本发明涉及人工智能，更具体地，涉及一种基于自组织映射神经网络的渲染程序性能评估方法。
背景技术：
1、在计算机图形学和渲染领域，性能评估和基准测试对于优化渲染算法和提高图形应用程序的效率至关重要。渲染程序通常会涉及复杂的图形处理、光照计算等任务，其性能受到硬件架构的影响。
2、在渲染程序性能评估领域，现有方法包括使用传统的基准测试集、性能分析工具以及机器学习技术等。例如，对于机器学习的性能预测方案，已有研究尝试使用神经网络来预测图形应用程序的性能。这些神经网络被训练以识别与渲染任务相关的特定特征，并预测这些特征对性能的影响。然而，这类方法并未专门关注微架构无关的特征。又如，一些研究尝试设计基准测试或性能分析工具，使其在不同的处理器微架构上具有更好的通用性。然而，这类方案仅考虑到不同微架构对性能影响的因素，但未涉及到神经网络的应用。此外，还有一些方法致力于构建图形应用程序性能的模型，以预测在不同硬件上的表现。这些模型通常使用统计方法或机器学习技术，但具体实现过程中性能差异较大，通用性差。
3、经分析，现有的渲染程序性能评估方法存在以下缺陷：
4、1)传统的基准测试集和性能分析工具在设计上依赖于特定的硬件架构，使得这类方案在不同处理器上难以通用，从而导致在不同硬件平台上难以准确比较渲染程序的性能。
5、2)渲染程序通常具有高度复杂性和多样性，包括不同的光照效果、材质、阴影等。现有测试方法难以涵盖这些复杂性，从而限制了性能评估的全面性。
6、3)渲染程序在不同的处理器微架构上的性能表现有很大差异。传统方法无法有效地捕捉和处理这些微架构变化，从而导致在不同硬件上的性能预测不准确。
技术实现思路
1、本发明的目的是克服上述现有技术的缺陷，提供一种基于自组织映射神经网络的渲染程序性能评估方法。该方法包括以下步骤：
2、针对目标渲染任务，提取微架构无关特征；
3、将所述微架构无关特征进行归一化处理并输入到经训练的堆栈自编码器，获得低维特征数据；
4、将所述低维特征数据输入到经训练的自组织映射神经网络，预测该目标渲染任务在目标微架构上的性能。
5、与现有技术相比，本发明的优点在于，构建了不受特定硬件架构限制的测试集，使得渲染程序性能的评估在不同的处理器架构上都能有效发挥作用，通用性强。并且，通过考虑微架构无关特征，能够更全面捕捉渲染程序的性能特性，包括光照效果、材质处理等多方面因素。此外，利用堆栈自编码器结合自组织映射神经网络来学习建模渲染程序性能特征，提高了在不同微架构上的性能预测的准确性。总之，本发明通过引入自组织映射神经网络和微架构无关特征，提供了更通用、更全面、更准确的渲染程序性能评估方法。
6、通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其优点将会变得清楚。
1.一种基于自组织映射神经网络的渲染程序性能评估方法，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述堆栈自编码器包含编码器和解码器，所述编码器相邻层中的神经元个数逐层降低，所述解码器相邻层中的神经元个数逐层增高，在所述编码器相邻层中，前一层的输出作为后一层的输入，所述堆栈自编码器的最后一个隐含层的输出结果作为所述低维特征数据传递至所述自组织映射神经网络。
3.根据权利要求1所述的方法，其特征在于，所述堆栈自编码器和自组织映射神经网络根据以下步骤训练：
4.根据权利要求2所述的方法，其特征在于，在训练所述自组织映射神经网络的第t次迭代过程中，根据下式更新输出层各节点的权重向量：
5.根据权利要求4所述的方法，其特征在于，在第t次迭代过程中，将学习率a(t)和近邻半径σ(t)分别设置为：
6.根据权利要求4所述的方法，其特征在于，在训练所述自组织映射神经网络过程中，样本xi对应的最佳匹配单元根据下式确定：
7.根据权利要求3所述的方法，其特征在于，训练所述堆栈自编码器的损失函数被设置为均方误差，用于衡量所述堆栈自编码器的重构误差。
8.根据权利要求1所述的方法，其特征在于，所述微架构无关特征包括着色器种类个数，基本块个数、线程执行路径和帧率。
9.一种计算机可读存储介质，其上存储有计算机程序，其中，该计算机程序被处理器执行时实现根据权利要求1至8中任一项所述的方法的步骤。
10.一种计算机设备，包括存储器和处理器，在所述存储器上存储有能够在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
