞吐，硬件厂商B提供了相同结构的硬件b的计算吞吐，用户对两个硬件厂商提供的计算吞吐进行比较，根据比较结果从硬件a和硬件b中选择一个。但是，硬件厂商提供的性能评测结果往往服务于商业目的，用例过于理想化，并且硬件厂商提供的性能评测结果往往过于关注硬件自身的性能指标，无法很好反映出业务算法的性能指标。因此，仅根据硬件厂商提供的硬件性能指标，无法很好地预测实际生产中的业务性能。那么，如何使硬件的性能评测结果可以实现较好的可预测性，为用户选择硬件提供依据，则成为了目前亟待解决的难题。另外，需要说明的是，从发现硬件厂商提供的性能评测结果与实际生产中的业务性能存在差距，到实现以及下述实施例介绍的技术方案，申请人均付出了大量的创造性劳动。
下面结合本公开实施例所应用的场景，对本公开实施例涉及的技术方案进行介绍。
本公开实施例提供的硬件评测方法，可以应用于如图1所示的应用环境中。该应用环境包括电子设备102和服务器104；其中，电子设备102通过网络与服务器104进行通信。可以由服务器104来构建目标换算关系，电子设备102预先从服务器104获取目标换算关系，在得到待评测的目标硬件的多个硬件性能指标后，根据目标换算关系和多个硬件性能指标进行性能评测得到目标硬件的性能评测结果。其中，电子设备102可以但不限于是各种个人计算机、笔记本电脑、智能手机和平板电脑；服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。并且，上述服务器和服务器集群可以是云端服务器和云端服务器集群。
在一个实施例中，如图2所示，提供了一种硬件评测方法，以该方法应用于图1中的电子设备为例进行说明，包括以下步骤：
步骤201，获取待评测的目标硬件的多个硬件性能指标。
其中，硬件性能指标为表征硬件性能的参数；硬件性能指标包括计算性能指标和IO性能指标等。计算性能指标可以包括峰值计算吞吐，比如TFLOPS(Floating-pointoperations per second，每秒浮点运算次数)、TOPS(Tera Operations Per Second)，1TOPS代表硬件每秒钟可进行一万亿次(10^12)操作。IO性能指标可以包括访存带宽、PCIe通信带宽等。本公开实施例对硬件性能指标不做限定。
电子设备可以接收用户输入的目标硬件的多个硬件性能指标；也可以在目标硬件上运行标准测试用例，得到目标硬件的硬件性能指标。还可以采用其他方式获取目标硬件的硬件性能指标，本公开实施例对此不做限定。
步骤202，根据预先建立的目标换算关系和目标硬件的多个硬件性能指标，确定目标硬件对应的性能评测结果。
其中，性能评测结果包括目标算法模型在目标硬件上运行的模型性能指标。目标算法模型可以包括图像分类模型、目标检测模型、语音识别模型、自然语言处理模型中的至少一种。模型性能指标为表征算法模型性能的参数，可以包括算法模型的计算吞吐和准确率。计算吞吐为单位时间内处理的样本数量。例如，图像分类模型的计算吞吐可以是图像分类模型每秒分类的样本数量，目标检测模型的计算吞吐可以是目标检测模型每秒检测的样本数量。准确率可以包括图像分类模型进行分类处理的分类准确率，语音识别模型进行语音识别的识别准确率等。本公开实施例对算法模型和模型性能指标不做限定。
电子设备预先根据大量评测数据建立目标换算关系；或者，云端服务器预先根据大量评测数据建立目标换算关系，电子设备从云端服务器获取目标换算关系。之后，电子设备根据已获得的目标硬件的多个硬件性能指标和目标换算关系对目标硬件进行性能评测，得目标硬件对应的性能评测结果。
在其中一个实施例中，目标换算关系包括多个硬件性能指标与模型性能指标之间的换算关系。上述对目标硬件进行性能评测可以是将多个硬件性能指标代入到目标换算关系中，计算出若目标算法模型在目标硬件上运行，目标算法模型所对应的模型性能指标。
上述硬件评测方法中，获取待评测的目标硬件的多个硬件性能指标；根据预先建立的目标换算关系和目标硬件的多个硬件性能指标，确定目标硬件对应的性能评测结果。由于目标换算关系为预先根据大量评测数据构建的多个硬件性能指标与模型性能指标之间的换算关系，因此，根据目标换算关系确定的目标算法模型在目标硬件上运行的模型性能指标具有较好的可预测性，解决了硬件厂商提供性能评测结果与实际生产中的业务性能存在差距的问题。
在一个实施例中，上述根据预先建立的目标换算关系和目标硬件的多个硬件性能指标，确定目标硬件对应的性能评测结果的步骤，可以包括：根据目标换算关系对目标硬件的多个硬件性能指标进行加权求和计算得到第一评测值，对第一评测值和噪声值进行求和计算得到第二评测值；将第二评测值作为目标硬件对应的性能评测结果。
目标换算关系可以如公式(1)所示：
其中，M为目标算法模型的模型性能指标，比如目标算法模型的计算吞吐；i为硬件性能指标的序号，X为硬件性能指标的总数量，H为硬件性能指标，γ为硬件性能指标对应的权重，ε为噪声值。噪声值是未知因素性能造成的扰动。
电子设备获得目标硬件的多个硬件性能指标，将多个硬件性能指标代入到公式(1)中进行加权求和计算得到第一评测值；之后，对第一评测值与噪声值进行求和计算得到第二评测值，将第二评测值作为目标算法模型的模型性能指标，也就是目标硬件对应的性能评测结果。
上述实施例中，根据目标换算关系对目标硬件的多个硬件性能指标进行加权求和计算得到第一评测值，对第一评测值和噪声值进行求和计算得到第二评测值；将第二评测值作为目标硬件对应的性能评测结果。由于目标换算关系为预先根据大量评测数据构建的多个硬件性能指标与模型性能指标之间的换算关系，因此，根据目标换算关系确定的目标算法模型在目标硬件上运行的模型性能指标具有较好的可预测性，解决了硬件选型过程中硬件厂商提供性能评测结果与实际生产中的业务性能存在差距的的问题。
在一个实施例中，如图3所示，在上述实施例的基础上，本公开实施例还可以包括目标换算关系的构建过程，该构建过程可以在电子设备上进行，也可以在云端服务器上进行，以电子设备为例进行说明可以包括如下步骤：
步骤301，获取多个参考硬件中各参考硬件的硬件性能指标。
电子设备可以接收用户输入的每个参考硬件的多个硬件性能指标；也可以在各参考硬件上运行标准测试用例，得到每个参考硬件的硬件性能指标。本公开实施例对此不做限定。
步骤302，获取目标算法模型在各参考硬件上运行的模型性能指标。
在电子设备中预先设置多个参考硬件，或者将电子设备预先与多个参考硬件连接。获取模型性能指标的过程中，用户从电子设备设置的多个算法模型中选取出目标算法模型，并选取出运行目标算法模型的参考硬件。之后，电子设备载入包含目标算法模型的标准测试用例，并进行计算预热。接着，电子设备在选取出的参考硬件上运行标准测试用例。运行结束后，统计目标算法模型的准确率和评测时间，在目标算法模型的准确率符合要求的情况下，根据评测时间计算目标算法模型的计算吞吐。
以此类推，在每个参考硬件上均运行包含目标算法模型的标准测试用例，得到目标算法模型在各参考硬件上运行的模型性能指标。可以理解地，对于不同的目标算法模型，标准测试用例也不同。
在其中一个实施例中，在上述获取目标算法模型在各参考硬件上运行的模型性能指标之后，本公开实施例还可以包括：根据各参考硬件的硬件性能指标和目标算法模型的模型性能指标生成性能评测报告，该评测报告用于对多个参考硬件进行性能比较。
例如，电子设备获取到参考硬件a的硬件性能指标1和目标算法模型在参考硬件a上运行的模型性能指标1，以及参考硬件b的硬件性能指标2和目标算法模型在参考硬件b上运行的模型性能指标2，根据上述硬件性能指标1、模型性能指标1、硬件性能指标2和模型性能指标2生成评测报告。在该评测报告中，硬件性能指标1、模型性能指标1、硬件性能指标2和模型性能指标2可以是图文形式，电子设备展示评测报告，方便用户对参考硬件a和参考硬件b进行性能比较。
在其中一个实例中，电子设备将获取到的硬件性能指标与模型性能指标对应存储到评测数据库中。这些性能指标可以在构建目标换算关系时调用，也可以供用户查看。本公开实施例对此不做限定。
步骤303，基于各参考硬件的硬件性能指标和目标算法模型在各参考硬件上运行的模型性能指标构建目标换算关系。
电子设备在获取到各参考硬件的硬件性能指标和目标算法模型在各参考硬件上运行的模型性能指标后，可以先根据硬件性能指标与模型性能指标之间的对应关系，确定各硬件性能指标对应的权重；之后确定噪声值；最后根据各硬件性能指标对应的权重和噪声值构建目标换算关系。
上述目标换算关系的构建过程中，获取多个参考硬件中各参考硬件的硬件性能指标；获取目标算法模型在各参考硬件上运行的模型性能指标；基于各参考硬件的硬件性能指标和目标算法模型在各参考硬件上运行的模型性能指标构建目标换算关系。本公开实施例中，收集多个参考硬件的评测数据，并根据参考硬件的评测数据构建目标换算关系，因此该目标换算关系是一种通用的换算关系，可以适用于各种CPU、GPU、NPU和CPU、GPU、NPU组合得到的异构硬件，硬件选型可以在硬件厂商提供性能评测结果之上对业务性能做更为准确的预测，从而避免过度关注单一硬件性能指标而忽略其他硬件性能指标。
在一个实施例中，目标算法模型基于目标算法框架中的目标算子构建；如图4所示，上述基于各参考硬件的硬件性能指标和目标算法模型在各参考硬件上运行的模型性能指标构建目标换算关系的过程，可以包括如下步骤：
步骤401，获取各目标算子在各参考硬件上运行的框架性能指标。
其中，框架性能指标为表征各算子性能的参数。算法框架可以包括Pytorch、TensorFlowTM等。Pytorch是一个基于Python的可续计算包，其具有强大的GPU加速的张量计算，且包含自动求导系统的深度神经网络。TensorFlowTM是一个基于数据流编程(dataflowprogramming)的符号数学系统，被广泛应用于各类机器学习(machine learning)算法的编程实现中。算法框架中的算子可以包括卷积、池化、矩阵乘等。本公开实施例对算法框架和算子均不做限定。
电子设备先确定构建目标算法模型的目标算子，之后，对于每个目标算子，在各参考硬件上运行包含目标算子的标准测试用例，运行结束后统计目标算子的准确率和评测时间。在目标算子的准确率符合要求的情况下，根据评测时间计算目标算子的计算吞吐，得到目标算子在各参考硬件上运行的框架性能指标。
步骤402，基于各参考硬件的硬件性能指标、各目标算子在各参考硬件上运行的框架性能指标和目标算法模型在各参考硬件上运行的模型性能指标之间的层次化换算关系，构建目标换算关系。
由于目标算法模型是基于目标算法框架中的目标算子构建的，因此，电子设备可以在硬件性能指标与模型性能指标之间插入框架性能指标，形成硬件性能指标到框架性能指标、框架性能指标到模型性能指标的层次化换算关系，从而根据层次化换算关系构建目标换算关系。
如图5所示，根据层次化换算关系构建目标换算关系的过程，可以包括以下步骤：
步骤4021，对于各目标算子，基于各参考硬件的硬件性能指标和目标算子在各参考硬件上运行的框架性能指标，构建目标算子的第一中间换算关系。
电子设备在得到各参考硬件的硬件性能指标和目标算子在各参考硬件上运行的框架性能指标之后，将多个参考硬件的硬件性能指标和目标算子的框架性能指标输入到预先设置的第一权重计算模型中，得到第一权重计算模型输出的各参考硬件的硬件性能指标对应的第一权重；根据各硬件性能指标对应的第一权重、多个硬件性能指标和目标算子的框架性能指标，构建目标算子的第一中间换算关系。
第一中间换算关系可以如公式(2)所示：
其中，P为目标算子的框架性能指标，比如目标算子的计算吞吐；i为硬件性能指标的序号，X为硬件性能指标的总数量，H为硬件性能指标，α为硬件性能指标对应的第一权重，η为噪声值。噪声值是未知因素性能造成的扰动。
上述第一权重计算模型，可以是通过理论分析法计算得到，也可以是通过大量评测数据进行机器学习模型训练得到的，本公开实施例对此不做限定。
步骤4022，根据目标算法模型在各参考硬件上运行的模型性能指标以及各目标算子在各参考硬件上运行的框架性能指标，构建第二中间换算关系。
电子设备在得到目标算法模型在各参考硬件上运行的和目标算子在各参考硬件上运行的框架性能指标之后，将多个目标算子的框架性能指标和目标算法模型的模型性能指标输入到预先设置的第二权重计算模型中，得到第二权重计算模型输出的各目标算子的框架性能指标对应的第二权重；根据各目标算子的框架性能指标对应的第二权重、多个目标算子的框架性能指标和目标算法模型的模型性能指标，构建第二中间换算关系。
第二中间换算关系可以如公式(3)所示：
其中，M为目标算法模型的模型性能指标，比如目标算法模型的计算吞吐；j为框架性能指标的序号，Y为框架性能指标的总数量，P为框架性能指标，β为框架性能指标对应的第二权重，δ为噪声值。噪声值是未知因素性能造成的扰动。
上述第二权重计算模型，可以是通过理论分析法计算得到，也可以是通过大量评测数据进行深度学习模型训练得到的，本公开实施例对此不做限定。
在其中一个实施例中，根据目标算法框架中的算子构建新的算法模型，由于已获得算子在参考硬件上运行的框架性能指标和各算子的第二权重，因此可以构建新的算法模型所对应的新的换算关系，依据已获得的各参考硬件的硬件性能指标和新的换算关系计算新的算法模型的模型性能指标。
可以理解地，换算关系的构建具备自适应能力，当有新硬件、新算法模型引入时，可以根据换算关系迅速得出新环境下的硬件性能指标或模型性能指标。
步骤4023，根据第二中间换算关系和各目标算子的第一中间换算关系，构建目标换算关系。
电子设备得到多个硬件性能指标与目标算子之间的第一中间换算关系，以及多个目标算子与目标算法模型之间的第二中间换算关系后，将第一中间换算关系代入到第二中间换算关系中，可以得到目标换算关系。
在其中一个实施例中，电子设备在目标硬件上运行目标算法模型，得到实测的目标算法模型的模型性能指标，根据实测的模型性能指标更新上述目标换算关系中硬件性能指标的权重，降低噪声值对模型性能指标的影响。
上述基于各参考硬件的硬件性能指标和目标算法模型在各参考硬件上运行的模型性能指标构建目标换算关系的过程中，获取各目标算子在各参考硬件上运行的框架性能指标，对于各目标算子，基于各参考硬件的硬件性能指标和目标算子在各参考硬件上运行的框架性能指标，构建目标算子的第一中间换算关系，即构建出了硬件层到框架层之间的换算关系；根据目标算法模型在各参考硬件上运行的模型性能指标以及各目标算子在各参考硬件上运行的框架性能指标，构建第二中间换算关系，即构建出了框架层到算法模型层的换算关系；根据第二中间换算关系和各目标算子的第一中间换算关系，构建目标换算关系；即构建出了硬件层到算法模型层的换算关系。由此可见，本公开实施例构建了多层次的换算关系，不仅兼顾了硬件和算法模型的效率，还使换算关系具有了较强的自适应能力。
应该理解的是，虽然图2至图5的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2至图5中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图6所示，提供了一种硬件评测装置，包括：
第一指标获取模块501，用于获取待评测的目标硬件的多个硬件性能指标；
评测模块502，用于根据预先建立的目标换算关系和目标硬件的多个硬件性能指标，确定目标硬件对应的性能评测结果；性能评测结果包括目标算法模型在目标硬件上运行的模型性能指标；
其中，目标换算关系包括多个硬件性能指标与模型性能指标之间的换算关系。
在其中一个实施例中，评测模块502，具体用于根据目标换算关系对目标硬件的多个硬件性能指标进行加权求和计算得到第一评测值，对第一评测值和噪声值进行求和计算得到第二评测值；将第二评测值作为目标硬件对应的性能评测结果。
在其中一个实施例中，如图7所示，该装置还包括：
第二指标获取模块503，用于获取多个参考硬件中各参考硬件的硬件性能指标；
第三指标获取模块504，用于获取目标算法模型在各参考硬件上运行的模型性能指标；
关系构建模块505，用于基于各参考硬件的硬件性能指标和目标算法模型在各参考硬件上运行的模型性能指标构建目标换算关系。
在其中一个实施例中，目标算法模型基于目标算法框架中的目标算子构建；关系构建模块505，包括：
指标获取子模块，用于获取各目标算子在各参考硬件上运行的框架性能指标；
关系构建子模块，用于基于各参考硬件的硬件性能指标、各目标算子在各参考硬件上运行的框架性能指标和目标算法模型在各参考硬件上运行的模型性能指标之间的层次化换算关系，构建目标换算关系。
在其中一个实施例中，关系构建子模块包括：
第一关系构建单元，用于对于各目标算子，基于各参考硬件的硬件性能指标和目标算子在各参考硬件上运行的框架性能指标，构建目标算子的第一中间换算关系；
第二关系构建单元，用于根据目标算法模型在各参考硬件上运行的模型性能指标以及各目标算子在各参考硬件上运行的框架性能指标，构建第二中间换算关系；
第三关系构建单元，用于根据第二中间换算关系和各目标算子的第一中间换算关系，构建目标换算关系。
在其中一个实施例中，第一关系构建单元，具体用于将多个参考硬件的硬件性能指标和目标算子的框架性能指标输入到预先设置的第一权重计算模型中，得到第一权重计算模型输出的各参考硬件的硬件性能指标对应的第一权重；根据各硬件性能指标对应的第一权重、多个硬件性能指标和目标算子的框架性能指标，构建目标算子的第一中间换算关系。
在其中一个实施例中，第二关系构建单元，具体用于将多个目标算子的框架性能指标和目标算法模型的模型性能指标输入到预先设置的第二权重计算模型中，得到第二权重计算模型输出的各目标算子的框架性能指标对应的第二权重；根据各目标算子的框架性能指标对应的第二权重、多个目标算子的框架性能指标和目标算法模型的模型性能指标，构建第二中间换算关系。
在其中一个实施例中，该装置还包括：
报告生成模块，用于根据各所述参考硬件的硬件性能指标和所述目标算法模型的模型性能指标生成性能评测报告，所述评测报告用于对多个参考硬件进行性能比较。
关于硬件评测装置的具体限定可以参见上文中对于硬件评测方法的限定，在此不再赘述。上述硬件评测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以以硬件形式内嵌于或独立于电子设备中的处理器中，也可以以软件形式存储于电子设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
图8是根据一示例性实施例示出的一种电子设备1300的框图。例如，电子设备1300可以是移动电话、计算机、平板设备、个人数字助理等。
参照图8，电子设备1300可以包括以下一个或多个组件：处理组件1302，存储器1304，电源组件1306，多媒体组件1308，音频组件1310，输入/输出(I/O)的接口1312，传感器组件1314，以及通信组件1316。其中，存储器上存储有在处理器上运行的计算机程序或者指令。
处理组件1302通常控制电子设备1300的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件1302可以包括一个或多个处理器1320来执行指令，以完成上述方法的全部或部分步骤。此外，处理组件1302可以包括一个或多个模块，便于处理组件1302和其他组件之间的交互。例如，处理组件1302可以包括多媒体模块，以方便多媒体组件1308和处理组件1302之间的交互。
存储器1304被配置为存储各种类型的数据以支持在电子设备1300的操作。这些数据的示例包括用于在电子设备1300上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器1304可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件1306为电子设备1300的各种组件提供电力。电源组件1306可以包括电源管理系统，一个或多个电源，及其他与为电子设备1300生成、管理和分配电力相关联的组件。
多媒体组件1308包括在所述电子设备1300和用户之间的提供一个输出接口的触控显示屏。在一些实施例中，触控显示屏可以包括液晶显示器(LCD)和触摸面板(TP)。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件1308包括一个前置摄像头和/或后置摄像头。当电子设备1300处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件1310被配置为输出和/或输入音频信号。例如，音频组件1310包括一个麦克风(MIC)，当电子设备1300处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器1304或经由通信组件1316发送。在一些实施例中，音频组件1310还包括一个扬声器，用于输出音频信号。
I/O接口1312为处理组件1302和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件1314包括一个或多个传感器，用于为电子设备1300提供各个方面的状态评估。例如，传感器组件1314可以检测到电子设备1300的打开/关闭状态，组件的相对定位，例如所述组件为电子设备1300的显示器和小键盘，传感器组件1314还可以检测电子设备1300或电子设备1300一个组件的位置改变，用户与电子设备1300接触的存在或不存在，电子设备1300方位或加速/减速和电子设备1300的温度变化。传感器组件1314可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件1314还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件1314还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件1316被配置为便于电子设备1300和其他设备之间有线或无线方式的通信。电子设备1300可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件1316经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件1316还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备1300可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述硬件评测方法。
在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器1304，上述指令可由电子设备1300的处理器1320执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
在示例性实施例中，还提供了一种计算机程序产品，该计算机程序产品被处理器执行时，可以实现上述方法。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行这些计算机指令时，可以全部或部分地按照本公开实施例所述的流程或功能实现上述方法中的部分或者全部。
示例性的，本公开实施例公开了TS1、一种硬件评测的方法，其特征在于，所述方法包括：
获取待评测的目标硬件的多个硬件性能指标；
根据预先建立的目标换算关系和所述目标硬件的多个硬件性能指标，确定所述目标硬件对应的性能评测结果；所述性能评测结果包括目标算法模型在所述目标硬件上运行的模型性能指标；
其中，所述目标换算关系包括多个硬件性能指标与模型性能指标之间的换算关系。
TS2、如TS1所述的方法，其特征在于，所述根据预先建立的目标换算关系和所述目标硬件的多个硬件性能指标，确定所述目标硬件对应的性能评测结果，包括：
根据所述目标换算关系对所述目标硬件的多个硬件性能指标进行加权求和计算得到第一评测值，对所述第一评测值和噪声值进行求和计算得到第二评测值；
将所述第二评测值作为所述目标硬件对应的性能评测结果。
TS3、如TS1或TS2所述的方法，其特征在于，所述目标换算关系的构建过程包括：
获取多个参考硬件中各所述参考硬件的硬件性能指标；
获取所述目标算法模型在各所述参考硬件上运行的模型性能指标；
基于各所述参考硬件的硬件性能指标和所述目标算法模型在各所述参考硬件上运行的模型性能指标构建所述目标换算关系。
TS4、如TS3所述的方法，其特征在于，所述目标算法模型基于目标算法框架中的目标算子构建；所述基于各所述参考硬件的硬件性能指标和所述目标算法模型在各所述参考硬件上运行的模型性能指标构建所述目标换算关系，包括：
获取各所述目标算子在各所述参考硬件上运行的框架性能指标；
基于各所述参考硬件的硬件性能指标、各所述目标算子在各所述参考硬件上运行的框架性能指标和所述目标算法模型在各所述参考硬件上运行的模型性能指标之间的层次化换算关系，构建所述目标换算关系。
TS5、如TS4所述的方法，其特征在于，所述基于各所述参考硬件的硬件性能指标、各所述目标算子在各所述参考硬件上运行的框架性能指标和所述目标算法模型在各所述参考硬件上运行的模型性能指标之间的层次化换算关系，构建所述目标换算关系，包括：
对于各所述目标算子，基于各所述参考硬件的硬件性能指标和所述目标算子在各所述参考硬件上运行的框架性能指标，构建所述目标算子的第一中间换算关系；
根据所述目标算法模型在各所述参考硬件上运行的模型性能指标以及各所述目标算子在各所述参考硬件上运行的框架性能指标，构建第二中间换算关系；
根据所述第二中间换算关系和各所述目标算子的第一中间换算关系，构建所述目标换算关系。
TS6、如TS5所述的方法，其特征在于，所述基于各所述参考硬件的硬件性能指标和所述目标算子在各所述参考硬件上运行的框架性能指标，构建所述目标算子的第一中间换算关系，包括：
将多个所述参考硬件的硬件性能指标和所述目标算子的框架性能指标输入到预先设置的第一权重计算模型中，得到所述第一权重计算模型输出的各所述参考硬件的硬件性能指标对应的第一权重；
根据各所述硬件性能指标对应的第一权重、所述多个硬件性能指标和所述目标算子的框架性能指标，构建所述目标算子的第一中间换算关系。
TS7、如TS5所述的方法，其特征在于，所述根据所述目标算法模型在各所述参考硬件上运行的模型性能指标以及各所述目标算子在各所述参考硬件上运行的框架性能指标，构建第二中间换算关系，包括：
将多个所述目标算子的框架性能指标和所述目标算法模型的模型性能指标输入到预先设置的第二权重计算模型中，得到所述第二权重计算模型输出的各所述目标算子的框架性能指标对应的第二权重；
根据各所述目标算子的框架性能指标对应的第二权重、多个所述目标算子的框架性能指标和所述目标算法模型的模型性能指标，构建所述第二中间换算关系。
TS8、如TS3所述的方法，其特征在于，在所述获取所述目标算法模型在各所述参考硬件上运行的模型性能指标之后，所述方法还包括：
根据各所述参考硬件的硬件性能指标和所述目标算法模型的模型性能指标生成性能评测报告，所述评测报告用于对多个参考硬件进行性能比较。
TS9、一种硬件评测装置，其特征在于，所述装置包括：
第一指标获取模块，用于获取待评测的目标硬件的多个硬件性能指标；
评测模块，用于根据预先建立的目标换算关系和所述目标硬件的多个硬件性能指标，确定所述目标硬件对应的性能评测结果；所述性能评测结果包括目标算法模型在所述目标硬件上运行的模型性能指标；
其中，所述目标换算关系包括多个硬件性能指标与模型性能指标之间的换算关系。
TS10、如TS9所述的装置，其特征在于，所述评测模块，具体用于根据所述目标换算关系对所述目标硬件的多个硬件性能指标进行加权求和计算得到第一评测值，对所述第一评测值和噪声值进行求和计算得到第二评测值；将所述第二评测值作为所述目标硬件对应的性能评测结果。
TS11、如TS9或TS10所述的装置，其特征在于，所述装置包括：
第二指标获取模块，用于获取多个参考硬件中各所述参考硬件的硬件性能指标；
第三指标获取模块，用于获取所述目标算法模型在各所述参考硬件上运行的模型性能指标；
关系构建模块，用于基于各所述参考硬件的硬件性能指标和所述目标算法模型在各所述参考硬件上运行的模型性能指标构建所述目标换算关系。
TS12、如TS11所述的装置，其特征在于，所述目标算法模型基于目标算法框架中的目标算子构建；所述关系构建模块，包括：
指标获取子模块，用于获取各所述目标算子在各所述参考硬件上运行的框架性能指标；
关系构建子模块，用于基于各所述参考硬件的硬件性能指标、各所述目标算子在各所述参考硬件上运行的框架性能指标和所述目标算法模型在各所述参考硬件上运行的模型性能指标之间的层次化换算关系，构建所述目标换算关系。
TS13、如TS12所述的装置，其特征在于，所述关系构建子模块，包括：
第一关系构建单元，用于对于各所述目标算子，基于各所述参考硬件的硬件性能指标和所述目标算子在各所述参考硬件上运行的框架性能指标，构建所述目标算子的第一中间换算关系；
第二关系构建单元，用于根据所述目标算法模型在各所述参考硬件上运行的模型性能指标以及各所述目标算子在各所述参考硬件上运行的框架性能指标，构建第二中间换算关系；
第三关系构建单元，用于根据所述第二中间换算关系和各所述目标算子的第一中间换算关系，构建所述目标换算关系。
TS14、如TS13所述的装置，其特征在于，所述第一关系构建单元，具体用于将多个所述参考硬件的硬件性能指标和所述目标算子的框架性能指标输入到预先设置的第一权重计算模型中，得到所述第一权重计算模型输出的各所述参考硬件的硬件性能指标对应的第一权重；根据各所述硬件性能指标对应的第一权重、所述多个硬件性能指标和所述目标算子的框架性能指标，构建所述目标算子的第一中间换算关系。
TS15、如TS13所述的装置，其特征在于，所述第二关系构建单元，具体用于将多个所述目标算子的框架性能指标和所述目标算法模型的模型性能指标输入到预先设置的第二权重计算模型中，得到所述第二权重计算模型输出的各所述目标算子的框架性能指标对应的第二权重；根据各所述目标算子的框架性能指标对应的第二权重、多个所述目标算子的框架性能指标和所述目标算法模型的模型性能指标，构建所述第二中间换算关系。
TS16、如TS11所述的装置，其特征在于，所述装置还包括：
报告生成模块，用于根据各所述参考硬件的硬件性能指标和所述目标算法模型的模型性能指标生成性能评测报告，所述评测报告用于对多个参考硬件进行性能比较。
TS17、一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现TS1至TS8中任一项所述的方法的步骤。
TS18、一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现TS1至TS8中任一项所述的方法的步骤。
TS19、一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现TS1至TS8中任一项所述的方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本公开实施例所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本公开实施例的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本公开实施例构思的前提下，还可以做出若干变形和改进，这些都属于本公开实施例的保护范围。因此，本公开实施例专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种硬件评测方法，其特征在于，所述方法包括：
获取待评测的目标硬件的多个硬件性能指标；
根据预先建立的目标换算关系和所述目标硬件的多个硬件性能指标，确定所述目标硬件对应的性能评测结果；所述性能评测结果包括目标算法模型在所述目标硬件上运行的模型性能指标；
其中，所述目标换算关系包括多个硬件性能指标与模型性能指标之间的换算关系。
2.根据权利要求1所述的方法，其特征在于，所述根据预先建立的目标换算关系和所述目标硬件的多个硬件性能指标，确定所述目标硬件对应的性能评测结果，包括：
根据所述目标换算关系对所述目标硬件的多个硬件性能指标进行加权求和计算得到第一评测值，对所述第一评测值和噪声值进行求和计算得到第二评测值；
将所述第二评测值作为所述目标硬件对应的性能评测结果。
3.根据权利要求1或2所述的方法，其特征在于，所述目标换算关系的构建过程包括：
获取多个参考硬件中各所述参考硬件的硬件性能指标；
获取所述目标算法模型在各所述参考硬件上运行的模型性能指标；
基于各所述参考硬件的硬件性能指标和所述目标算法模型在各所述参考硬件上运行的模型性能指标构建所述目标换算关系。
4.根据权利要求3所述的方法，其特征在于，所述目标算法模型基于目标算法框架中的目标算子构建；所述基于各所述参考硬件的硬件性能指标和所述目标算法模型在各所述参考硬件上运行的模型性能指标构建所述目标换算关系，包括：
获取各所述目标算子在各所述参考硬件上运行的框架性能指标；
基于各所述参考硬件的硬件性能指标、各所述目标算子在各所述参考硬件上运行的框架性能指标和所述目标算法模型在各所述参考硬件上运行的模型性能指标之间的层次化换算关系，构建所述目标换算关系。
5.根据权利要求4所述的方法，其特征在于，所述基于各所述参考硬件的硬件性能指标、各所述目标算子在各所述参考硬件上运行的框架性能指标和所述目标算法模型在各所述参考硬件上运行的模型性能指标之间的层次化换算关系，构建所述目标换算关系，包括：
对于各所述目标算子，基于各所述参考硬件的硬件性能指标和所述目标算子在各所述参考硬件上运行的框架性能指标，构建所述目标算子的第一中间换算关系；
根据所述目标算法模型在各所述参考硬件上运行的模型性能指标以及各所述目标算子在各所述参考硬件上运行的框架性能指标，构建第二中间换算关系；
根据所述第二中间换算关系和各所述目标算子的第一中间换算关系，构建所述目标换算关系。
6.根据权利要求5所述的方法，其特征在于，所述基于各所述参考硬件的硬件性能指标和所述目标算子在各所述参考硬件上运行的框架性能指标，构建所述目标算子的第一中间换算关系，包括：
将多个所述参考硬件的硬件性能指标和所述目标算子的框架性能指标输入到预先设置的第一权重计算模型中，得到所述第一权重计算模型输出的各所述参考硬件的硬件性能指标对应的第一权重；
根据各所述硬件性能指标对应的第一权重、所述多个硬件性能指标和所述目标算子的框架性能指标，构建所述目标算子的第一中间换算关系。
7.一种硬件评测装置，其特征在于，所述装置包括：
第一指标获取模块，用于获取待评测的目标硬件的多个硬件性能指标；
评测模块，用于根据预先建立的目标换算关系和所述目标硬件的多个硬件性能指标，确定所述目标硬件对应的性能评测结果；所述性能评测结果包括目标算法模型在所述目标硬件上运行的模型性能指标；
其中，所述目标换算关系包括多个硬件性能指标与模型性能指标之间的换算关系。
8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110108943.6A CN112799895B (zh) | 2021-01-27 | 2021-01-27 | 硬件评测方法、装置、电子设备、存储介质和程序产品 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110108943.6A CN112799895B (zh) | 2021-01-27 | 2021-01-27 | 硬件评测方法、装置、电子设备、存储介质和程序产品 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112799895A true CN112799895A (zh) | 2021-05-14 |
| CN112799895B CN112799895B (zh) | 2024-07-26 |
Family
ID=75812010
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110108943.6A Active CN112799895B (zh) | 2021-01-27 | 2021-01-27 | 硬件评测方法、装置、电子设备、存储介质和程序产品 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112799895B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008139965A (ja) * | 2006-11-30 | 2008-06-19 | Mitsubishi Electric Corp | 情報処理装置及び情報処理方法及びプログラム |
| US20150088462A1 (en) * | 2012-06-07 | 2015-03-26 | Tencent Technology (Shenzhen) Company Limited | Hardware performance evaluation method and server |
| US20150317563A1 (en) * | 2014-05-01 | 2015-11-05 | International Business Machines Corporation | Predicting application performance on hardware accelerators |
| CN105354115A (zh) * | 2015-09-28 | 2016-02-24 | 北京金山安全软件有限公司 | 一种获取硬件性能评分的方法及装置 |
| US10078717B1 (en) * | 2013-12-05 | 2018-09-18 | The Mathworks, Inc. | Systems and methods for estimating performance characteristics of hardware implementations of executable models |
| US20190197653A1 (en) * | 2017-12-22 | 2019-06-27 | International Business Machines Corporation | Processing unit performance projection using dynamic hardware behaviors |
| CN110633194A (zh) * | 2019-09-26 | 2019-12-31 | 中国民用航空总局第二研究所 | 一种硬件资源在特定环境下的性能评估方法 |
| US20200104129A1 (en) * | 2018-08-10 | 2020-04-02 | Cambricon Technologies Corporation Limited | Conversion Method, Device, Computer Equipment, and Storage Medium |
| CN111914985A (zh) * | 2019-05-10 | 2020-11-10 | 杭州海康威视数字技术股份有限公司 | 深度学习网络模型的配置方法、装置及存储介质 |
| CN112114892A (zh) * | 2020-08-11 | 2020-12-22 | 北京奇艺世纪科技有限公司 | 深度学习模型的获取方法、加载方法及选取方法 |
-
2021
- 2021-01-27 CN CN202110108943.6A patent/CN112799895B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008139965A (ja) * | 2006-11-30 | 2008-06-19 | Mitsubishi Electric Corp | 情報処理装置及び情報処理方法及びプログラム |
| US20150088462A1 (en) * | 2012-06-07 | 2015-03-26 | Tencent Technology (Shenzhen) Company Limited | Hardware performance evaluation method and server |
| US10078717B1 (en) * | 2013-12-05 | 2018-09-18 | The Mathworks, Inc. | Systems and methods for estimating performance characteristics of hardware implementations of executable models |
| US20150317563A1 (en) * | 2014-05-01 | 2015-11-05 | International Business Machines Corporation | Predicting application performance on hardware accelerators |
| CN105354115A (zh) * | 2015-09-28 | 2016-02-24 | 北京金山安全软件有限公司 | 一种获取硬件性能评分的方法及装置 |
| US20190197653A1 (en) * | 2017-12-22 | 2019-06-27 | International Business Machines Corporation | Processing unit performance projection using dynamic hardware behaviors |
| US20200104129A1 (en) * | 2018-08-10 | 2020-04-02 | Cambricon Technologies Corporation Limited | Conversion Method, Device, Computer Equipment, and Storage Medium |
| CN111914985A (zh) * | 2019-05-10 | 2020-11-10 | 杭州海康威视数字技术股份有限公司 | 深度学习网络模型的配置方法、装置及存储介质 |
| CN110633194A (zh) * | 2019-09-26 | 2019-12-31 | 中国民用航空总局第二研究所 | 一种硬件资源在特定环境下的性能评估方法 |
| CN112114892A (zh) * | 2020-08-11 | 2020-12-22 | 北京奇艺世纪科技有限公司 | 深度学习模型的获取方法、加载方法及选取方法 |
Non-Patent Citations (3)
| Title |
|---|
| 杨富强;任中全;鹿守杭;: "虚拟仪器测试系统性能指标及评价方法", 仪器仪表用户, no. 01, 8 February 2007 (2007-02-08) * |
| 罗红兵;武林平;: "基于硬件事件的并行程序指令级性能模型与应用", 计算机工程与科学, no. 11, 15 November 2013 (2013-11-15) * |
| 胡俊杨;易勇强;王涛;: "信息系统硬件资源需求测算方法", 计算机测量与控制, no. 10, 25 October 2017 (2017-10-25) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112799895B (zh) | 2024-07-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109829433B (zh) | 人脸图像识别方法、装置、电子设备及存储介质 | |
| CN110163380B (zh) | 数据分析方法、模型训练方法、装置、设备及存储介质 | |
| RU2577188C1 (ru) | Способ, аппарат и устройство для сегментации изображения | |
| CN111899760B (zh) | 音频事件的检测方法、装置、电子设备及存储介质 | |
| US9633444B2 (en) | Method and device for image segmentation | |
| WO2019085749A1 (zh) | 应用程序管控方法、装置、介质及电子设备 | |
| CN112070235A (zh) | 一种深度学习框架的异常定位方法、装置及存储介质 | |
| TW202036476A (zh) | 圖像處理方法及裝置、電子設備和儲存介質 | |
| CN111814538A (zh) | 目标对象的类别识别方法、装置、电子设备及存储介质 | |
| CN112884040B (zh) | 训练样本数据的优化方法、系统、存储介质及电子设备 | |
| CN111582432A (zh) | 一种网络参数处理方法及装置 | |
| CN107480773B (zh) | 训练卷积神经网络模型的方法、装置及存储介质 | |
| CN112948763B (zh) | 件量预测方法、装置、电子设备及存储介质 | |
| CN116341976A (zh) | 导航地图生产线的指标数据调整方法、装置及设备 | |
| CN115935816B (zh) | 钻井参数确定方法、装置、设备及存储介质 | |
| CN112799895B (zh) | 硬件评测方法、装置、电子设备、存储介质和程序产品 | |
| CN116310633A (zh) | 一种关键点检测模型训练方法及关键点检测方法 | |
| CN111859097A (zh) | 数据处理方法、装置、电子设备及存储介质 | |
| CN113190725B (zh) | 对象的推荐及模型训练方法和装置、设备、介质和产品 | |
| CN110659726B (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
| CN113486978A (zh) | 文本分类模型的训练方法、装置、电子设备及存储介质 | |
| CN107609599B (zh) | 特征识别方法及装置 | |
| CN108154092B (zh) | 人脸特征预测方法及装置 | |
| CN114819043A (zh) | 面板切割方法、装置、设备及存储介质 | |
| CN111259675A (zh) | 基于神经网络计算的方法和装置 |
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 |