(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111156739.8 (22)申请日 2021.09.3 0 (65)同一申请的已公布的文献号 申请公布号 CN 113850023 A (43)申请公布日 2021.12.28 (73)专利权人 深圳市瑞云科技有限公司 地址 518051 广东省深圳市南 山区南山街 道商华路2号阳光科创中心B座17层 (72)发明人 陈勇　 (74)专利代理 机构 北京维正专利代理有限公司 11508 专利代理师 朱鹏程 (51)Int.Cl. G06F 30/27(2020.01) G06F 119/02(2020.01)(56)对比文件 CN 110339567 A,2019.10.18 CN 112732434 A,2021.04.3 0 US 2020019816 A1,2020.01.16 CN 112150631 A,2020.12.2 9 审查员 陈丽媛 (54)发明名称 基于场景文件参数预估硬件配置的模型建 立方法、 装置 (57)摘要 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。 权利要求书2页 说明书6页 附图3页 CN 113850023 B 2022.11.29 CN 113850023 B 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， 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； 基于场景文件参数获取特征数据， 并利用所述特征数据对所述神经网络模型进行训 练： 转换所述特征数据为张量， 将张量输入神经网络模型中； 在第一线性层中对所述张量进行增维及不同权重的计算， 以得到所述第 一线性层的输 出量， 其中， 所述输出量 不超过预设的输出量阈值范围； 在第二线性层中对所述输出量进行减维处理， 以得到特征数组， 其中， 所述第 二线性层 为除第一线性层以外的其它线性层 及激活函数层； 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； 计算预测分类和真实分类的损 失值， 根据损 失值利用 梯度下降法， 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， 渲 染场景中， 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l ow， 否则GPU属于 high。 4.一种基于场景文件参数 预估硬件配置的模型建立装置， 其特 征在于， 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， 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； 获取输入模块： 基于场景文件参数获取特征数据， 并利用所述特征数据对所述神经网 络模型进行训练： 转换 所述特征数据为张量， 将张量输入神经网络模型中； 在第一线性层中对所述张量进行增维及不同权重的计算， 以得到所述第 一线性层的输 出量， 其中， 所述输出量 不超过预设的输出量阈值范围； 在第二线性层中对所述输出量进行减维处理， 以得到特征数组， 其中， 所述第 二线性层 为除第一线性层以外的其它线性层 及激活函数层； 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；权　利　要　求　书 1/2 页 2 CN 113850023 B 2计算更新模块： 计算预测分类和真实分类的损失值， 根据损失值利用梯度 下降法， 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。 5.一种计算机设备， 其特征在于， 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 行如权利要求1至 3中任一项方法的计算机程序。 6.一种计算机可读存储介质， 其特征在于， 存储有能够被处理器加载并执行如权利要 求1至3中任一项方法的计算机程序。权　利　要　求　书 2/2 页 3 CN 113850023 B 3