CN114355175A - 芯片性能的测评方法及装置、存储介质、计算机设备 - Google Patents

Abstract

本申请公开了一种芯片性能的测评方法及装置、存储介质、计算机设备，涉及芯片测试技术领域，主要目的在于改善现有的芯片测试方式局限而导致的芯片性能测试准确性较低的问题。该方法包括：配置多种测试模式和与所述测试模式分别对应的处理模型，所述多种测试模式用于模拟芯片作业的不同场景，且所述测试模式至少包含有背景虚化、人脸识别、图片分类、自然语言问题解答和超分辨率；触发所述芯片依次调用所述处理模型在相应的测试模式下执行处理，得到多个处理结果；根据所述处理结果确定所述芯片的性能等级。主要用于芯片性能的测评。

Description

芯片性能的测评方法及装置、存储介质、计算机设备

技术领域

本申请涉及芯片测试技术领域，尤其是涉及到一种芯片性能的测评方法及装置、存储介质、计算机设备。

背景技术

随着移动终端应用的提升，手机芯片也得到了迅猛发展，各芯片厂家都在宣传自家的芯片的领先性，试图通过芯片性能优势获得更多的市场份额。移动终端中芯片功能众多，如显示控制、AI(Artificial Intelligence，人工智能)、触摸屏控制等，可见芯片性能将直接影响手机终端性能，所以对芯片性能的预先检测变得十分必要。

目前，市面上并不存在规范化的衡量标准来评定芯片性能的优劣，在检测芯片AI计算能力时，只能针对芯片的图像识别和图像分割效处理效果进行检测，并根据这两项的检测结果衡量芯片的性能，这使得评定方式单一且局限，从而导致得到的测评结果不够准确的问题。

发明内容

有鉴于此，本申请提供了一种芯片性能的测评方法及装置、存储介质、计算机设备。

根据本申请的一个方面，提供了一种芯片性能的测评方法，包括：

配置多种测试模式和与所述测试模式分别对应的处理模型，所述多种测试模式用于模拟芯片作业的不同场景，且所述测试模式至少包含有背景虚化、人脸识别、图片分类、自然语言问题解答和超分辨率；

触发所述芯片依次调用所述处理模型在相应的测试模式下执行处理，得到多个处理结果；

根据所述处理结果确定所述芯片的性能等级。

进一步地，在所述触发所述芯片依次调用所述处理模型在相应的测试模式下执行处理，得到多个处理结果之后，所述方法还包括：

将所述处理结果与参考因素进行比较，得到芯片的第一处理因子，所述第一处理因子用于表征芯片的处理精度；

计算芯片的第二处理因子，所述第二处理因子用于表征所述芯片的处理速度。

进一步地，所述根据所述处理结果确定所述芯片的性能等级包括：

根据所述第一处理因子和所述第二处理因子，利用预置算法计算芯片的多个子分值，所述子分值用于标识芯片在各个所述测试模式下的处理性能；

根据所述子分值确定所述芯片的性能等级。

进一步地，所述根据所述子分值确定所述芯片的性能等级包括：

根据所述多个子分值计算几何平均值；

根据预置关联表和所述几何平均值，确定所述芯片的性能等级，所述预置关联表内保存有几何平均值区间与芯片性能等级之间的映射关系。

进一步地，在所述触发所述芯片依次调用所述处理模型在相应的测试模式下执行处理之前，所述方法还包括：

获取所述芯片的系统类型，所述系统类型为安卓系统或苹果系统；

所述触发所述芯片依次调用所述处理模型在相应的测试模式下执行处理包括：

触发所述芯片根据所述芯片的系统类型，依次调用所述处理模型在相应的测试模式下执行处理。

进一步地，所述根据所述处理结果确定所述芯片的性能等级之后，所述方法还包括：

获取所述芯片的型号信息；

将所述型号信息和所述芯片的性能等级按照预置规则存储在性能测试表中，所述性能测试表中按照一一对应的关系保存有多个芯片的型号信息和性能等级。

根据本申请的另一方面，提供了一种芯片性能的测评装置，包括：

配置模块，用于配置多种测试模式和与所述测试模式分别对应的处理模型，所述多种测试模式用于模拟芯片作业的不同场景，且所述测试模式至少包含有背景虚化、人脸识别、图片分类、自然语言问题解答和超分辨率；

触发模块，用于触发所述芯片依次调用所述处理模型在相应的测试模式下执行处理，得到多个处理结果；

确定模块，用于根据所述处理结果确定所述芯片的性能等级。

进一步地，所述装置还包括：

比较模块，用于将所述处理结果与参考因素进行比较，得到芯片的第一处理因子，所述第一处理因子用于表征芯片的处理精度；

计算模块，用于计算芯片的第二处理因子，所述第二处理因子用于表征所述芯片的处理速度。

进一步地，所述确定模块包括：

计算单元，用于根据所述第一处理因子和所述第二处理因子，利用预置算法计算芯片的多个子分值，所述子分值用于标识芯片在各个所述测试模式下的处理性能；

确定单元，用于根据所述子分值确定所述芯片的性能等级。

进一步地，

所述确定单元，具体用于根据所述多个子分值计算几何平均值；

所述确定单元，具体还用于根据预置关联表和所述几何平均值，确定所述芯片的性能等级，所述预置关联表内保存有几何平均值区间与芯片性能等级之间的映射关系。

进一步地，所述装置还包括：获取模块，

所述获取模块，用于获取所述芯片的系统类型，所述系统类型为安卓系统或苹果系统；

所述触发模块，具体用于触发所述芯片根据所述芯片的系统类型，依次调用所述处理模型在相应的测试模式下执行处理。

进一步地，所述装置还包括：存储模块，

所述获取模块，还用于获取所述芯片的型号信息；

所述存储模块，用于将所述型号信息和所述芯片的性能等级按照预置规则存储在性能测试表中，所述性能测试表中按照一一对应的关系保存有多个芯片的型号信息和性能等级。

依据本申请又一个方面，提供了一种存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述芯片性能的测评方法。

依据本申请再一个方面，提供了一种计算机设备，包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述芯片性能的测评方法。

依据本申请再一个方面，提供了一种计算机程序产品，包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，其特征在于，当该程序指令被计算机执行时，使该计算机执行上述的芯片性能的测评方法。

借由上述技术方案，本申请提供的一种芯片性能的测评方法及装置、存储介质、计算机设备，通过预先配置模拟芯片作业不同场景的测试模式和与测试模式对应的处理模型，以使得触发待测试芯片调用处理模型在相应的测试模式下执行处理操作，并根据得到的处理结果确定芯片的性能等级。本申请实施例基于全部芯片AI计算的应用场景，触发芯片利用一一对应的处理模型执行处理，进而根据多种测试模式下的多个处理结果评定芯片的性能等级，与现有技术中，只能针对芯片的图像识别和图像分割效处理效果进行测评，并根据这两项的测评结果衡量芯片的性能方式相比，本发明能够避免测评方式单一而导致的测评结果不够准确的问题，提升芯片AI计算能力测试的全面性，使得测评结果更加准确，从而提升了芯片性能测评的准确性。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1示出了本申请实施例提供的一种芯片性能的测评方法的流程示意图；

图2示出了本申请实施例提供的另一种芯片性能的测评方法的流程示意图；

图3示出了本申请实施例提供的一种芯片性能的测评装置的结构示意图；

图4示出了本申请实施例提供的另一种芯片性能的测评装置的结构示意图；

图5示出了本发明实施例提供的一种电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

针对检测芯片AI计算能力时，只能针对芯片的图像识别和图像分割效处理效果进行检测，并根据这两项的检测结果衡量芯片的性能，这使得评定方式单一且局限，从而导致得到的测评结果不够准确的问题。本发明实施例提供了一种芯片性能的测评方法，如图1所示，该方法包括：

101、配置多种测试模式和与所述测试模式分别对应的处理模型。

其中，所述多种测试模式用于模拟芯片作业的不同场景，且所述测试模式至少包含有背景虚化、人脸识别、图片分类、自然语言问题解答和超分辨率。如在背景虚化场景下，可以配置语义分割模型deeplabv3，而在人脸识别场景下，可以配置facenet模型，而在图片分类场景下则配置相应的resnet50模型，在自然语言问题解答和超分辨率的两个作业场景下，则可以配置mobilebert模型和rdn(Residual Dense Network)模型，但不限于此。

需要说明的是，本申请实施例主要是针对移动终端芯片的AI(ArtificialIntelligence，人工智能)计算能力进行检测，而虽然终端的应用五花八门，但是其芯片AI计算处理的核心主要包括背景虚化、人脸识别、图片分类、自然语言问题解答和超分辨率等五个方面，所以通过基于这五种场景对芯片进行测评，可以全面的检验芯片的处理能力，进而实现全面且准确的对芯片性能测试。

102、触发所述芯片依次调用所述处理模型在相应的测试模式下执行处理。

进一步地，得到多个处理结果。需要说明的是，在本申请实施例的具体实施过程中，可以为编写用于测试芯片性能的程序并将程序输入到待测试芯片中，当程序在芯片中运行时便可以实现对芯片性能的测试。所以步骤102的具体实施方式可以为在程序中加入如“start”、“on”的标识符，当程序加载至该标识符处便可触发调用处理模型执行相应的处理操作。

此外，在具体实施过程中可以配置测试模式选择功能，以便于用户可以选择多种测试模式中的一种或多种进行测试，也可以按照一定顺序排列以使得芯片依次进行不同作业模式的测试，本申请实施例对此不做具体限定。

103、根据所述处理结果确定所述芯片的性能等级。

其中，性能等级可以为如一级，二级等，也可以为具体分值，还可以为某芯片在一系列芯片中的性能等级排名，但不限于此。

由于上述步骤102得到芯片在各个应用场景下的处理结果，所以在本步骤中可以对处理结果进行检验，如与检验标准进行比对来衡量芯片的处理结果的优异，或者通过预置的计算方法对处理结果进行计算，得到能够衡量处理结果优异的数值等，本申请实施例对此不做具体限定。

通过应用本实施例的技术方案，预先配置模拟芯片作业不同场景的测试模式和与测试模式对应的处理模型，以使得触发待测试芯片调用处理模型在相应的测试模式下执行处理操作，并根据得到的处理结果确定芯片的性能等级。本申请实施例基于全部芯片AI计算的应用场景，触发芯片利用一一对应的处理模型执行处理，进而根据多种测试模式下的多个处理结果评定芯片的性能等级，与现有技术中，只能针对芯片的图像识别和图像分割效处理效果进行测评，并根据这两项的测评结果衡量芯片的性能方式相比，本发明能够避免测评方式单一而导致的测评结果不够准确的问题，提升芯片AI计算能力测试的全面性，使得测评结果更加准确，从而提升了芯片性能测评的准确性。

进一步的，作为上述实施例具体实施方式的细化和扩展，为了完整说明本实施例的具体实施过程，提供了另一种芯片性能的测评方法，如图2所示，该方法包括：

步骤201，配置多种测试模式和与所述测试模式分别对应的处理模型。

其中，所述多种测试模式用于模拟芯片作业的不同场景，且所述测试模式至少包含有背景虚化、人脸识别、图片分类、自然语言问题解答和超分辨率。具体地，本步骤中所述的应用场景和相应的处理模型可以如上述步骤101中所述，本申请实施例对此不再赘述。进一步地，本步骤中所用的处理模型可以为用户根据实际需求和历史数据训练得到的，也可以为现有技术中已有的处理模型，本申请实施例对此不做具体限定。

需要说明的是，在本申请实施例的具体实施过程中，可以为编写用于测试芯片性能的程序并将程序输入到待测试芯片中，当程序在芯片中运行时便可以实现对芯片性能的测试，所以为了提升测评方法的适用性，可以预先配置不同系统芯片对应的测试方案，也即在本步骤中配置适合多种系统类型的芯片的处理模型。

202、获取所述芯片的系统类型。

其中，所述系统类型为安卓系统或苹果系统。

在具体实施过程中，不同系统类型的芯片所使用的处理模型可以相同也可以不同，而用于模拟测试的测试模式均为上述步骤中所述的五个场景，即背景虚化、人脸识别、图片分类、自然语言问题解答和超分辨率。若处理模型不同则可以将全部模型按照标识信息预先配置存储，如在上述步骤201中可以按照映射关系进行配置，并在本步骤中根据系统类型标识查找相应的处理模型，并提取该预先配置的测试模式和处理模型输入至待测评芯片中，以使得芯片执行相应的操作而完成性能测评。

进一步地，本步骤中获取芯片系统类型的方式可以为自动检测采集标识信息进行识别，也可以为人工输入的，通过配置用于测试多种系统类型芯片的处理模型，可以实现同时对多种系统类型的芯片进行测评，提升了芯片性能测试的通用性。

203、触发所述芯片根据所述芯片的系统类型，依次调用所述处理模型在相应的测试模式下执行处理。

进一步地，得到多个处理结果。

在本申请实施例中，在每个测试模式下用户均可得根据自身需求采集获得多个处理结果，而对于采集到的处理结果还可以进行过滤筛选，保留能够衡量用户需求性能的处理结果，但不限于此。

204、将所述处理结果与参考因素进行比较。

进一步的，得到芯片的第一处理因子，所述第一处理因子用于表征芯片的处理精度。示例性的，第一处理因子可以为PSNR(Peak signal-to-noise ratio，峰值信噪比)、SSIM index(structural similarity index，结构相似性指标)、TPR(True positive，真阳率)、FPR(False positive，假阳率)、VAL(计算方式为：当FPR＝0.001时，TPR的数值)、EXACT(精确匹配)等中的一种或多种。在具体实施过程中，可以将由单反相机拍摄的图像作为参考因素，而后将芯片在各个应用场景下得到的处理结果与该参考因素进行比较，来确定第一处理因子。示例性的，在背景虚化应用场景下，将芯片的处理结果与参考因素进行比较，得到该处理结果对应的PSNR和SSIM，并将这两个指标作为背景虚化应用场景下的第一处理因子，但不限于此。

205、计算芯片的第二处理因子。

其中，所述第二处理因子用于表征所述芯片的处理速度，如PPS(Process PerSecond，每秒处理输入数据个数)。

206、根据所述第一处理因子和所述第二处理因子，利用预置算法计算芯片的多个子分值。

其中，所述子分值用于标识芯片在各个所述测试模式下的处理性能。芯片在不同应用场景下的处理方式和处理能力不同，所以对应的预置算法也不同，在本申请实施例中，示例性的提供了每个测试模式下分别对应的预置算法：

测试模式1、背景虚化，其预置算法为：((PSNR/100)+SSIM)*PPS，其中PSNR为峰值信噪比，SSIM为结构相似性指标，PPS为每秒处理输入数据个数；

测试模式2、人脸识别，其预置算法为：(VAL/100)*PPS，其中，VAL的计算方式为：当FPR＝0.001时，TPR的数值。

测试模式3、图片分类，其预置算法为：(TOP1*2+TOP5)*PPS，其中TOP1为输出的最高可能类别符合图片类别的可能性，TOP1为输出的最高5种可能类别符合图片类别的可能性。

测试模式4、自然语言问题解答，其预置算法为：((EXACT/100)*2+(F1/100))*PPS，其中F1为根据处理结果和参考因素之间的重合度计算所得，EXACT为精确匹配；

测试模式5、超分辨率，其预置算法为：((PSNR/100)+SSIM)*PPS，其中PSNR为峰值信噪比，SSIM为结构相似性指标，PPS为每秒处理输入数据个数。

所以通过从处理精度和处理速度两个方面对每个测试模式下的处理结果进行评定，以便于后续根据这些结果进行综合评定，实现了对芯片的多应用场景、多维度的测评，从而提升了芯片性能测试的准确性。

207、根据所述子分值确定所述芯片的性能等级。

同样的，本步骤中所述的性能等级的具体概念可以如上述步骤103中所述，本申请实施例在此不再赘述。

具体地，步骤207包括：根据所述多个子分值计算几何平均值；根据预置关联表和所述几何平均值，确定所述芯片的性能等级。

其中，所述预置关联表内保存有几何平均值区间与芯片性能等级之间的映射关系。如芯片A在上述五个测试模式下得到的子分值分别为a₁、a₂、a₃、a₄、和a₅，则计算其几何平均值为

若在预置关联表中该几何平均值对应1级，则确定该芯片性能等级为1级；或者根据几何平均值的大小，将该几何平均值在预置关联表中进行排列，确定在已经测评的四款芯片中该芯片性能等级排名第二。

根据在各个测试模式下得到的子分值，计算这些子分值的几何平均值，并将该几何平均值作为衡量芯片AI计算性能的综合分值，也就是说本申请实施例中，提供了芯片的不同作业场景，并触发芯片调用预先配置的处理模型在各个模拟场景内执行操作，并得到能够从处理精度和处理速度两个维度衡量芯片在各个场景下处理性能的子分值，再将各场景下的子分值做归一化处理，得到最终评定芯片性能的综合分值，这使得芯片测评结果全面且准确。

为了优化芯片测评的操作性能，在步骤207之后还可以包括：获取所述芯片的型号信息；将所述型号信息和所述芯片的性能等级按照预置规则存储在性能测试表中，所述性能测试表中按照一一对应的关系保存有多个芯片的型号信息和性能等级。例如，预置规则可以为按照上述步骤207中计算所得的几何平均值由小至大的方式进行排列。通过将已经完成测评的芯片，按照芯片性能等级由高至低或者由低至高的方式，将性能等级和型号信息一一对应进行存储，以便在完成全部芯片测评时输出统一的测评结果，供用户参考，提升了芯片测评操作的性能。

进一步的，作为图1方法的具体实现，本申请实施例提供了一种芯片性能的测评装置，如图3所示，该装置包括：配置模块31、触发模块32、确定模块33。

配置模块31，用于配置多种测试模式和与所述测试模式分别对应的处理模型，所述多种测试模式用于模拟芯片作业的不同场景，且所述测试模式至少包含有背景虚化、人脸识别、图片分类、自然语言问题解答和超分辨率；

触发模块32，用于触发所述芯片依次调用所述处理模型在相应的测试模式下执行处理，得到多个处理结果；

确定模块33，用于根据所述处理结果确定所述芯片的性能等级。

在具体的应用场景中，如图4所示，该装置还包括：比较模块34，用于将所述处理结果与参考因素进行比较，得到芯片的第一处理因子，所述第一处理因子用于表征芯片的处理精度；

计算模块35，用于计算芯片的第二处理因子，所述第二处理因子用于表征所述芯片的处理速度

在具体的应用场景中，如图4所示，所述确定模块33包括：

计算单元331，用于根据所述第一处理因子和所述第二处理因子，利用预置算法计算芯片的多个子分值，所述子分值用于标识芯片在各个所述测试模式下的处理性能；

确定单元332，用于根据所述子分值确定所述芯片的性能等级。

在具体的应用场景中，如图4所示，所述确定单元332：具体用于根据所述多个子分值计算几何平均值；

所述确定单元332，具体还用于根据预置关联表和所述几何平均值，确定所述芯片的性能等级，所述预置关联表内保存有几何平均值区间与芯片性能等级之间的映射关系。

在具体的应用场景中，如图4所示，该装置还包括：获取模块36，用于获取所述芯片的系统类型，所述系统类型为安卓系统或苹果系统；

所述触发模块32，具体用于触发所述芯片根据所述芯片的系统类型，依次调用所述处理模型在相应的测试模式下执行处理。

在具体的应用场景中，如图4所示，该装置还包括：存储模块37，

所述获取模块36，还用于获取所述芯片的型号信息；

所述存储模块37，用于将所述型号信息和所述芯片的性能等级按照预置规则存储在性能测试表中，所述性能测试表中按照一一对应的关系保存有多个芯片的型号信息和性能等级。

本申请提供的一种芯片性能的测评方法及装置，通过预先配置模拟芯片作业不同场景的测试模式和与测试模式对应的处理模型，以使得触发待测试芯片调用处理模型在相应的测试模式下执行处理操作，并根据得到的处理结果确定芯片的性能等级。本申请实施例基于全部芯片AI计算的应用场景，触发芯片利用一一对应的处理模型执行处理，进而根据多种测试模式下的多个处理结果评定芯片的性能等级，与现有技术中，只能针对芯片的图像识别和图像分割效处理效果进行测评，并根据这两项的测评结果衡量芯片的性能方式相比，本发明能够避免测评方式单一而导致的测评结果不够准确的问题，提升芯片AI计算能力测试的全面性，使得测评结果更加准确，从而提升了芯片性能测评的准确性。

需要说明的是，本申请实施例提供的一种芯片性能的测评装置所涉及各功能单元的其他相应描述，可以参考图1和图2中的对应描述，在此不再赘述。

基于上述如图1和图2所示方法，相应的，本申请实施例还提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述如图1和图2所示的芯片性能的测评方法。

基于这样的理解，本申请的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施场景所述的方法。

基于上述如图1、图2所示的方法，以及图3、图4所示的虚拟装置实施例，为了实现上述目的，本申请实施例还提供了一种实体电子设备，如图5所示，该电子设备具体可以为个人计算机、服务器、网络设备等，该计算机设备包括存储介质和处理器；存储介质，用于存储计算机程序；处理器，用于执行计算机程序以实现上述如图1和图2所示的芯片性能的测评方法。

可选地，该计算机设备还可以包括用户接口、网络接口、摄像头、射频(RadioFrequency，RF)电路，传感器、音频电路、WI-FI模块等等。用户接口可以包括显示屏(Display)、输入单元比如键盘(Keyboard)等，可选用户接口还可以包括USB接口、读卡器接口等。网络接口可选的可以包括标准的有线接口、无线接口(如蓝牙接口、WI-FI接口)等。

本领域技术人员可以理解，本实施例提供的一种计算机设备结构并不构成对该计算机设备的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件布置。

存储介质中还可以包括操作系统、网络通信模块。操作系统是管理和保存计算机设备硬件和软件资源的程序，支持信息处理程序以及其它软件和/或程序的运行。网络通信模块用于实现存储介质内部各组件之间的通信，以及与该实体设备中其它硬件和软件之间通信。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本申请可以借助软件加必要的通用硬件平台的方式来实现，也可以通过硬件实现通过配置多种测试模型和与各个测试模式分别对应的处理模型，并在对芯片性能进行测评之前，首先获取芯片的系统类型并根据系统类型触发调用与系统类型相对应的处理模型，以使得芯片在各个应用场景下模拟执行操作，并得到各个作业场景下分别对应的处理结果，然后对各个处理结果进行比较和计算，得到用于表征芯片处理精度和处理速度的处理因子，并根据一个或多个处理因子计算芯片在各个作业场景下对应的子分值，最后利用多个工作场景下的子分值计算几何平均值，并根据该几何平均值最终确定芯片性能等级。本申请实施例基于全部芯片AI计算的应用场景，触发芯片利用一一对应的处理模型执行处理，进而根据多种测试模式下的多个处理结果评定芯片的性能等级，与现有技术中，只能针对芯片的图像识别和图像分割效处理效果进行测评，并根据这两项的测评结果衡量芯片的性能方式相比，本发明能够避免测评方式单一而导致的测评结果不够准确的问题，提升芯片AI计算能力测试的全面性，使得测评结果更加准确，从而提升了芯片性能测评的准确性。

本领域技术人员可以理解附图只是一个优选实施场景的示意图，附图中的模块或流程并不一定是实施本申请所必须的。本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中，也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块，也可以进一步拆分成多个子模块。

上述本申请序号仅仅为了描述，不代表实施场景的优劣。以上公开的仅为本申请的几个具体实施场景，但是，本申请并非局限于此，任何本领域的技术人员能思之的变化都应落入本申请的保护范围。

Claims (10)

1.一种芯片性能的测评方法，其特征在于，包括：

配置多种测试模式和与所述测试模式分别对应的处理模型，所述多种测试模式用于模拟芯片作业的不同场景，且所述测试模式至少包含有背景虚化、人脸识别、图片分类、自然语言问题解答和超分辨率；

触发所述芯片依次调用所述处理模型在相应的测试模式下执行处理，得到多个处理结果；

根据所述处理结果确定所述芯片的性能等级。

2.根据权利要求1所述的方法，其特征在于，在所述触发所述芯片依次调用所述处理模型在相应的测试模式下执行处理，得到多个处理结果之后，所述方法还包括：

将所述处理结果与参考因素进行比较，得到芯片的第一处理因子，所述第一处理因子用于表征芯片的处理精度；

计算芯片的第二处理因子，所述第二处理因子用于表征所述芯片的处理速度。

3.根据权利要求2所述的方法，其特征在于，所述根据所述处理结果确定所述芯片的性能等级包括：

根据所述第一处理因子和所述第二处理因子，利用预置算法计算芯片的多个子分值，所述子分值用于标识芯片在各个所述测试模式下的处理性能；

根据所述子分值确定所述芯片的性能等级。

4.根据权利要求3所述的方法，其特征在于，所述根据所述子分值确定所述芯片的性能等级包括：

根据所述多个子分值计算几何平均值；

根据预置关联表和所述几何平均值，确定所述芯片的性能等级，所述预置关联表内保存有几何平均值区间与芯片性能等级之间的映射关系。

5.根据权利要求1至4中任一项所述的方法，其特征在于，在所述触发所述芯片依次调用所述处理模型在相应的测试模式下执行处理之前，所述方法还包括：

获取所述芯片的系统类型，所述系统类型为安卓系统或苹果系统；

所述触发所述芯片依次调用所述处理模型在相应的测试模式下执行处理包括：

触发所述芯片根据所述芯片的系统类型，依次调用所述处理模型在相应的测试模式下执行处理。

6.根据权利要求1至5中任一项所述的方法，其特征在于，所述根据所述处理结果确定所述芯片的性能等级之后，所述方法还包括：

获取所述芯片的型号信息；

将所述型号信息和所述芯片的性能等级按照预置规则存储在性能测试表中，所述性能测试表中按照一一对应的关系保存有多个芯片的型号信息和性能等级。

7.一种芯片性能的测评装置，其特征在于，包括：

配置模块，用于配置多种测试模式和与所述测试模式分别对应的处理模型，所述多种测试模式用于模拟芯片作业的不同场景，且所述测试模式至少包含有背景虚化、人脸识别、图片分类、自然语言问题解答和超分辨率；

触发模块，用于触发所述芯片依次调用所述处理模型在相应的测试模式下执行处理，得到多个处理结果；

确定模块，用于根据所述处理结果确定所述芯片的性能等级。

8.一种存储介质，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时实现权利要求1至6中任一项所述的芯片性能的测评方法。

9.一种计算机设备，包括存储介质、处理器及存储在存储介质上并可在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程序时实现权利要求1至6中任一项所述的芯片性能的测评方法。

10.一种计算机程序产品，包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，其特征在于，当该程序指令被计算机执行时，使该计算机执行前述任一权利要求1至6中任一项所述的芯片性能的测评方法。

Images