[發明專利]基于場景文件參數預估硬件配置的模型建立方法、裝置

有效

• 申請號: 202111156739.8
• 申請日: 2021-09-30
• 公開（公告）號: CN113850023B
• 公開（公告）日: 2022-11-29
• 發明（設計）人: 陳勇
• 申請（專利權）人: 深圳市瑞云科技有限公司
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F119/02
• 代理公司: 北京維正專利代理有限公司 11508
• 代理人: 朱鵬程

1.一種基于場景文件參數預估硬件配置的模型建立方法，其特征在于，包括以下步驟：

建立神經網絡模型，所述神經網絡模型包括線性層和激活函數層，其中，所述線性層至少有兩層，相鄰的兩層線性層之間設置一層所述激活函數層；

確定場景文件對應的特征，所述特征包括3d場景文件大小、場景資產大小、場景占用內存峰值、場景中面數、場景中點數、場景中是否包含動力學計算、場景中是否使用到粒子系統、場景中是否包含光線焦散、場景中燈光細分值、抗鋸齒精度、材質類型和分辨率；

基于場景文件參數獲取特征數據，并利用所述特征數據對所述神經網絡模型進行訓練：轉換所述特征數據為張量，將張量輸入神經網絡模型中；

在第一線性層中對所述張量進行增維及不同權重的計算，以得到所述第一線性層的輸出量，其中，所述輸出量不超過預設的輸出量閾值范圍；

在第二線性層中對所述輸出量進行減維處理，以得到特征數組，其中，所述第二線性層為除第一線性層以外的其它線性層及激活函數層；

獲取特征數組中的最大值，以及該最大值在特征數組中的位置；

將最大值的位置與硬件配置分類表進行匹配，以得到相應的預測分類；

計算預測分類和真實分類的損失值，根據損失值利用梯度下降法，對神經網絡模型的參數進行調優并更新；

重復上述步驟，直至完成神經網絡模型的訓練。

2.根據權利要求1所述的基于場景文件參數預估硬件配置的模型建立方法，其特征在于，所述線性層有四層，第一層線性層的維度是1024，第二層線性層的維度是512，第三層線性層的維度是128，第四層線性層的維度是8。

3.根據權利要求1所述的基于場景文件參數預估硬件配置的模型建立方法，其特征在于，所述硬件配置分類表中將硬件配置分為8類，硬件配置包括RAM、CPU和GPU，渲染場景中，若RAM小于64G，則RAM屬于low，否則RAM屬于high；若CPU小于3.5ghz，則CPU屬于low，否則CPU屬于high；若GPU小于1080ti，則GPU屬于low，否則GPU屬于high。

4.一種基于場景文件參數預估硬件配置的模型建立裝置，其特征在于，包括：

建立模塊：用于建立神經網絡模型，所述神經網絡模型包括線性層和激活函數層，其中，所述線性層至少有兩層，相鄰的兩層線性層之間設置一層所述激活函數層；

確定模塊：用于確定場景文件對應的特征，所述特征包括3d場景文件大小、場景資產大小、場景占用內存峰值、場景中面數、場景中點數、場景中是否包含動力學計算、場景中是否使用到粒子系統、場景中是否包含光線焦散、場景中燈光細分值、抗鋸齒精度、材質類型和分辨率；

獲取輸入模塊：基于場景文件參數獲取特征數據，并利用所述特征數據對所述神經網絡模型進行訓練：轉換所述特征數據為張量，將張量輸入神經網絡模型中；

在第一線性層中對所述張量進行增維及不同權重的計算，以得到所述第一線性層的輸出量，其中，所述輸出量不超過預設的輸出量閾值范圍；

在第二線性層中對所述輸出量進行減維處理，以得到特征數組，其中，所述第二線性層為除第一線性層以外的其它線性層及激活函數層；

獲取特征數組中的最大值，以及該最大值在特征數組中的位置；

將最大值的位置與硬件配置分類表進行匹配，以得到相應的預測分類；

計算更新模塊：計算預測分類和真實分類的損失值，根據損失值利用梯度下降法，對神經網絡模型的參數進行調優并更新；

訓練模塊：用于重復上述步驟，直至完成神經網絡模型的訓練。

5.一種計算機設備，其特征在于，包括存儲器和處理器，所述存儲器上存儲有能夠被處理器加載并執行如權利要求1至3中任一項方法的計算機程序。

6.一種計算機可讀存儲介質，其特征在于，存儲有能夠被處理器加載并執行如權利要求1至3中任一項方法的計算機程序。