本申请公开了一种基于场景文件参数预估硬件配置的模型建立方法，包括：建立神经网络模型，所述神经网络模型包括线性层和激活函数层，其中，所述线性层至少有两层，相邻的两层线性层之间设置一层所述激活函数层；确定场景文件对应的特征；基于场景文件参数获取特征数据，并利用所述的特征数据对所述神经网络模型进行训练：将特征数据输入神经网络模型中，得到特征数组；所述的特征数组与预测分类对应；计算预测分类和真实分类的损失值，根据损失值对神经网络模型的参数进行调优并更新；重复上述步骤，直至完成神经网络模型的训练。本申请具有提高硬件配置预估的准确性的效果。具有提高硬件配置预估的准确性的效果。具有提高硬件配置预估的准确性的效果。
【技术实现步骤摘要】
基于场景文件参数预估硬件配置的模型建立方法、装置
[0001]本申请涉及3D场景渲染领域，尤其是涉及场景文件参数预估硬件配置方法、装置。
技术介绍
[0002]对三维模型进行渲染时，往往需要借助于三维渲染软件（如：3ds max），而渲染主要依赖于cpu的算力、gpu的算力以及机器内存，且在渲染过程中，中途不可再更换硬件配置，只能中断渲染重新开始。在执行渲染时，当上述资源出现不足时，场景渲染可能会无限期卡住，或者直接崩溃，这对于已经投入大量时间与资源的用户来说，无疑是非常不方便的。
[0003]对于硬件配置的预估，目前市面上没有一套完善的流程或工具，一般是由提交者基于经验来确定，比如对渲染结果要求较高分辨率等高精度要求，则尽可能选用较好的硬件配置。
技术实现思路
[0004]为了提高预估的准确性，本申请提供基于场景文件参数预估硬件配置的模型建立方法、装置。
[0005]第一方面，本申请提供一种基于场景文件参数预估硬件配置的模型建立方法，采用如下的技术方案：一种基于场景文件参数预估硬件配置的模型建立方法，其特征在于，包括以下步骤：建立神经网络模型，所述神经网络模型包括线性层和激活函数层，其中，所述线性层至少有两层，相邻的两层线性层之间设置一层所述激活函数层；确定场景文件对应的特征；基于场景文件参数获取特征数据，并利用所述的特征数据对所述神经网络模型进行训练：将特征数据输入神经网络模型中，得到特征数组；所述的特征数组与预测分类对应；计算预测分类和真实分类的损失值，根据损失值对神经网络模型的参数进行调优并更新；重复上述步骤，直至完成神经网络模型的训练。
[0006]通过采用上述技术方案，建立神经网络模型，对场景文件提取相应的特征，并记录这些特征的数据，将张量输入神经网络模型中，神经网络模型提取对特征数据进行权重计算，以得到特征数组，对特征数组进行分析得到预测分类，将预测分类和真实分类进行对比，并计算预测分类和真实分类的损失值，且根据损失值对神经网络模型的参数进行更新，以提高神经网络模型预估的准确性。神经网络模型完成训练后，通过利用神经网络模型对硬件配置进行预估，可有效提高预估的准确性。
[0007]优选的，所述线性层有四层，第一层线性层的维度是1024，第二层线性层的维度是
512，第三层线性层的维度是128，第四层线性层的维度是8。
[0008]通过采用上述技术方案，第一层线性层的维度是1024，处理时，先对数据进行增维，可增加数据的基数，增加每次训练的批量，以减少训练的次数。线性层设置有四层，可增加神经网络模型的弹性，提高神经网络模型的泛化能力。当层数增多时，模型中的未知参数也会增多，这样越能拟合出任意的函数，但是当层数过多时，会产生过度拟合的问题，因此四层是一个比较好的选择。线性层中的维度即代表训练参数的个数，该维度的选择，可尽可能涵盖能拟合目标函数的区间，又可尽可能减少由于过多参数带来的计算量。
[0009]优选的，所述特征包括3d场景文件大小、场景资产大小、场景占用内存峰值、场景中面数、场景中点数、场景中是否包含动力学计算、场景中是否使用到粒子系统、场景中是否包含光线焦散、场景中灯光细分值、抗锯齿精度、材质类型和分辨率。
[0010]通过采用上述技术方案，上述的12个特征能较好地代表场景，且又与硬件配置关系度较高，对渲染有较大的影响，能较准确地对硬件配置的分类进行预测，也能很大程度地减少噪声数据的影响。
[0011]优选的，所述的特征数组与预测分类对应，包括：获取特征数组中的最大值，以及该最大值在特征数组中的位置；将最大值的位置与硬件配置分类表进行匹配，以得到相应的预测分类。
[0012]通过采用上述技术方案，获取特征数组中的最大值，即，该数组中最大发生的概率，该最大值对应硬件配置分类表的分类，即为预测分类。
[0013]优选的，所述硬件配置分类表中将硬件配置分为8类，硬件配置包括RAM、CPU和GPU，其中，若RAM小于64G，则RAM属于low，否则RAM属于high；若CPU小于3.5ghz，则CPU属于low，否则CPU属于high；若GPU小于1080ti，则GPU属于low，否则GPU属于high。
[0014]通过采用上述技术方案，RAM、CPU和GPU之间的不同组合，以形成硬件配置分类表。
[0015]优选的，所述将特征数据输入神经网络模型中，包括:特征数据转换成张量，将张量输入神经网络模型中。
[0016]通过采用上述技术方案，将特征数据转换成张量，使特征数据的格式统一，便于后续数据的处理。
[0017]第二方面，本申请提供一种基于场景文件参数预估硬件配置的模型建立装置，采用如下的技术方案：一种基于场景文件参数预估硬件配置的模型建立装置，包括：建立模块：用于建立神经网络模型，所述神经网络模型包括线性层和激活函数层，其中，所述线性层至少有两层，相邻的两层线性层之间设置一层所述激活函数层；确定模块：用于确定场景文件对应的特征；获取输入模块：用于基于场景文件参数获取特征数据，并利用所述的特征数据对所述神经网络模型进行训练：将特征数据输入神经网络模型中，得到特征数组；所述的特征数组与预测分类对应；计算更新模块：计算预测分类和真实分类的损失值，根据损失值对神经网络模型的参数进行调优并更新；训练模块：用于重复上述步骤，直至完成神经网络模型的训练。
[0018]通过采用上述技术方案，建立神经网络模型，对场景文件提取相应的特征，并记录
这些特征的数据，将张量输入神经网络模型中，神经网络模型提取对特征数据进行权重计算，以得到特征数组，对特征数组进行分析得到预测分类，将预测分类和真实分类进行对比，并计算预测分类和真实分类的损失值，且根据损失值对神经网络模型的参数进行更新，以提高神经网络模型预估的准确性。神经网络模型完成训练后，通过利用神经网络模型对硬件配置进行预估，可有效提高预估的准确性。
[0019]第三方面，本申请提供一种计算机设备，采用如下的技术方案：一种计算机设备，包括存储器和处理器，所述存储器上存储有能够被处理器加载并执行上述任一项方法的计算机程序。
[0020]第四方面，本申请提供一种计算机可读存储介质，采用如下的技术方案：一种计算机可读存储介质，存储有能够被处理器加载并执行上述任一项方法的计算机程序。
[0021]综上所述，本申请包括以下至少一种有益技术效果：1.特征数据输入神经网络模型中，神经网络模型对特征数据进行权重计算，以得到特征数组，对特征数组进行分析得到预测分类，将预测分类和真实分类进行对比，并计算预测分类和真实分类的损失值，且根据损失值对神经网络模型的参数进行更新，以完成神经网络模型的训练；2.利用神经网络模型对硬件配置进行预估，可有效提高预估的准确性。
附图说明
[0022]图1是本申请实施例中一种基于场景文件参数预估硬件配置的模型建立方法的流程图；图2是神经网络模型的结构示意图；图3是硬件配置的分类表。
具体实施方式...
【技术保护点】
【技术特征摘要】
1.一种基于场景文件参数预估硬件配置的模型建立方法，其特征在于，包括以下步骤：建立神经网络模型，所述神经网络模型包括线性层和激活函数层，其中，所述线性层至少有两层，相邻的两层线性层之间设置一层所述激活函数层；确定场景文件对应的特征；基于场景文件参数获取特征数据，并利用所述的特征数据对所述神经网络模型进行训练：将特征数据输入神经网络模型中，得到特征数组；所述的特征数组与预测分类对应；计算预测分类和真实分类的损失值，根据损失值对神经网络模型的参数进行调优并更新；重复上述步骤，直至完成神经网络模型的训练。2.根据权利要求1所述的基于场景文件参数预估硬件配置的模型建立方法，其特征在于，所述线性层有四层，第一层线性层的维度是1024，第二层线性层的维度是512，第三层线性层的维度是128，第四层线性层的维度是8。3.根据权利要求1所述的基于场景文件参数预估硬件配置的模型建立方法，其特征在于，所述特征包括3d场景文件大小、场景资产大小、场景占用内存峰值、场景中面数、场景中点数、场景中是否包含动力学计算、场景中是否使用到粒子系统、场景中是否包含光线焦散、场景中灯光细分值、抗锯齿精度、材质类型和分辨率。4.根据权利要求1所述的基于场景文件参数预估硬件配置的模型建立方法，其特征在于，所述的特征数组与预测分类对应，包括：获取特征数组中的最大值，以及该最大值在特征数组中的位置；将最大值的位置与硬件配置分类表进行匹配，以得到相应的预测分类。5.根据权利要求4所述的基于场景文件参数预估硬件配置的模型建立方法，其特...
【专利技术属性】
技术研发人员：陈勇，
申请(专利权)人：深圳市瑞云科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。