【技术实现步骤摘要】
本专利技术涉及服务器优化的，特别是涉及一种服务器优化方法及装置。
技术介绍
1、现有技术中，客户端为了将需要处理的图像数据发送给服务器进行处理，会向服务器发起图像数据处理请求，以使服务器根据客户端发起请求执行相应的图像处理；如客户端需要对图像进行图像调整和分类时，会向服务器发送图像调整和图像分类的请求，在面对大量图像请求时，由于服务器对每个请求都需要重新处理图像，容易导致服务器负载过高。
2、传统服务器必须消耗大量的计算资源和时间来处理图像，当同时有多个请求到达时，服务器可能无法及时处理所有请求，导致响应时间延长；这会给用户带来不良的体验，特别是在对实时响应有要求的应用中，如在线游戏、视频流媒体等。
3、此外，传统服务器针对每次请求都重新处理图像，可能使得同一张图像可能会在多个请求中重复处理，占用服务器的计算资源并增加能耗。
技术实现思路
1、本专利技术要解决的技术问题是：提供一种服务器优化方法及装置，能减低服务器的计算资源消耗，提高对客户端请求的响应速度。
2、为了解决上述技术问题，本专利技术提供了一种服务器优化方法，包括：
3、接收客户端上传的图像数据，对所述图像数据进行参数分析，得到图像参数数据；
4、分别将所述图像数据和所述图像参数数据输入到预训练的图像处理模型中，以使所述图像处理模型基于所述图像参数数据对所述图像数据进行调整，得到图像调整数据，并对所述图像调整数据进行图像分类处理，得到图像预测类别；
6、在一种可能的实现方式中，所述分别将所述图像数据和所述图像参数数据输入到预训练的图像处理模型中之前，所述方法还包括：
7、获取样本图像数据，以及所述样本图像数据对应的样本标签类别真实值和样本图像参数数据；
8、将所述样本图像数据和所述样本图像参数数据输入到图像处理模型中，以使所述图像处理模型基于所述样本图像参数数据对所述样本图像数据进行调整，得到样本图像调整数据，并对所述样本图像调整数据进行图像分类处理，得到预设的各个样本标签类别对应的样本标签类别预测值；
9、将所述样本标签类别真实值和所述样本标签类别预测值输入到预设的交叉熵损失函数中，计算得到模型损失值，并基于所述模型损失值对所述图像处理模型进行模型参数调整，直至所述图像处理模型收敛。
10、进一步地，通过计算交叉熵损失函数并将真实标签类别值和预测标签类别值作为输入，可以评估模型预测的准确性，并计算模型的损失值；基于模型损失值，可以通过反向传播算法调整模型的参数，使模型逐渐优化和收敛，这个过程中模型能够更好地拟合训练数据，并提高在未知数据上的泛化能力。
11、在一种可能的实现方式中，所述基于所述样本图像参数数据对所述样本图像数据进行调整，得到样本图像调整数据，具体包括：
12、基于所述图像处理模型中的预设编码器对所述样本图像参数数据进行解码处理，得到解码图像参数，并基于所述解码图像参数对所述样本图像参数数据进行特征提取，得到图像参数特征，获取所述样本图像数据中的目标图像，基于所述图像参数特征对所述目标图像进行图像调整，得到目标调整图像，将所述目标调整图像作为样本图像调整数据。
13、进一步地，基于样本图像参数数据对所述样本图像数据进行调整，使得后续模型能更好地理解图像内容，并提高后续分类预测的准确性。
14、在一种可能的实现方式中，所述对所述样本图像调整数据进行图像分类处理，得到每个样本标签类别对应的样本标签类别预测值，具体包括：
15、所述将所述目标调整图像划分为多个子图像，获取每个子图像对应的向量序列，对所述向量序列进行拼接处理，生成拼接向量特征，并将所述拼接向量特征输入到预设的编码器中，以使所述编码器输出目标调整图像特征，对所述目标调整图像特征进行线性变换处理，得到线性目标调整图像特征，并将所述线性目标调整图像特征转换为预设的各个样本标签类别的概率分布值，得到每个样本标签类别对应的样本标签类别预测值。
16、进一步地，通过将目标调整图像划分为多个子图像，并获取每个子图像对应的向量序列，可以提取更具有区分性的特征；子图像的组合可以捕捉到更丰富和更全局的图像信息，从而提高模型对图像数据的表示和理解能力，同时基于编码器将高维输入数据转换为具有更低维度且更有区分性的特征表示，能可以减少数据维度，提高模型的计算效率，以及图像的分类准确性。
17、在一种可能的实现方式中，所述对所述向量序列进行拼接处理，生成拼接向量特征，具体包括：
18、对每个向量序列添加位置编码和类别信息，得到对应的预处理向量序列，对所有预处理向量序列进拼接处理，得到拼接向量特征。
19、进一步地，在预设的拼接公式中使用加权特征，根据数据对结果的影响重要程度对不同的子图像分配重要度，从而使得重要图像块被关注，不重要的图像块降低影响，提升后续预测准确率。
20、在一种可能的实现方式中，所述编码器包括多头注意力机制层、拼接层、层归一化层、多层感知器和随机失活层，将所述拼接向量特征输入到预设的编码器中，以使所述编码器输出目标调整图像特征，具体包括；
21、所述多头注意力机制层，用于对所述拼接向量特征进行自注意力计算，得到多个自注意力向量特征，并将所述多个自注意力向量特征输入到所述拼接层；
22、所述拼接层，用于对所述多个自注意力向量特征进行拼接处理，得到拼接自注意力向量特征，并将所述拼接自注意力向量特征输入到所述层归一化层中；
23、所述层归一化层，用于对所述拼接自注意力向量特征进行层归一化计算，得到层归一化向量特征，将所述层归一化向量特征输入到所述多层感知器中；
24、所述多层感知器，用于对所述层归一化向量特征进行非线性变换处理，得到多个非线性特征；
25、所述随机失活层，用于对所述多个非线性特征进行随机丢弃处理，输出目标调整图像特征。
26、进一步地，通过多头注意力机制、拼接层、层归一化层、多层感知器和随机失活层，对拼接向量特征进行处理，从而提高模型的特征表达能力、泛化能力和稳定性；有助于图像处理模型更准确地输出目标调整图像特征，提高模型的性能和预测效果。
27、本专利技术提供的一种服务器优化方法，还包括：
28、实时监控图像处理进程在中央处理器上的运行时间，以及所述图像处理进程的内存占用率和显存利用率；
29、基于所述运行时间、所述内存占用率和所述显存利用率，确定所述图像处理进程的资源占用率；
30、将所述资源占用率与预设的资源占用阈值进行对比，若所述资源占用率大于所述资源占用阈值，则触发资源告警，并自动发送告警通知。
31、进一步地，通过实时监控、资源占用率确定和触发资源告警等设置，可以有效地进行系统性能监控和异常处理，能提高本文档来自技高网...
【技术保护点】
1.一种服务器优化方法，其特征在于，包括：
2.如权利要求1所述的一种服务器优化方法，其特征在于，所述分别将所述图像数据和所述图像参数数据输入到预训练的图像处理模型中之前，所述方法还包括：
3.如权利要求2所述的一种服务器优化方法，其特征在于，所述基于所述样本图像参数数据对所述样本图像数据进行调整，得到样本图像调整数据，具体包括：
4.如权利要求3所述的一种服务器优化方法，其特征在于，所述对所述样本图像调整数据进行图像分类处理，得到每个样本标签类别对应的样本标签类别预测值，具体包括：
5.如权利要求4所述的一种服务器优化方法，其特征在于，所述对所述向量序列进行拼接处理，生成拼接向量特征，具体包括：
6.如权利要求4所述的一种服务器优化方法，其特征在于，所述编码器包括多头注意力机制层、拼接层、层归一化层、多层感知器和随机失活层，将所述拼接向量特征输入到预设的编码器中，以使所述编码器输出目标调整图像特征，具体包括：
7.如权利要求1所述的一种服务器优化方法，其特征在于，还包括：
8.一种服务器优化装置
9.一种终端设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7任意一项所述的服务器优化方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至7中任意一项所述的服务器优化方法。
...【技术特征摘要】
1.一种服务器优化方法，其特征在于，包括：
2.如权利要求1所述的一种服务器优化方法，其特征在于，所述分别将所述图像数据和所述图像参数数据输入到预训练的图像处理模型中之前，所述方法还包括：
3.如权利要求2所述的一种服务器优化方法，其特征在于，所述基于所述样本图像参数数据对所述样本图像数据进行调整，得到样本图像调整数据，具体包括：
4.如权利要求3所述的一种服务器优化方法，其特征在于，所述对所述样本图像调整数据进行图像分类处理，得到每个样本标签类别对应的样本标签类别预测值，具体包括：
5.如权利要求4所述的一种服务器优化方法，其特征在于，所述对所述向量序列进行拼接处理，生成拼接向量特征，具体包括：
6.如权利要求4所述的一种服务器优化方法，其特征在于，所述编码器包括多头注意...
【专利技术属性】
技术研发人员：姚文杰，李华庆，汤玮，张乐，
申请(专利权)人：上海合芯数字科技有限公司，
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。