CN117314728B - 一种gpu运行调控方法及系统 - Google Patents
一种gpu运行调控方法及系统 Download PDFInfo
- Publication number
- CN117314728B CN117314728B CN202311610064.9A CN202311610064A CN117314728B CN 117314728 B CN117314728 B CN 117314728B CN 202311610064 A CN202311610064 A CN 202311610064A CN 117314728 B CN117314728 B CN 117314728B
- Authority
- CN
- China
- Prior art keywords
- value
- image
- gpu
- processed
- image set
- 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
- 238000000034 method Methods 0.000 title claims abstract description 80
- 238000012545 processing Methods 0.000 claims abstract description 64
- 238000010586 diagram Methods 0.000 claims abstract description 18
- 238000000605 extraction Methods 0.000 claims description 80
- 238000005070 sampling Methods 0.000 claims description 60
- 230000002159 abnormal effect Effects 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 20
- 238000004458 analytical method Methods 0.000 claims description 16
- 238000012544 monitoring process Methods 0.000 claims description 3
- 230000001276 controlling effect Effects 0.000 claims 1
- 230000001105 regulatory effect Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/20—Processor architectures; Processor configuration, e.g. pipelining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
-
- 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 Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及GPU智能控制技术领域，具体公开了一种GPU运行调控方法及系统，所述方法包括获取待处理图像集，在所述待处理图像集中抽取图像，并对抽取到的图像进行灰度处理，得到单值图像集；遍历单值图像集，计算各个单值图像的核心度；基于所述核心度选取单值图像，并在待处理图像集中提取目标图像，输入GPU，同步记录GPU的运行参数；基于所述顺序标签统计运行参数，得到GPU的运行时序图。本发明将重要性更高的图像输入GPU，处理并记录处理参数，将处理参数直接应用至其他图像中，提供了一种由点及面的替代方案，在降低一定处理效果的基础上，极大地降低了数据处理量，缓解了GPU处理压力，并提高了GPU处理效率。
Description
技术领域
本发明涉及GPU智能控制技术领域，具体是一种GPU运行调控方法及系统。
背景技术
GPU是图形处理器（Graphics Processing Unit）的缩写，它是一种专门用于处理图形渲染任务的处理器。在计算机中，GPU与CPU协同工作，负责处理图形数据，并将其转化为可以在屏幕上显示的图像。
随着视觉需求的增长，GPU的应用场景越来越多，工作量越来越大，这使得效率问题愈发重要，现有的GPU对于每个待处理的图像均进行无差别的处理，GPU性能越高，处理结果越优秀，实际上，GPU的处理能力是有限的，无差别处理在面对大量数据时，有些力不从心，如何优化GPU在有限处理能力下的图像处理过程是本申请想要解决的技术问题。
发明内容
本发明的目的在于提供一种GPU运行调控方法及系统，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种GPU运行调控方法，所述方法包括：
获取待处理图像集，在所述待处理图像集中抽取图像，并对抽取到的图像进行灰度处理，得到单值图像集；其中，抽取过程保留顺序标签；
遍历单值图像集，计算各个单值图像的核心度；所述核心度由当前图像的数据量和当前图像与其他图像的相似度确定；
基于所述核心度选取单值图像，查询选取到的单值图像的顺序标签；
根据顺序标签在待处理图像集中提取目标图像，输入GPU，同步记录GPU的运行参数；
基于所述顺序标签统计运行参数，得到GPU的运行时序图；所述运行时序图用于表征GPU在不同时刻以何种参数进行工作。
作为本发明进一步的方案：所述获取待处理图像集，在所述待处理图像集中抽取图像，并对抽取到的图像进行灰度处理，得到单值图像集的步骤包括：
获取待处理图像集，确定采样点占比；所述采样点占比与当前GPU的占用率呈反比；
根据所述采样点占比确定采样点坐标，基于采样点坐标读取并统计各个待处理图像集中的像素点色值，得到以采样点坐标为索引的色值组；其中，所述采样点均匀分布；
依次对各个色值组进行分析，基于分析结果确定提取点位；
根据提取点位在所述待处理图像集中抽取图像，并对抽取到的图像进行灰度处理，得到单值图像集。
作为本发明进一步的方案：所述依次对各个色值组进行分析，基于分析结果确定提取点位的步骤包括：
依次读取色值组，根据顺序读取色值组中的色值，计算色值均值，基于色值均值计算异常色值的数量；其中，所述异常色值是与色值均值的绝对差值大于预设的数值的色值；
当所述数量达到预设的数量条件时，将最后读取到的色值的位置作为提取点位，并以提取点位为起点循环执行，直至所有色值遍历完成；
统计所有色值组对应的提取点位，基于管理方输入的合并距离合并提取点位，作为最终提取点位。
作为本发明进一步的方案：所述遍历单值图像集，计算各个单值图像的核心度的步骤包括：
遍历单值图像集，计算各个单值图像的信息熵；
查询单值图像与相邻单值图像的顺序距离；所述顺序距离为顺序标签的差异；
根据所述信息熵和顺序距离计算各个单值图像的核心度；
其中，所述信息熵的计算过程为：；；
式中，为信息熵，/>为图像中/>的发生的概率，/>为特征二元组/>出现的次数，i表示像素的灰度值,j表示邻域灰度均值，/>，/>为3*3图像单元中的8个邻点，W和H为图像尺寸；
核心度的计算过程为：；式中，I为核心度，/>和/>为修正系数，为顺序距离。
作为本发明进一步的方案：所述基于所述核心度选取单值图像，查询选取到的单值图像的顺序标签的步骤包括：
将所述核心度与预设的核心阈值进行比对；
当所述核心度达到预设的核心度阈值时，选取单值图像；
查询选取到的单值图像对应的顺序标签。
作为本发明进一步的方案：所述方法还包括：
根据预设的监听端口实时记录各个图像的处理时长；
对所述处理时长进行波动识别，根据波动识别结果标记异常时长；
根据所述异常时长的时长占比更新提取点位的确定过程；其中，更新方式包括提高采样点占比和降低合并距离。
本发明技术方案还提供了一种GPU运行调控系统，所述系统包括：
图像抽取模块，用于获取待处理图像集，在所述待处理图像集中抽取图像，并对抽取到的图像进行灰度处理，得到单值图像集；其中，抽取过程保留顺序标签；
核心度计算模块，用于遍历单值图像集，计算各个单值图像的核心度；所述核心度由当前图像的数据量和当前图像与其他图像的相似度确定；
图像选取模块，用于基于所述核心度选取单值图像，查询选取到的单值图像的顺序标签；
运行参数记录模块，用于根据顺序标签在待处理图像集中提取目标图像，输入GPU，同步记录GPU的运行参数；
运行参数统计模块，用于基于所述顺序标签统计运行参数，得到GPU的运行时序图；所述运行时序图用于表征GPU在不同时刻以何种参数进行工作。
作为本发明进一步的方案：所述图像抽取模块包括：
占比确定单元，用于获取待处理图像集，确定采样点占比；所述采样点占比与当前GPU的占用率呈反比；
色值统计单元，用于根据所述采样点占比确定采样点坐标，基于采样点坐标读取并统计各个待处理图像集中的像素点色值，得到以采样点坐标为索引的色值组；其中，所述采样点均匀分布；
色值分析单元，用于依次对各个色值组进行分析，基于分析结果确定提取点位；
灰度处理单元，用于根据提取点位在所述待处理图像集中抽取图像，并对抽取到的图像进行灰度处理，得到单值图像集。
作为本发明进一步的方案：所述色值分析单元包括：
均值应用子单元，用于依次读取色值组，根据顺序读取色值组中的色值，计算色值均值，基于色值均值计算异常色值的数量；其中，所述异常色值是与色值均值的绝对差值大于预设的数值的色值；
遍历子单元，用于当所述数量达到预设的数量条件时，将最后读取到的色值的位置作为提取点位，并以提取点位为起点循环执行，直至所有色值遍历完成；
点位合并子单元，用于统计所有色值组对应的提取点位，基于管理方输入的合并距离合并提取点位，作为最终提取点位。
作为本发明进一步的方案：所述核心度计算模块包括：
信息熵计算单元，用于遍历单值图像集，计算各个单值图像的信息熵；
顺序距离查询单元，用于查询单值图像与相邻单值图像的顺序距离；所述顺序距离为顺序标签的差异；
执行单元，用于根据所述信息熵和顺序距离计算各个单值图像的核心度；
其中，所述信息熵的计算过程为：；；
式中，为信息熵，/>为图像中/>的发生的概率，/>为特征二元组/>出现的次数，i表示像素的灰度值,j表示邻域灰度均值，/>，/>为3*3图像单元中的8个邻点，W和H为图像尺寸；
核心度的计算过程为：；式中，I为核心度，/>和/>为修正系数，为顺序距离。
与现有技术相比，本发明的有益效果是：本发明通过重复度识别降低数据处理量，结合重复度识别结果和信息量判定过程选取出重要性更高的图像，将重要性更高的图像输入GPU，处理并记录处理参数，将处理参数直接应用至其他图像中，提供了一种由点及面的替代方案，在降低一定处理效果的基础上，极大地降低了数据处理量，缓解了GPU处理压力，并提高了GPU处理效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例。
图1为GPU运行调控方法的流程框图。
图2为GPU运行调控方法的第一子流程框图。
图3为GPU运行调控方法的第二子流程框图。
图4为GPU运行调控方法的第三子流程框图。
图5为GPU运行调控系统的组成结构框图。
实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
图1为GPU运行调控方法的流程框图，本发明实施例中，一种GPU运行调控方法，所述方法包括：
步骤S100：获取待处理图像集，在所述待处理图像集中抽取图像，并对抽取到的图像进行灰度处理，得到单值图像集；其中，抽取过程保留顺序标签；
GPU是图形处理器（Graphics Processing Unit）的缩写，它是一种专门用于处理图形渲染任务的处理器，它处理的对象是图像，本申请将处理的对象限定为待处理图像集，也即，无论是视频还是其他格式，都要先转换为图像集，进而进行后续的处理。
在获取到待处理图像集的基础上，对待处理图像集进行分析，可以抽取到一些图像，抽取过程相当于降低数据量，其原因在于，待处理图像集中的图像有大量的重复图像，或者相邻图像的差异极小，对所有图像进行处理，运算量极大，因此，需要在待处理图像集中抽取部分图像。
实际上，本申请的目的就是，提取少部分核心图像，然后基于核心图像的GPU运行参数对其他图像进行处理，优化GPU对图像的识别过程，相当于直接进行图像处理；上述图像抽取过程，即可视为提取核心图像的一个步骤。
步骤S200：遍历单值图像集，计算各个单值图像的核心度；所述核心度由当前图像的数据量和当前图像与其他图像的相似度确定；
将抽取到的待处理图像进行灰度转换，得到灰度图像，由于灰度图像中的色值为单一色值，因此称为单值图像；计算单值图像中的数据量以及它与相邻图像的相似度，可以判断该图像的核心程度，在本发明技术方案的一个实例中，数据量越大，与其相似的图像数量越多，核心度越高。
步骤S300：基于所述核心度选取单值图像，查询选取到的单值图像的顺序标签；
由步骤S200计算出的核心度，可以在多个单值图像中选取某些单值图像，其对应的待处理图像就是核心图像。在这一过程中，图像的顺序标签需要记录，用于确定各个图像间的对应关系；关于顺序标签，其中一个示例为：
如果待处理图像集由视频转换得到，那么顺序标签可以直接采集图像对应的时间标签。
步骤S400：根据顺序标签在待处理图像集中提取目标图像，输入GPU，同步记录GPU的运行参数；
由顺序标签在待处理图像集中提取目标图像，输入GPU，此时，GPU先对这些图像进行处理，处理过程采用常规处理过程，也即，对整个图像进行识别，然后根据识别结果进行处理（GPU基础功能），然后，记录GPU对这些图像的处理过程（GPU的运行参数）。
步骤S500：基于所述顺序标签统计运行参数，得到GPU的运行时序图；所述运行时序图用于表征GPU在不同时刻以何种参数进行工作；
经过步骤S400之后，会得到GPU的多个运行参数，也即，在不同顺序标签处的运行参数，为了便于说明，将含有运行参数的顺序标签称为基准标签；然后，依次查询待处理图像集中各图像的顺序标签，查询与其最近的基准标签，将基准标签的运行参数作为当前查询到的顺序标签的运行参数，当遍历完成后，可以确定每个顺序标签的运行参数，称为GPU的运行时序图。
图2为GPU运行调控方法的第一子流程框图，所述获取待处理图像集，在所述待处理图像集中抽取图像，并对抽取到的图像进行灰度处理，得到单值图像集的步骤包括：
步骤S101：获取待处理图像集，确定采样点占比；所述采样点占比与当前GPU的占用率呈反比；
待处理图像集中的图像尺寸默认相同（以视频为例），获取GPU的占用率，如果占用率越高，那么对当前待处理图像集的资源投入量就会更少，此时，采样点占比就要选取的低一些，处理的数据量更少，处理速度更高；关于采样点占比，就是采样点数量占图像像素点总数的比例。
步骤S102：根据所述采样点占比确定采样点坐标，基于采样点坐标读取并统计各个待处理图像集中的像素点色值，得到以采样点坐标为索引的色值组；其中，所述采样点均匀分布；
根据采样点占比和图像像素点总数计算采样点数量，让采样点均匀分布（各采样点的距离相同），即可得到各个采样点的采样点坐标，在每个待处理图像中查询采样点坐标处的像素点色值，可以得到由色值组成的数组，称为色值组，每个采样点坐标都对应一个色值组，因此，色值组以采样点坐标为索引。
步骤S103：依次对各个色值组进行分析，基于分析结果确定提取点位；
对每个采样点坐标处的色值组进行分析，可以选取出重复度较小的多个图像，这此图像对应顺序标签，称为提取点位。
步骤S104：根据提取点位在所述待处理图像集中抽取图像，并对抽取到的图像进行灰度处理，得到单值图像集；
由提取点位读取图像，并进行灰度处理，保留原有的排列顺序，得到的图像集称为单值图像集。
作为本发明技术方案的一个优选实施例，所述依次对各个色值组进行分析，基于分析结果确定提取点位的步骤包括：
依次读取色值组，根据顺序读取色值组中的色值，计算色值均值，基于色值均值计算异常色值的数量；其中，所述异常色值是与色值均值的绝对差值大于预设的数值的色值；
当所述数量达到预设的数量条件时，将最后读取到的色值的位置作为提取点位，并以提取点位为起点循环执行，直至所有色值遍历完成；
统计所有色值组对应的提取点位，基于管理方输入的合并距离合并提取点位，作为最终提取点位。
上述内容对提取点位的确定过程进行了具体的限定，其目的在于，选取出重复度较低的多个图像，重复度的评价标准就是色值是否相近或相同。
在本发明技术方案的一个实例中，已经提取到了每个采样点坐标处的色值组，对每个色值组进行单独分析，分析过程为：根据顺序依次读取色值，并实时计算均值，如果各个图像之间是相似的，那么均值几乎不变，各个色值与均值的差异很小，此时，不断地读取下一个色值，直到有多个色值与均值的差异较大，一般情况下，如果有超过三个的色值较大，即可停止此次读取过程，并以最后读取的色值对应的顺序标签作为提取点位，不断重复此过程，即可对色值组进行分段。
对每个色值组进行分析后，可以得到各个采样点坐标处的分段情况，每个分段情况都是多个提取点位的集合，将相近的提取点位合并起来，可以得到最终的提取点位，由于这种方式对所有像素点进行分析，因此，即使很小的差异，也会被视为两个不同的图像，尽量的降低数据的失真度。
图3为GPU运行调控方法的第二子流程框图，所述遍历单值图像集，计算各个单值图像的核心度的步骤包括：
步骤S201：遍历单值图像集，计算各个单值图像的信息熵；
步骤S202：查询单值图像与相邻单值图像的顺序距离；所述顺序距离为顺序标签的差异；
步骤S203：根据所述信息熵和顺序距离计算各个单值图像的核心度；
其中，所述信息熵的计算过程为：；；
式中，为信息熵，/>为图像中/>的发生的概率，/>为特征二元组/>出现的次数，i表示像素的灰度值,j表示邻域灰度均值，/>，/>为3*3图像单元中的8个邻点，W和H为图像尺寸；
核心度的计算过程为：；式中，I为核心度，/>和/>为修正系数，为顺序距离。
在本发明技术方案的一个实例中，在已经生成单值图像集的基础上（第一次筛选后），计算每个单值图像的数据量以及它与周围图像的相似情况，根据数据量和相似度确定各个单值图像的重要性，所述重要性由核心度这一参数表示。
具体的，所述数据量由信息熵表示，信息熵是图像特征的一种统计形式,反映了图像中平均信息量的多少,能够反映图像各像素点的分布复杂程度，将其作为数据量，契合度极高，进一步的，每个单值图像由提取点位选取得到，提取点位的生成依据就是相邻图像的相似度，提取点位与相邻的提取点位的距离越大，说明它代表的图像越多，相应的，重要性也越高，由此，核心度与信息熵呈正比，与顺序距离也呈正比，而顺序距离与信息熵两者是相互独立的，因此，采用和式计算核心度。
图4为GPU运行调控方法的第三子流程框图，所述基于所述核心度选取单值图像，查询选取到的单值图像的顺序标签的步骤包括：
步骤S301：将所述核心度与预设的核心阈值进行比对；
步骤S302：当所述核心度达到预设的核心度阈值时，选取单值图像；
步骤S303：查询选取到的单值图像对应的顺序标签。
在本发明技术方案的一个实例中，提供了一种根据核心度查询顺序标签的方案，这一过程非常简单，如果核心度足够高（达到预设的核心度阈值），那么选取对应的单值图像，并查询顺序标签即可。这一过程的隐性限定为，顺序标签在图像处理过程中一直保留。
作为本发明技术方案的一个优选实施例，所述方法还包括：
根据预设的监听端口实时记录各个图像的处理时长；
对所述处理时长进行波动识别，根据波动识别结果标记异常时长；
根据所述异常时长的时长占比更新提取点位的确定过程；其中，更新方式包括提高采样点占比和降低合并距离。
在本发明技术方案的一个实例中，对上述技术方案进行了补充限定，由于本申请最终实际的功能是将GPU对某些比较重要的图像的处理过程应用到其周围的图像上，从而降低GPU的工作量，在这一过程中，由于缺失了实时地GPU识别过程，对图像的处理过程可能存在报错，一经报错，GPU就会重新对图像进行处理，此时，处理时长较长，因此，监听图像的处理时长，根据其波动特征（处理时长及其导数），可以确定异常的图像，处理时长越长，异常越严重，此时，GPU可以适当地提高采样点占比和降低合并距离，这两种操作的功能是提高提取点位的数量，此时，会让GPU记录更多的运行参数，运行时序图更加精细，异常概率更小，这是一种负反馈优化方案，用于提高整个过程的鲁棒性。
图5为GPU运行调控系统的组成结构框图，本发明实施例中，一种GPU运行调控系统，所述系统10包括：
图像抽取模块11，用于获取待处理图像集，在所述待处理图像集中抽取图像，并对抽取到的图像进行灰度处理，得到单值图像集；其中，抽取过程保留顺序标签；
核心度计算模块12，用于遍历单值图像集，计算各个单值图像的核心度；所述核心度由当前图像的数据量和当前图像与其他图像的相似度确定；
图像选取模块13，用于基于所述核心度选取单值图像，查询选取到的单值图像的顺序标签；
运行参数记录模块14，用于根据顺序标签在待处理图像集中提取目标图像，输入GPU，同步记录GPU的运行参数；
运行参数统计模块15，用于基于所述顺序标签统计运行参数，得到GPU的运行时序图；所述运行时序图用于表征GPU在不同时刻以何种参数进行工作。
进一步的，所述图像抽取模块11包括：
占比确定单元，用于获取待处理图像集，确定采样点占比；所述采集点占比与当前GPU的占用率呈反比；
色值统计单元，用于根据所述采样点占比确定采样点坐标，基于采样点坐标读取并统计各个待处理图像集中的像素点色值，得到以采样点坐标为索引的色值组；其中，所述采样点均匀分布；
色值分析单元，用于依次对各个色值组进行分析，基于分析结果确定提取点位；
灰度处理单元，用于根据提取点位在所述待处理图像集中抽取图像，并对抽取到的图像进行灰度处理，得到单值图像集。
具体的，所述色值分析单元包括：
均值应用子单元，用于依次读取色值组，根据顺序读取色值组中的色值，计算色值均值，基于色值均值计算异常色值的数量；其中，所述异常色值是与色值均值的绝对差值大于预设的数值的色值；
遍历子单元，用于当所述数量达到预设的数量条件时，将最后读取到的色值的位置作为提取点位，并以提取点位为起点循环执行，直至所有色值遍历完成；
点位合并子单元，用于统计所有色值组对应的提取点位，基于管理方输入的合并距离合并提取点位，作为最终提取点位。
更进一步的，所述核心度计算模块12包括：
信息熵计算单元，用于遍历单值图像集，计算各个单值图像的信息熵；
顺序距离查询单元，用于查询单值图像与相邻单值图像的顺序距离；所述顺序距离为顺序标签的差异；
执行单元，用于根据所述信息熵和顺序距离计算各个单值图像的核心度；
其中，所述信息熵的计算过程为：；；式中，/>为信息熵，/>为图像中/>的发生的概率，/>为特征二元组/>出现的次数，i表示像素的灰度值,j表示邻域灰度均值，/>，为3*3图像单元中的8个邻点，W和H为图像尺寸；
核心度的计算过程为：；式中，I为核心度，/>和/>为修正系数，为顺序距离。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种GPU运行调控方法，其特征在于，所述方法包括：
获取待处理图像集，在所述待处理图像集中抽取图像，并对抽取到的图像进行灰度处理，得到单值图像集；其中，抽取过程保留顺序标签；
遍历单值图像集，计算各个单值图像的核心度；所述核心度由当前图像的数据量和当前图像与其他图像的相似度确定；
基于所述核心度选取单值图像，查询选取到的单值图像的顺序标签；
根据顺序标签在待处理图像集中提取目标图像，输入GPU，同步记录GPU的运行参数；
基于所述顺序标签统计运行参数，得到GPU的运行时序图；所述运行时序图用于表征GPU在不同时刻以何种参数进行工作；
所述遍历单值图像集，计算各个单值图像的核心度的步骤包括：
遍历单值图像集，计算各个单值图像的信息熵；
查询单值图像与相邻单值图像的顺序距离；所述顺序距离为顺序标签的差异；
根据所述信息熵和顺序距离计算各个单值图像的核心度；
其中，所述信息熵的计算过程为：；；式中，/>为信息熵，/>为图像中/>的发生的概率，/>为特征二元组/>出现的次数，i表示像素的灰度值,j表示邻域灰度均值，/>，为3*3图像单元中的8个邻点，W和H为图像尺寸；
核心度的计算过程为：；式中，I为核心度，/>和/>为修正系数，/>为顺序距离。
2.根据权利要求1所述的GPU运行调控方法，其特征在于，所述获取待处理图像集，在所述待处理图像集中抽取图像，并对抽取到的图像进行灰度处理，得到单值图像集的步骤包括：
获取待处理图像集，确定采样点占比；所述采样点占比与当前GPU的占用率呈反比；
根据所述采样点占比确定采样点坐标，基于采样点坐标读取并统计各个待处理图像集中的像素点色值，得到以采样点坐标为索引的色值组；其中，所述采样点均匀分布；
依次对各个色值组进行分析，基于分析结果确定提取点位；
根据提取点位在所述待处理图像集中抽取图像，并对抽取到的图像进行灰度处理，得到单值图像集。
3.根据权利要求2所述的GPU运行调控方法，其特征在于，所述依次对各个色值组进行分析，基于分析结果确定提取点位的步骤包括：
依次读取色值组，根据顺序读取色值组中的色值，计算色值均值，基于色值均值计算异常色值的数量；其中，所述异常色值是与色值均值的绝对差值大于预设的数值的色值；
当所述数量达到预设的数量条件时，将最后读取到的色值的位置作为提取点位，并以提取点位为起点循环执行，直至所有色值遍历完成；
统计所有色值组对应的提取点位，基于管理方输入的合并距离合并提取点位，作为最终提取点位。
4.根据权利要求1所述的GPU运行调控方法，其特征在于，所述基于所述核心度选取单值图像，查询选取到的单值图像的顺序标签的步骤包括：
将所述核心度与预设的核心阈值进行比对；
当所述核心度达到预设的核心度阈值时，选取单值图像；
查询选取到的单值图像对应的顺序标签。
5.根据权利要求3所述的GPU运行调控方法，其特征在于，所述方法还包括：
根据预设的监听端口实时记录各个图像的处理时长；
对所述处理时长进行波动识别，根据波动识别结果标记异常时长；
根据所述异常时长的时长占比更新提取点位的确定过程；其中，更新方式包括提高采样点占比和降低合并距离。
6.一种GPU运行调控系统，其特征在于，所述系统包括：
图像抽取模块，用于获取待处理图像集，在所述待处理图像集中抽取图像，并对抽取到的图像进行灰度处理，得到单值图像集；其中，抽取过程保留顺序标签；
核心度计算模块，用于遍历单值图像集，计算各个单值图像的核心度；所述核心度由当前图像的数据量和当前图像与其他图像的相似度确定；
图像选取模块，用于基于所述核心度选取单值图像，查询选取到的单值图像的顺序标签；
运行参数记录模块，用于根据顺序标签在待处理图像集中提取目标图像，输入GPU，同步记录GPU的运行参数；
运行参数统计模块，用于基于所述顺序标签统计运行参数，得到GPU的运行时序图；所述运行时序图用于表征GPU在不同时刻以何种参数进行工作；
所述核心度计算模块包括：
信息熵计算单元，用于遍历单值图像集，计算各个单值图像的信息熵；
顺序距离查询单元，用于查询单值图像与相邻单值图像的顺序距离；所述顺序距离为顺序标签的差异；
执行单元，用于根据所述信息熵和顺序距离计算各个单值图像的核心度；
其中，所述信息熵的计算过程为：；；式中，/>为信息熵，/>为图像中/>的发生的概率，/>为特征二元组/>出现的次数，i表示像素的灰度值,j表示邻域灰度均值，/>，为3*3图像单元中的8个邻点，W和H为图像尺寸；
核心度的计算过程为：；式中，I为核心度，/>和/>为修正系数，/>为顺序距离。
7.根据权利要求6所述的GPU运行调控系统，其特征在于，所述图像抽取模块包括：
占比确定单元，用于获取待处理图像集，确定采样点占比；所述采样点占比与当前GPU的占用率呈反比；
色值统计单元，用于根据所述采样点占比确定采样点坐标，基于采样点坐标读取并统计各个待处理图像集中的像素点色值，得到以采样点坐标为索引的色值组；其中，所述采样点均匀分布；
色值分析单元，用于依次对各个色值组进行分析，基于分析结果确定提取点位；
灰度处理单元，用于根据提取点位在所述待处理图像集中抽取图像，并对抽取到的图像进行灰度处理，得到单值图像集。
8.根据权利要求7所述的GPU运行调控系统，其特征在于，所述色值分析单元包括：
均值应用子单元，用于依次读取色值组，根据顺序读取色值组中的色值，计算色值均值，基于色值均值计算异常色值的数量；其中，所述异常色值是与色值均值的绝对差值大于预设的数值的色值；
遍历子单元，用于当所述数量达到预设的数量条件时，将最后读取到的色值的位置作为提取点位，并以提取点位为起点循环执行，直至所有色值遍历完成；
点位合并子单元，用于统计所有色值组对应的提取点位，基于管理方输入的合并距离合并提取点位，作为最终提取点位。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311610064.9A CN117314728B (zh) | 2023-11-29 | 2023-11-29 | 一种gpu运行调控方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311610064.9A CN117314728B (zh) | 2023-11-29 | 2023-11-29 | 一种gpu运行调控方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117314728A CN117314728A (zh) | 2023-12-29 |
| CN117314728B true CN117314728B (zh) | 2024-03-12 |
Family
ID=89274078
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311610064.9A Active CN117314728B (zh) | 2023-11-29 | 2023-11-29 | 一种gpu运行调控方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117314728B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110109813A (zh) * | 2019-05-13 | 2019-08-09 | 北京达佳互联信息技术有限公司 | 用于gpu性能的信息确定方法、装置、终端及存储介质 |
| CN115543746A (zh) * | 2022-10-09 | 2022-12-30 | 苏州浪潮智能科技有限公司 | 图形处理器监测方法、系统、装置及电子设备 |
| CN116739884A (zh) * | 2023-08-16 | 2023-09-12 | 北京蓝耘科技股份有限公司 | 基于cpu与gpu协作的计算方法 |
| CN116757915A (zh) * | 2023-08-16 | 2023-09-15 | 北京蓝耘科技股份有限公司 | 一种集群gpu资源调度方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114490082A (zh) * | 2022-02-14 | 2022-05-13 | 腾讯科技（深圳）有限公司 | 图形处理器资源管理方法、装置、设备和存储介质 |
-
2023
- 2023-11-29 CN CN202311610064.9A patent/CN117314728B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110109813A (zh) * | 2019-05-13 | 2019-08-09 | 北京达佳互联信息技术有限公司 | 用于gpu性能的信息确定方法、装置、终端及存储介质 |
| CN115543746A (zh) * | 2022-10-09 | 2022-12-30 | 苏州浪潮智能科技有限公司 | 图形处理器监测方法、系统、装置及电子设备 |
| CN116739884A (zh) * | 2023-08-16 | 2023-09-12 | 北京蓝耘科技股份有限公司 | 基于cpu与gpu协作的计算方法 |
| CN116757915A (zh) * | 2023-08-16 | 2023-09-15 | 北京蓝耘科技股份有限公司 | 一种集群gpu资源调度方法 |
Non-Patent Citations (1)
| Title |
|---|
| 面向GPU并行编程的线程同步综述;高岚 等;《软件学报》;第1-20页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117314728A (zh) | 2023-12-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111524137B (zh) | 基于图像识别的细胞识别计数方法、装置和计算机设备 | |
| CN114581388A (zh) | 接触网零部件缺陷检测方法及装置 | |
| CN112529004A (zh) | 智能图像识别方法、装置、计算机设备及存储介质 | |
| CN112419202B (zh) | 基于大数据及深度学习的野生动物图像自动识别系统 | |
| CN116863253B (zh) | 基于大数据分析的运维风险预警方法 | |
| CN113439227B (zh) | 放大图像的捕获和存储 | |
| CN112651953A (zh) | 图片相似度计算方法、装置、计算机设备及存储介质 | |
| CN113657225B (zh) | 一种目标检测方法 | |
| CN117314728B (zh) | 一种gpu运行调控方法及系统 | |
| CN116994721B (zh) | 一种数字病理切片图的快速处理系统 | |
| CN110378299B (zh) | 一种室内灯光条件下的衣着识别系统 | |
| KR102005952B1 (ko) | 기계학습 모델링에서 잡음 데이터 제거를 위한 데이터 정제 장치 및 방법 | |
| CN116403200A (zh) | 基于硬件加速的车牌实时识别系统 | |
| CN114511862B (zh) | 表格识别方法、装置及电子设备 | |
| CN113840135B (zh) | 色偏检测方法、装置、设备及存储介质 | |
| CN115620321A (zh) | 表格识别方法及装置、电子设备和存储介质 | |
| CN114201999A (zh) | 异常账号的识别方法、系统、计算设备及存储介质 | |
| CN111242047A (zh) | 图像处理方法和装置、电子设备及计算机可读存储介质 | |
| CN114627486B (zh) | 电力图纸组成分析方法及系统 | |
| CN117437496B (zh) | 基于机器视觉的电脑一体机良率检测方法及系统 | |
| CN115439537A (zh) | 一种数据处理方法及装置 | |
| CN115713501B (zh) | 适用于摄像头模糊画面的检测处理方法及系统 | |
| CN117710235B (zh) | 图像目标增强方法、装置、计算机设备和存储介质 | |
| JP5402417B2 (ja) | 画像処理装置 | |
| CN111861953A (zh) | 一种基于图像处理的智能控制系统及方法 |
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 |