[发明专利]一种CPU测试方法、电子装置及存储介质

权利要求书

1.一种CPU测试方法，应用于电子装置，其特征在于，

确定对核数的要求，根据核数要求筛选CPU；

根据评价公式综合评价筛选出的CPU，并从筛选出的CPU中计算CPU的综合评价指数，所述评价公式包括计算性能测试、浮点预算能力测试、加解密处理能力测试、多线程处理能力测试、加解压处理能力测试、性价比评价、能效比评价7个因素，所述评价公式如下：

其中，result是综合评价指数；

cpu_{testoperation}为测试出的CPU的计算能力，max(cpu_operation)为现有技术中CPU的最大计算能力；

cpu_testfloat为测试出的CPU的浮点预算能力，max(cpu_float)为现有技术中CPU的最大浮点预算能力；

cpu_{testencryption}为测试出的CPU的加解密处理能力，max(cpu_cryption)为现有技术中CPU的最大加解密处理能力；

cpu_{testmultithreading}为测试出的CPU的多线程处理能力，max(cpu_{multithreading})为现有技术中CPU的最大多线程处理能力；

cpu_{testcompression}为测试出的CPU的加解压处理能力，max(cpu_compression)为现有技术中CPU的最大加解压处理能力；

cpu_testcost为测试出的CPU的性价比评价，max(cpu_cost)为现有技术中CPU的最大性价比；

cpu_{testenergyratio}为测试出的CPU的能效比评价，cpu_{testenergyratio}为现有技术中CPU的最大能效比；

a至g为评价参数，根据不同业务类型对CPU的7个因素的要求的侧重高低不同，将对CPU的7个因素的要求的侧重由高到低排序，根据所述排序将所述各因素对应的评价参数对应的在0至1之间从高到低取值；

根据各CPU的综合评价指数，将CPU按照综合评价指数得分对应相应的业务类型进行排序；

所述评价参数a至g参考以往不同业务类型所配置CPU的各项评价参数来确定，将业务需求的CPU性能指标作为神经网络模型的输入部分，将所述评价公式中的a至g的7个参数作为神经网络模型的输出部分，中间是一层隐藏层，用以往的不同业务类型所选配的CPU的性能指标数据、与所选配的CPU的性能指标数据所对应的a至g的参数对该神经网络模型进行训练，训练结束后，采用训练后的神经网络模型来计算a至g的参数；

所述神经网络模型采用BP网络模型，对BP网络模型进行训练包括以下步骤：

(1)收集现有各业务对应的CPU的性能参数要求以及对应的a至g的参数，形成训练数据集；

(2)建立BP网络模型，采用三层全连接的BP网络结构，拓扑结构为7-8-7，即模型由7个输入量和7个输出量组成，隐藏层包含8个神经元，各层传递函数分别为logsig传输函数)、logsig传输函数)、purelin传输函数)，学习规则函数采用learnb2pm，其中7个输入量分别对应企业业务对应的CPU的性能指标要求，7个输出量分别对应参数a至g，

其中，隐藏层的神经元的数量采用如下公式估算：

h为隐含层神经元数目；

m为输入层神经元数目；

n为输出层神经元数目；

p为1～10之间的常数；

(3)利用训练数据集对BP网络模型进行训练，包括正向传播和反向误差传播，正向传播时，7个输入量从输入层传入，经各隐层逐层处理后，传向输出层，若输出层的实际输出与训练集中已知的参数a至g不符，则转入误差的反向传播阶段，误差反传将输出误差通过隐藏层向输入层逐层反传，并将误差分摊给各层的所有神经元，进而修正各神经元的权重和偏置，从而提高BP网络模型的输出精度；

其中，正向传播的公式如下：

其中，wij是由上一层的单元i到单元j的连接的权重；

O_i是上一层的单元i的输出；

θ_j是单元j的偏置，

给定单元j的净输入I_j，单元j的输出O_j如下所示：

反向误差传播的公式如下：

对于输出层单元j的误差Err_j用下式计算，

Err_j＝O_j(1-O_j)(T_j-O_j)

其中，O_j是单元j的实际输出；

T_j是j给定训练元素 的已知目标值；

O_j(1-O_j)是Logistic函数的导数，

对于隐藏层单元j的误差如下公式

Err_j＝O_j(1-O_j)∑Err_kw_jk

其中，w_jk是由下一层中单元k到单元j的连接权重；

Err_k是单元k的误差，

更新权重：

Δw_ij＝(l)Err_jO_i

w_ij＝w_ij+Δw_ij

其中，Δw_ij是权重w_ij的改变量；

l是学习率，其取值范围是0～1之间的常数，

更新偏置：

Δθ_j＝(l)Err_j

θ_j＝θ_j+Δθ_j

其中，Δθ_j是θ_j的改变量。