产生运算装置的参考配置的电子装置和方法制造方法及图纸

提出一种产生运算装置的参考配置的电子装置和方法。方法包含：取得第一神经网络模型，其中第一神经网络模型包含多个聚类中心，其中多个聚类中心对应于多个特征；取得第一配置需求；判断第一配置需求对应于多个聚类中心中的第一聚类中心；根据第一聚类中心的多个第一特征值产生参考配置，其中多个第一特征值分别对应于多个特征；以及输出参考配置。以及输出参考配置。以及输出参考配置。

Electronic device and method for generating reference configuration of computing device

【技术实现步骤摘要】
产生运算装置的参考配置的电子装置和方法


[0001]本专利技术是有关于一种产生运算装置的参考配置的电子装置和方法。

技术介绍

[0002]为了公正地评价具有不同配置(例如：硬件、固件或软件配置)的运算装置，厂商通常可通过测试软件来计算出运算装置的分数以作为参考。举例来说，厂商可通过SPECpower_ssj2008等软件来计算运算装置的分数(例如：由SPECpower_ssj2008软件输出的SP值)。为了利用测试软件测试运算装置，厂商需根据客户对运算装置的需求而完成备料、组装运算装置以及建立测试环境(例如：建立恒温的环境)等流程，因而需花费大量的时间。当运算装置的订单增加时，厂商往往无法迅速地测试完所有的运算装置而延误了产品的出货时间。
[0003]此外，不同的客户所在意的功能也不相同。由于测试软件主要是针对运算装置的运算能力进行评价，因此厂商很难通过测试软件的测试结果来评价运算装置对特定功能的表现。举例来说，假设客户较在意运算装置的存储能力而非运算能力，则厂商很难根据测试软件的测试结果来找出具有较佳存储能力的运算装置。

技术实现思路

[0004]本专利技术实施例提供一种产生运算装置的参考配置的电子装置和方法，可推估装置配置的分数。
[0005]本专利技术实施例的一种产生运算装置的参考配置的电子装置，包含处理器以及存储介质。存储介质存储多个模块以及第一神经网络模型，其中第一神经网络模型包含多个聚类中心，其中多个聚类中心对应于多个特征。处理器耦接存储介质，并且存取和执行多个模块，其中多个模块包含数据收集模块、运算模块以及输出模块。数据收集模块取得第一配置需求。运算模块经配置以执行：判断第一配置需求对应于多个聚类中心中的第一聚类中心；以及根据第一聚类中心的多个第一特征值产生参考配置，其中多个第一特征值分别对应于多个特征。输出模块输出参考配置。
[0006]在本专利技术的一实施例中，上述的数据收集模块取得多个标签数据，其中多个标签数据的每一个包含标签分数以及分别对应于多个特征的多个标签特征值，其中多个模块更包含训练模块。训练模块根据多个标签数据产生第一神经网络模型。
[0007]在本专利技术的一实施例中，上述的第一配置需求包含第一取向，其中多个标签数据的每一个更包含标签取向，其中运算模块统计对应于第一聚类中心的多个标签数据中的至少一个标签数据的至少一个标签取向决定与第一聚类中心相对应的第一应用取向，其中运算模块响应于第一取向与第一应用取向匹配而判断第一配置需求对应于第一聚类中心。
[0008]在本专利技术的一实施例中，上述的多个聚类中心更包含第二聚类中心，其中响应于第一聚类中心以及第二聚类中心两者与第一应用取向相对应，运算模块根据多个标签数据计算对应于第一聚类中心的第一分数以及对应于第二聚类中心的第二分数，其中运算模块
响应于第一取向与第一应用取向匹配且第一分数大于第二分数而判断第一配置需求对应于第一聚类中心。
[0009]在本专利技术的一实施例中，上述的多个标签数据报含第一训练数据，其中多个聚类中心更包含第二聚类中心以及第三聚类中心，其中第一神经网络模型包含第一隐藏层，其中第一隐藏层根据多个标签数据更新多个聚类中心，包含：定义第三聚类中心关联于第二聚类中心；产生第二聚类中心的多个第二特征值以及第三聚类中心的多个第三特征值；以及判断第一训练数据对应于第二聚类中心，并且响应于第一训练数据对应于第二聚类中心而根据第一训练数据更新多个第二特征值以及多个第三特征值。
[0010]在本专利技术的一实施例中，上述的第一配置需求包含多个分别对应于多个特征的多个特征值，其中运算模块根据多个特征值计算第一配置需求与多个聚类中心之间的多个距离，并且响应于与第一聚类中心相对应的第一距离为多个距离中的最小距离而判断第一配置需求对应于第一聚类中心。
[0011]在本专利技术的一实施例中，上述的多个聚类中心更包含第二聚类中心，其中多个距离更包含对应于第二聚类中心的第二距离，其中响应于第一距离等于第二距离，运算模块根据分别对应于第一聚类中心与第二聚类中心的多个标签数据计算对应于第一聚类中心的第一分数以及对应于第二聚类中心的第二分数，其中运算模块响应于第一分数大于第二分数而判断第一配置需求对应于第一聚类中心。
[0012]在本专利技术的一实施例中，上述的多个标签数据报含分别对应于多个标签分数的多个训练数据，其中第一神经网络模型包含第二隐藏层，其中第二隐藏层经配置以执行：产生对应于多个聚类中心与多个训练数据的距离矩阵；产生距离矩阵的虚反矩阵；根据虚反矩阵与多个标签分数产生权重矩阵；产生对应于多个聚类中心与第一配置需求的第二距离矩阵；以及根据第二距离矩阵以及权重矩阵产生对应于第一配置需求的第一分数，其中输出模块输出第一分数。
[0013]在本专利技术的一实施例中，上述的数据收集模块取得多个配置需求，其中多个配置需求包含第一配置需求以及第二配置需求，其中运算模块将多个配置需求输入至第一神经网络以产生分别对应于多个配置需求的多个分数，其中运算模块响应于第一分数为多个分数中的最大分数而选择第一配置需求以产生参考配置，其中运算模块响应于第一分数为最大分数并且对应于第二配置需求的第二分数为多个分数中的最小分数而根据第一配置需求和第二配置需求产生差异分析报告，其中输出模块输出差异分析报告。
[0014]在本专利技术的一实施例中，上述的多个标签数据报含多个训练数据以及多个测试数据，其中训练模块根据多个训练数据产生第一神经网络模型以及第二神经网络模型，其中第二神经网络模型包含多个第二聚类中心，其中多个聚类中心的第一数量不同于多个第二聚类中心的第二数量，其中运算模块根据多个测试数据计算第一神经网络模型的第一损失函数值以及第二神经网络模型的第二损失函数值，其中运算模块响应于第一损失函数值小于第二损失函数值而从第一神经网络模型和第二神经网络模型中选择第一神经网络模型以产生参考配置。
[0015]本专利技术实施例的一种产生运算装置的参考配置的方法，包含：取得第一神经网络模型，其中第一神经网络模型包含多个聚类中心，其中多个聚类中心对应于多个特征；取得第一配置需求；判断第一配置需求对应于多个聚类中心中的第一聚类中心；根据第一聚类
中心的多个第一特征值产生参考配置，其中多个第一特征值分别对应于多个特征；以及输出参考配置。
[0016]在本专利技术的一实施例中，上述的方法更包含：取得多个标签数据，其中多个标签数据的每一个包含标签分数以及分别对应于多个特征的多个标签特征值；以及根据多个标签数据产生第一神经网络模型。
[0017]在本专利技术的一实施例中，上述的第一配置需求包含第一取向，其中多个标签数据的每一个更包含标签取向，其中判断第一配置需求对应于多个聚类中心中的第一聚类中心的步骤包含：统计对应于第一聚类中心的多个标签数据中的至少一个标签数据的至少一个标签取向决定与第一聚类中心相对应的第一应用取向；以及响应于第一取向与第一应用取向匹配而判断第一配置需求对应于第一聚类中心。
[0018]在本专利技术的一实施例中，上述的多个聚类中心更包本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种产生运算装置的参考配置的电子装置，包括：存储介质，存储多个模块以及第一神经网络模型，其中所述第一神经网络模型包括多个聚类中心，其中所述多个聚类中心对应于多个特征；以及处理器，耦接所述存储介质，并且存取和执行所述多个模块，其中所述多个模块包括：数据收集模块，取得第一配置需求；运算模块，经配置以执行：判断所述第一配置需求对应于所述多个聚类中心中的第一聚类中心；以及根据所述第一聚类中心的多个第一特征值产生所述参考配置，其中所述多个第一特征值分别对应于所述多个特征；以及输出模块，输出所述参考配置。2.如权利要求1所述的电子装置，其中所述数据收集模块取得多个标签数据，其中所述多个标签数据的每一个包括标签分数以及分别对应于所述多个特征的多个标签特征值，其中所述多个模块还包括：训练模块，根据所述多个标签数据产生所述第一神经网络模型。3.如权利要求2所述的电子装置，其中所述第一配置需求包括第一取向，其中所述多个标签数据的所述每一个还包括标签取向，其中所述运算模块统计对应于所述第一聚类中心的所述多个标签数据中的至少一个标签数据的至少一个标签取向决定与所述第一聚类中心相对应的第一应用取向，其中所述运算模块响应于所述第一取向与所述第一应用取向匹配而判断所述第一配置需求对应于所述第一聚类中心。4.如权利要求3所述的电子装置，其中所述多个聚类中心还包括第二聚类中心，其中响应于所述第一聚类中心以及所述第二聚类中心两者与所述第一应用取向相对应，所述运算模块根据所述多个标签数据计算对应于所述第一聚类中心的第一分数以及对应于所述第二聚类中心的第二分数，其中所述运算模块响应于所述第一取向与所述第一应用取向匹配且所述第一分数大于所述第二分数而判断所述第一配置需求对应于所述第一聚类中心。5.如权利要求2所述的电子装置，其中所述多个标签数据包括第一训练数据，其中所述多个聚类中心还包括第二聚类中心以及第三聚类中心，其中所述第一神经网络模型包括第一隐藏层，其中所述第一隐藏层根据所述多个标签数据更新所述多个聚类中心，包括：定义所述第三聚类中心关联于所述第二聚类中心；产生所述第二聚类中心的多个第二特征值以及所述第三聚类中心的多个第三特征值；以及判断所述第一训练数据对应于所述第二聚类中心，并且响应于所述第一训练数据对应于所述第二聚类中心而根据所述第一训练数据更新所述多个第二特征值以及所述多个第三特征值。6.如权利要求1所述的电子装置，其中所述第一配置需求包括多个分别对应于所述多个特征的多个特征值，其中所述运算模块根据所述多个特征值计算所述第一配置需求与所述多个聚类中心之间的多个距离，并且响应于与所述第一聚类中心相对应的第一距离为所述多个距离中的最小距离而判断所述第一配置需求对应于所述第一聚类中心。7.如权利要求6所述的电子装置，其中所述多个聚类中心还包括第二聚类中心，其中所
述多个距离还包括对应于所述第二聚类中心的第二距离，其中响应于所述第一距离等于所述第二距离，所述运算模块根据分别对应于所述第一聚类中心与所述第二聚类中心的多个标签数据计算对应于所述第一聚类中心的第一分数以及对应于所述第二聚类中心的第二分数，其中所述运算模块响应于所述第一分数大于所述第二分数而判断所述第一配置需求对应于所述第一聚类中心。8.如权利要求2所述的电子装置，其中所述多个标签数据包括分别对应于多个标签分数的多个训练数据，其中所述第一神经网络模型包括第二隐藏层，其中所述第二隐藏层经配置以执行：产生对应于所述多个聚类中心与所述多个训练数据的距离矩阵；产生所述距离矩阵的虚反矩阵；根据所述虚反矩阵与所述多个标签分数产生权重矩阵；产生对应于所述多个聚类中心与所述第一配置需求的第二距离矩阵；以及根据所述第二距离矩阵以及所述权重矩阵产生对应于所述第一配置需求的第一分数，其中所述输出模块输出所述第一分数。9.如权利要求8所述的电子装置，其中所述数据收集模块取得多个配置需求，其中所述多个配置需求包括所述第一配置需求以及第二配置需求，其中所述运算模块将所述多个配置需求输入至所述第一神经网络以产生分别对应于所述多个配置需求的多个分数，其中所述运算模块响应于所述第一分数为所述多个分数中的最大分数而选择所述第一配置需求以产生所述参考配置，其中所述运算模块响应于所述第一分数为所述最大分数并且对应于所述第二配置需求的第二分数为所述多个分数中的最小分数而根据所述第一配置需求和所述第二配置需求产生差异分析报告，其中所述输出模块输出所述差异分析报告。10.如权利要求2所述的电子装置，其中所述多个标签数据包括多个训练数据以及多个测试数据，其中所述训练模块根据所述多个训练数据产生所述第一神经网络模型以及第二神经网络模型，其中所述第二神经网络模型包括多个第二聚类中心，其中所述多个聚类中心的第一数量不同于所述多个第二聚类中心的第二数量，其中所述运算模块根据所述多个测试数据计算所述第一神经网络模型的第一损失函数值以及所述第二神经网络模型的第二损失函数值，其中所述运算模块响应于所述第一损失函数值小于所述第二损失函数值而从所述第一神经网络模型和所述第二神经网络模型中选择所述第一神经网络模型以产生所述参考配置。11.一种产生运算装置的参考配置的...

【专利技术属性】
技术研发人员：锺昌翰，
申请(专利权)人：纬颖科技服务股份有限公司，
类型：发明
国别省市：