产生运算装置的参考配置的电子装置和方法与流程

计算;推算;计数设备的制造及其应用技术1.本发明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。背景技术：2.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。3.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。技术实现要素：4.本发明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。5.本发明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。6.在本发明的一实施例中，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。7.在本发明的一实施例中，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。8.在本发明的一实施例中，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。9.在本发明的一实施例中，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。10.在本发明的一实施例中，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。11.在本发明的一实施例中，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。12.在本发明的一实施例中，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。13.在本发明的一实施例中，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。14.在本发明的一实施例中，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。15.本发明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。16.在本发明的一实施例中，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。17.在本发明的一实施例中，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。18.在本发明的一实施例中，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：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，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；以及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。19.在本发明的一实施例中，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。20.在本发明的一实施例中，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：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；以及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。21.在本发明的一实施例中，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更包含：响应于第一距离等于第二距离，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；以及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。22.在本发明的一实施例中，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，其中方法更包含：输出第一分数。23.在本发明的一实施例中，上述的根据第一聚类中心的多个第一特征值产生参考配置的步骤包含：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；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；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；以及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，并且输出差异分析报告。24.在本发明的一实施例中，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，其中根据第一聚类中心的多个第一特征值产生参考配置的步骤包含：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；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；以及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。25.基于上述，本发明实施例可根据历史数据训练出用以推估装置配置的分数的神经网络模型。相较于传统的测试软件，本发明实施例的神经网络模型可以在很短的时间内计算出装置配置的分数。当客户的需求改变时，本发明实施例不需要重新执行测试软件也能推估出更新的运算装置的分数。如此，可以节省大量的人力或物力。另一方面，本发明可根据使用者的需求而产生着重于特定功能的运算装置的参考配置。附图说明26.图1根据本发明的一实施例绘示一种产生运算装置的参考配置的电子装置的示意图。27.图2a根据本发明的一实施例绘示产生神经网络模型的流程图。28.图2b根据本发明的另一实施例绘示产生神经网络模型的流程图。29.图3根据本发明的一实施例绘示神经网络模型的示意图。30.图4a、4b以及4c根据本发明的一实施例绘示产生聚类中心的示意图。31.图5根据本发明的一实施例绘示聚类中心之间的关系的示意图。32.图6a根据本发明的一实施例绘示产生权重矩阵的示意图。33.图6b根据本发明的一实施例绘示利用权重矩阵产生对应于测试数据的分数的示意图。34.图7根据本发明的一实施例绘示神经网络模型的损失函数值的示意图。35.图8根据本发明的一实施例绘示一种产生运算装置的参考配置的方法的流程图。具体实施方式36.图1根据本发明的一实施例绘示一种产生运算装置的参考配置的电子装置100的示意图。电子装置100可包含处理器110、存储介质120以及收发器130。37.处理器110例如是中央处理单元(central processing unit，cpu)，或是其他可程序化的一般用途或特殊用途的微控制单元(micro control unit，mcu)、微处理器(microprocessor)、数字信号处理器(digital signal processor，dsp)、可程序化控制器、专用集成电路(application specific integrated circuit，asic)、图形处理器(graphics processing unit，gpu)、影像信号处理器(image signal processor，isp)、图像处理单元(image processing unit，ipu)、算数逻辑单元(arithmetic logic unit，alu)、复杂可编程逻辑装置(complex programmable logic device，cpld)、现场可编程门阵列(field programmable gate array，fpga)或其他类似组件或上述组件的组合。处理器110可耦接至存储介质120以及收发器130，并且存取和执行存储于存储介质120中的多个模块和各种应用程序。38.存储介质120例如是任何型态的固定式或可移动式的随机存取存储器(random access memory，ram)、只读存储器(read-only memory，rom)、闪存(flash memory)、硬盘驱动器(hard disk drive，hdd)、固态驱动器(solid state drive，ssd)或类似组件或上述组件的组合，而用于存储可由处理器110执行的多个模块或各种应用程序。在本实施例中，存储介质120可存储包括数据收集模块121、训练模块122、运算模块123、输出模块124以及数据库125等多个模块，其功能将于后续说明。39.收发器130以无线或有线的方式传送及接收信号。收发器130还可以执行例如低噪声放大、阻抗匹配、混频、向上或向下频率转换、滤波、放大以及类似的操作。在另一实施例中，收发器130耦接输入输出接口电路(图未示)，收发器130通过输入输出接口电路接收用户的输入的数据或指示，并通过输入输出接口电路输出结果。40.数据库125可预存一或多个神经网络模型。举例来说，数据库125可预存神经网络模型1000。在一实施例中，数据库125可进一步预存与神经网络模型1000不同的一或多个神经网络模型，诸如神经网络模型2000、3000、4000和5000。神经网络模型1000可用以产生配置需求的分数。用户可根据神经网络模型1000输出的分数来评价配置需求。配置需求可关联于硬件配置、固件配置或软件配置等多种特征。举例来说，配置需求可包含主板型号、中央处理单元功率、内存容量、固态硬盘容量、m.2固态硬盘容量、硬式磁盘驱动器容量、fpga卡、超线程(hyper-threading，ht)配置、操作系统能源配置或温度等特征的相关信息，本发明实施例不限于此。41.神经网络模型1000可由训练模块122产生。图2a根据本发明的一实施例绘示产生神经网络模型1000的流程图。在步骤s201中，数据收集模块121可通过收发器130取得多个标签数据，其中所述多个标签数据的每一个可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。标签数据可以是标签的历史配置需求。表1为一笔标签数据的范例。在一实施例中，标签数据还可包含标签取向。标签取向可指示与标签数据相对应的配置需求的应用情境。举例来说，标签取向可指示配置需求对应于高运算效能取向的产品、高存储容量取向的产品、网络架构的边缘装置取向的产品或高节能效率取向的产品。在一实施例中，在利用标签数据训练神经网络模型1000之前，训练模块122可先将标签数据的多个特征值正规化。42.表143.[0044][0045]在一实施例中，在取得多个标签数据后，训练模块122可根据多个标签数据进行各个特征与标签分数之间的相关系数分析。训练模块122可基于相关系数分析的结果来将与标签分数较无关联的特征删除。表2为标签数据的各个特征与标签分数之间的相关系数的范例。举例来说，可设定相关系数阈值来做筛选，如以相关系数绝对值0.7为相关系数阈值，特征1以及特征2与标签分数之间的相关系数的绝对值大于等于相关系数阈值，故训练模块122可判断特征1和特征2与标签分数的相关性较显著。因此，训练模块122可将特征1和特征2保留，并可将特征3至特征10从标签数据中删除。在另一实施例中，相关系数阈值设定为相关系数绝对值0.1，特征1至特征9的相关系数的绝对值大于等于相关系数阈值，训练模块122判断特征1至特征9保留，并将特征10从标签数据中删除。[0046]表2[0047][0048][0049]在步骤s202中，训练模块122可根据多个标签数据产生多个神经网络模型。多个神经网络模型的数量可以是任意的正整数。在本实施例中，所述多个神经网络模型可包含神经网络模型1000、2000、3000、4000和5000。图3根据本发明的一实施例绘示神经网络模型1000的示意图。以神经网络模型1000为例，神经网络模型1000可包含输入层1100、隐藏层1200以及输出层1300。隐藏层1200可包含第一隐藏层1201以及第二隐藏层1202。输入层1100可用以接收输入数据(例如：配置需求)，并且输出层1300可用以产生对应于输入数据的分数。[0050]神经网络模型1000的训练方法可参照图4a至图6a。具体来说，神经网络模型1000可包含多个聚类中心(cluster center)，并且每一个聚类中心可对应于多个特征。聚类中心的数量可以是预设的。举例来说，神经网络模型1000可包含9个聚类中心，如图4a所示。图4a、4b以及4c根据本发明的一实施例绘示产生聚类中心的示意图。图4a绘示了神经网络模型1000的9个聚类中心，分别为聚类中心p1、p2、p3、p4、p5、p6、p7、p8和p9。聚类中心可对应于多个特征。在本实施例中，聚类中心可对应于特征x1和特征x2，其中特征x1例如是如表2所示的特征1(即：主板型号)，并且特征x2例如是如表2所示的特征2(即：中央处理单元功率)。聚类中心的各个特征的初始特征值可以是由训练模块122产生的。举例来说，训练模块122可随机地产生聚类中心的初始特征值。[0051]第一隐藏层1201可用以执行自组织映射(self-organizing map，som)算法。首先，第一隐藏层1201可定义神经网络模型1000的各个聚类中心之间的关系。图5根据本发明的一实施例绘示聚类中心之间的关系的示意图。在本实施例中，第一隐藏层1201可将9个聚类中心分布于九宫格中，并且将相邻的聚类中心定义为相关联的聚类中心。举例来说，第一隐藏层1201可定义聚类中心p4与聚类中心p7、p5和p1相关联。第一隐藏层1201可定义聚类中心p3与聚类中心p2和p6相关联。第一隐藏层1201可定义聚类中心p5与聚类中心p2、p4、p6和p8相关联。[0052]接着，训练模块122可根据多个标签数据来更新各个聚类中心的特征值。训练模块122可将多个标签数据区分为训练数据集、测试数据集以及验证数据集。第一隐藏层1201可根据训练数据集中的训练数据来更新各个聚类中心的特征值。具体来说，第一隐藏层1201可根据训练数据的特征值判断训练数据对应于特定聚类中心，并且根据训练数据更新所述特定聚类中心的特征值以及与所述特定聚类中心相关联的聚类中心的特征值。如图4a所示，假设训练模块122将训练数据t1输入至神经网络模型1000，第一隐藏层1201可判断(例如：基于欧氏距离)训练数据t1对应于聚类中心p4。据此，第一隐藏层1201可根据训练数据t1更新聚类中心p4、p7、p5和p1的特征值。利用训练数据t1更新过的聚类中心如图4b所示。[0053]第一隐藏层1201可根据训练数据集中的多个训练数据不断地更新聚类中心的特征值，直到满足停止条件为止。停止条件例如是关联于更新次数或收敛误差等，本发明实施例不限于此。完成更新后的聚类中心可如图4c所示。完成聚类中心的更新后，第一隐藏层1201的训练即可结束。[0054]在第一隐藏层1201的训练过程中，处理器110可将训练数据与聚类中心的关系记录于存储介质120中。例如，若第一隐藏层1201判断训练数据t1对应于聚类中心p4，则处理器110可将“训练数据t1对应于聚类中心p4”记录于存储介质120中。换句话说，在完成各个聚类中心的特征值的更新后，存储介质120可记录与特定聚类中心相对应的一或多笔训练数据。[0055]在一实施例中，运算模块123可根据与特定聚类中心相对应的一或多笔训练数据中的标签分数计算所述特定聚类中心的分数。举例来说，若存储介质120记录共有训练数据t1、训练数据t2以及训练数据t3等三笔训练数据对应于聚类中心p4。运算模块123可根据训练数据t1的标签分数s1、训练数据t2的标签分数s2以及训练数据t3的标签分数s3来计算对应于聚类中心p4的分数。例如，运算模块123可计算标签分数s1、标签分数s2以及标签分数s3的平均值以作为对应于聚类中心p4的分数。[0056]在一实施例中，运算模块123可统计对应于第一聚类中心的多个训练数据中的至少一个训练数据的至少一个标签取向决定与第一聚类中心相对应的应用取向。举例来说，若存储介质120记录共有训练数据t1、训练数据t2以及训练数据t3等三笔数据对应于聚类中心p4。运算模块123可根据训练数据t1的标签取向o1、训练数据t2的标签取向o2以及训练数据t3的标签取向o3来决定对应于聚类中心p4的应用取向。例如，运算模块123可统计标签取向o1、标签取向o2以及标签取向o3中对应于高运算效能取向的标签取向的数量。若对应于高运算效能取向的标签取向的数量占多数，则运算模块123可判断聚类中心p4的应用取向为高运算效能取向。[0057]在完成聚类中心的更新后，第二隐藏层1202可基于径向基底函数(radial basis function，rbf)算法而根据聚类中心来产生权重矩阵。图6a根据本发明的一实施例绘示产生权重矩阵w的示意图。假设n为特征的数量、m为聚类中心的数量并且k为训练数据的数量，其中n、m和k为正整数。在阶段1中，第二隐藏层1202可产生矩阵a以及矩阵b，其中矩阵a的元素ai,j(1≤i≤n,1≤j≤m)代表第j个聚类中心的第i个特征的特征值，并且矩阵b的元素bi,j(1≤i≤n,1≤j≤k)代表第j笔训练数据的第i个特征的特征值。第二隐藏层1202可根据矩阵a以及矩阵b计算k笔训练数据与m个聚类中心之间的距离(例如：欧氏距离)，从而产生距离矩阵d，其中距离矩阵d的元素di,j(1≤i≤k,1≤j≤m)代表第i笔训练数据与第j个聚类中心之间的距离。接着，第二隐藏层1202可产生距离矩阵d的虚反矩阵(pseudo inverse matrix)i。[0058]在阶段2中，第二隐藏层1202可产生矩阵s，其中矩阵s的元素si,1(1≤i≤k)代表第i笔训练数据的标签分数。训练模块122可将虚反矩阵i与矩阵s相乘以产生权重矩阵w，其中权重矩阵w的元素wi,1(1≤i≤m)代表对应于第i个聚类中心的权重。[0059]在取得权重矩阵w后，第二隐藏层1202的训练即可结束。在一实施例中，训练模块122可进一步判断所产生的权重矩阵w是否为可用的。具体来说，在阶段3中，训练模块122可将对应于k个训练数据的距离矩阵d与权重矩阵w相乘以产生矩阵e1，其中矩阵e1的元素e1i,1(1≤i≤k)代表对应于第i笔训练数据的估计分数。训练模块122可根据矩阵e1判断权重矩阵w是否为可用的。举例来说，训练模块122可响应于矩阵e1与矩阵s的距离(例如：欧氏距离)小于阈值而判断权重矩阵w为可用的。若权重矩阵w为可用的，则训练模块122可判断第二隐藏层1202的训练已完成。[0060]回到图2，在步骤s202中，除了产生神经网络模型1000外，训练模块122还可依据与产生神经网络模型1000相似的方式来产生神经网络模型2000、3000、4000和5000。不同神经网络模型的差异可在于聚类中心的数量。举例来说，神经网络模型1000可包含9个聚类中心，并且神经网络模型2000可包含1个聚类中心。聚类中心的数量可以是任意的正整数，本发明实施例不限于此。表3为神经网络模型1000、2000、3000、4000和5000所对应的聚类中心的数量的范例。[0061]表3[0062][0063]在产生多个神经网络模型后，在步骤s203中，运算模块123可分析多个神经网络模型的效能。以神经网络模型1000为例，运算模块123可根据多个标签数据中的测试数据集或验证数据集来计算神经网络模型1000的损失函数值，从而根据损失函数值判断神经网络模型1000的效能。损失函数值例如是由神经网络模型1000计算的分数以及标签分数的均方根误差(root-mean-square error，rmse)。[0064]为了计算神经网络模型1000的损失函数值，运算模块123可将验证数据集或测试数据集中的数据输入至神经网络模型1000。假设运算模块123将测试数据输入至神经网络模型1000，则神经网络模型1000的第二隐藏层1202可利用权重矩阵w计算对应于该测试数据的分数。图6b根据本发明的一实施例绘示利用权重矩阵w产生对应于测试数据的分数的示意图。[0065]在阶段1中，第二隐藏层1202可计算矩阵a与矩阵t1之间的距离以产生距离矩阵d2，其中矩阵a的元素ai,j(1≤i≤n,1≤j≤m)代表第j个聚类中心的第i个特征的特征值，矩阵t1的元素t1i,1(1≤i≤n)代表测试数据的第i个特征的特征值，并且矩阵d2的元素d21,j(1≤j≤m)代表测试数据与第j个聚类中心之间的距离。在取得距离矩阵d2后，在阶段2中，第二隐藏层1202可将距离矩阵d2与权重矩阵w进行相乘以产生分数e2。运算模块123可根据分数e2计算神经网络模型1000的损失函数值。损失函数值例如是测试数据的标签分数以及分数e2的均方根误差。如表3所示，运算模块123可计算神经网络模型1000的损失函数值为120。基于相似的方法，运算模块123可计算神经网络模型2000、3000、4000和5000的损失函数值，如表3所示。[0066]回到图2，在步骤s204中，运算模块123可从多个神经网络模型中选出最佳的神经网络模型。举例来说，运算模块123可根据损失函数值来选择最佳的神经网络模型。图7根据本发明的一实施例绘示神经网络模型的损失函数值的示意图。由图7和表3可知，相较于包含1、4、16和25个聚类中心的神经网络模型(即：神经网络模型2000、3000、4000和5000)，包含9个聚类中心的神经网络模型(即：神经网络模型1000)具有最低的损失函数值。因此，运算模块123可选择神经网络模型1000作为最佳的神经网络模型。[0067]图2b根据本发明的另一实施例绘示产生神经网络模型1000的流程图。在步骤s21中，数据收集模块121可通过收发器130取得多个标签数据，其中所述多个标签数据的每一个可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。在步骤s22中，训练模块122可根据多个标签数据产生神经网络模型1000。在步骤s23中，运算模块123可分析神经网络模型1000的效能。[0068]在步骤s24中，运算模块123可判断神经网络模型1000的效能是否可接受。举例来说，运算模块123可响应于神经网络模型1000的损失函数值小于阈值而判断神经网络模型1000的效能是可接受的，并可响应于损失函数值大于或等于阈值而判断神经网络模型1000的效能是不可接受的。若神经网络模型1000的效能是可接受的，则进入步骤s26。若神经网络模型1000的效能是不可接受的，则进入步骤s25。[0069]在步骤s25中，训练模块122可改变神经网络模型1000的架构，并且回到步骤s22以重新训练神经网络模型1000。具体来说，训练模块122可改变神经网络模型1000的聚类中心的数量。例如，训练模块122可将神经网络模型1000的聚类中心的数量由1个改变为4个。在步骤s26中，运算模块123可判断神经网络模型1000的训练已经完成。[0070]在一实施例中，电子装置100可利用训练完的神经网络模型1000来计算配置需求的分数。举例来说，数据收集模块121可通过收发器130取得对应于多个特征(例如：如表2所示的特征)的配置需求。运算模块123可将配置需求输入至神经网络模型1000，并且神经网络模型1000可输出对应于配置需求的分数。具体来说，神经网络模型1000的第二隐藏层1202可根据如图6b所示的方法计算对应于多个聚类中心以及配置需求的第二距离矩阵d2，并且根据第二距离矩阵d2与权重矩阵w计算出该配置需求的分数。输出模块124可通过收发器130或通过耦接的显示设备(图未示)输出分数以供用户参考。用户可根据分数来评价配置需求。[0071]在一实施例中，数据收集模块121可通过收发器130取得包含第一配置需求的多个配置需求，并将多个配置需求输入至神经网络模型1000以产生分别对应于多个配置需求的多个分数。运算模块123可响应于第一配置需求的第一分数为所述多个分数中的最大分数而判断第一配置需求的效能优于其他配置需求的效能。举例来说，若第一配置需求的第一分数高于第二配置需求的第二分数，则用户可判断第一配置需求的效能优于第二配置需求的效能。在一实施例中，运算模块123可响应于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判断第二配置需求的效能劣于其他配置需求的效能。运算模块123可根据对应于最大分数的第一配置需求以及对应于最小分数的第二配置需求进行差异分析以产生差异分析报告。输出模块124可通过收发器130输出差异分析报告以供使用者参考。如此，使用者可根据差异分析报告以判断哪些特征(例如：主板型号或中央处理单元功率等)可显著地影响效能。[0072]电子装置100可利用训练完的神经网络模型1000来产生参考配置。若用户想要设计出一台具有特定功能的运算装置，则用户可收集与该特定功能有关的历史数据，并通过历史数据搜集相关的配置需求。电子装置100可根据历史数据相关的配置需求来产生运算装置的参考配置。举例来说，若使用者想要设计一台具有高度运算能力的运算装置，则电子装置100可利用对应于高运算效能取向的配置需求来产生参考配置。类似地，若使用者欲设计一台具有高存储容量的运算装置，则电子装置100可利用对应于高存储容量取向的配置需求来产生参考配置。[0073]在一实施例中，电子装置100的数据收集模块121可通过收发器130取得多个配置需求，其中多个配置需求分别对应于多个特征(例如：如表2所示的特征)。接着，运算模块123可将多个配置需求分别输入至神经网络模型1000中。神经网络模型1000可产生分别对应于多个配置需求的多个分数。运算模块123可根据多个分数而从多个配置需求中选择第一配置需求。举例来说，运算模块123可响应于第一配置需求的第一分数为多个分数中的最大分数而从多个配置需求中选择第一配置需求。[0074]在另一实施例中，在数据收集模块121通过收发器130取得第一配置需求后，运算模块123可判断第一配置需求对应于神经网络模型1000中的多个聚类中心的中的一个。[0075]在一实施例中，运算模块123可根据第一配置需求的取向决定与第一配置需求相对应的聚类中心。具体来说，第一配置需求可包含第一取向。运算模块123可响应于第一取向与多个聚类中心中的第一聚类中心的应用取向相匹配而判断第一配置需求对应于第一聚类中心。举例来说，若第一配置需求对应于高运算效能取向并且第一聚类中心对应于高运算效能取向，则运算模块123可判断第一配置需求对应于第一聚类中心。[0076]若存在多个对应于相同的应用取向的聚类中心，并且该应用取向与第一配置需求的第一取向相匹配，则运算模块123无法直接地根据取向来决定与第一配置需求相对应的聚类中心。据此，运算模块123可从多个聚类中心中选出具有最大分数的聚类中心，并且决定第一配置需求与所述聚类中心相对应。举例来说，假设多个聚类中心中，聚类中心p4和聚类中心p5对应于高运算效能取向。若第一配置需求也对应于高运算效能取向，则运算模块123可响应于聚类中心p4的分数大于聚类中心p5的分数而判断第一配置需求与聚类中心p4相对应。[0077]在一实施例中，运算模块123可响应于第一配置需求与多个聚类中心中的第一聚类中心最为接近(例如：根据欧氏距离判断)而判断第一配置需求对应于第一聚类中心。在一实施例中，运算模块123可根据第一配置需求与多个聚类中心之间的距离决定与第一配置需求相对应的聚类中心。具体来说，第一配置需求可包含分别对应于多个特征的多个特征值，并且多个聚类中心的每一个可包含分别对应于多个特征的多个特征值。运算模块123可根据第一配置需求的多个特征值与多个聚类中心的每一个的多个特征值计算第一配置需求与多个聚类中心的每一个之间的距离，从而产生多个距离。运算模块123可响应于与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第一配置需求对应于第一聚类中心。[0078]若存在多个与第一配置需求最接近的聚类中心，则运算模块123无法直接地根据距离来决定与第一配置需求相对应的聚类中心。据此，运算模块123可从多个聚类中心中选出具有最大分数的聚类中心，并且决定第一配置需求与所述聚类中心相对应。举例来说，假设多个聚类中心中，聚类中心p4和聚类中心p5最接近第一配置需求。运算模块123可响应于聚类中心p4的分数大于聚类中心p5的分数而判断第一配置需求与聚类中心p4相对应。[0079]在决定与第一配置需求相对应的第一聚类中心后，运算模块123可根据第一聚类中心的多个特征值来产生参考配置，其中所述多个特征值分别对应于多个特征。举例来说，运算模块123可基于第一聚类中心的特征“内存容量”的特征值为“16兆字节”而将参考配置的特征“内存容量”的特征值设置为“16兆字节”。在产生参考配置后，输出模块124可通过收发器130输出参考配置以供用户参考。[0080]在一实施例中，电子装置100的数据收集模块121可通过收发器130取得多个配置需求，其中多个装置配置可对应于多个特征(例如：如表2所示的特征)。接着，运算模块123可将多个配置需求分别输入至神经网络模型1000中。神经网络模型1000可产生分别对应于多个配置需求的多个分数。运算模块123可根据多个分数而从多个配置需求中选择多个配置需求。举例来说，运算模块123可响应于第二配置需求的第二分数以及第三配置需求的第三分数大于分数阈值而从多个配置需求中选择第二配置需求以及第三配置需求。而后，运算模块123可判断第二配置需求以及第三配置需求所对应的聚类中心。举例来说，运算模块123可响应于第二配置需求与多个聚类中心中的第二聚类中心最为接近而判断第二配置需求对应于第二聚类中心，并可响应于第三配置需求与多个聚类中心中的第三聚类中心最为接近而判断第三配置需求对应于第三聚类中心。据此，运算模块123可根据第二聚类中心的多个特征值以及第三聚类中心的多个特征值来产生参考配置，其中所述多个特征值对应于多个特征。聚类中心的多个特征的每一个的特征值为该聚类中最具代表性的数据，故运算模块123可以聚类中心的多个特征值来产生参考配置。[0081]图8根据本发明的一实施例绘示一种产生运算装置的参考配置的方法的流程图，其中所述方法可由如图1所示的电子装置100实施。在步骤s801中，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。在步骤s802中，取得第一配置需求。在步骤s803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。在步骤s804中，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。在步骤s805中，输出参考配置。[0082]综上所述，本发明实施例可根据历史数据训练出用以推估装置配置的分数的神经网络模型。相较于传统的测试软件，本发明实施例的神经网络模型可以在很短的时间内计算出装置配置的分数，并可节省大量的人力或物力。神经网络模型可包含多个聚类中心，并且不同的聚类中心可代表着重在不同功能的装置配置。本发明实施例可通过历史数据来判断各个聚类中心所对应的功能，并且根据用户的需求而利用聚类中心产生着重于特定功能的运算装置的参考配置。参考配置除了可作为用户组装运算装置时的参考，还可供使用者分析，藉以帮助用户了解各个组件对运算装置的功能的影响，从而改善用户设计装置配置的能力。[0083]【符号说明】[0084]100:电子装置[0085]1000、2000、3000、4000、5000:神经网络模型[0086]110:处理器[0087]1100:输入层[0088]120:存储介质[0089]1200:隐藏层[0090]1201:第一隐藏层[0091]1202:第二隐藏层[0092]121:数据收集模块[0093]122:训练模块[0094]123:运算模块[0095]124:输出模块[0096]125:数据库[0097]130:收发器[0098]1300:输出层[0099]a、b、e1、s、t1:矩阵[0100]d、d2:距离矩阵[0101]e2:分数[0102]i:虚反矩阵[0103]p1、p2、p3、p4、p5、p6、p7、p8、p9:聚类中心[0104]s201、s202、s203、s204、s21、s22、s23、s24、s25、s801、s802、s803、s804、s805:步骤[0105]t1:训练数据[0106]w:权重矩阵[0107]x1、x2:特征









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!