特效消耗时长的预测方法、装置、电子设备及存储介质制造方法及图纸

本申请涉及计算机技术领域，尤其涉及特效消耗时长的预测方法、装置、电子设备及存储介质。本申请基于待预测特效的至少一个目标特征参数在多个渲染帧中对应的候选特征值，确定影响待预测特效在渲染过程中消耗时间的关键数据，也即目标特征值，并将待预测特效的至少一个目标特征值输入训练好的特效消耗时长预测模型中，可以预测出待预测特效在渲染过程中目标最大消耗时长。这样，可以提高特效消耗时长预测模型预测的准确性，并可以减少美术人员和质检人员的工作成本，从而提高特效测试和特效削减的效率。削减的效率。削减的效率。

【技术实现步骤摘要】
特效消耗时长的预测方法、装置、电子设备及存储介质


[0001]本申请涉及计算机
，尤其涉及特效消耗时长的预测方法、装置、电子设备及存储介质。

技术介绍

[0002]在美术特效制定方面，由于机器性能有限，尤其是游戏特效需要在手机客户端进行渲染，若渲染过程中特效消耗时间过长，就可能造成游戏卡顿的现象。为了解决这个问题，制定了特效标准，通过对特效进行削减，来使得最终生成的特效的最大消耗时长满足制定标准。
[0003]但是，美术人员在电脑上设计和制作特效，由于不能准确知道其在手机等终端设备上的最大消耗时间，因而需要将特效导出到测试机并压测之后才能知道是否满足标准。一旦不满足标准，则需要回到电脑上对特效的某些特性进行削减后再次导出到测试机。采用这种方式，需要反复进行特效测试和特效削减，直至满足标准，不但需要花费美术人员和质检人员的大量工作成本，还会使得特效测试和削减的效率均较低。

技术实现思路

[0004]有鉴于此，本申请实施例至少提供特效消耗时长的预测方法、装置、电子设备及存储介质，可以提高特效消耗时长预测模型预测的准确性，并可以减少美术人员和质检人员的工作成本，从而提高特效测试和特效削减的效率。
[0005]本申请主要包括以下几个方面：
[0006]第一方面，本申请实施例提供一种特效消耗时长的预测方法，所述方法包括：获取待预测特效的至少一个目标特征参数在多个渲染帧中对应的候选特征值；针对任一所述目标特征参数，基于所述目标特征参数对应的多个候选特征值，确定所述目标特征参数对应的目标特征值；所述目标特征值为影响所述待预测特效在渲染过程中消耗时间的关键数据；将所述待预测特效的至少一个目标特征值输入训练好的特效消耗时长预测模型中，预测出所述待预测特效的目标最大消耗时长；所述目标最大消耗时长用于表征所述待预测特效在渲染过程中各个渲染帧对应的消耗时长中的最大时长。
[0007]第二方面，本申请实施例还提供一种特效消耗时长的预测装置，所述装置包括：获取模块，用于获取待预测特效的至少一个目标特征参数在多个渲染帧中对应的候选特征值；确定模块，用于针对任一所述目标特征参数，基于所述目标特征参数对应的多个候选特征值，确定所述目标特征参数对应的目标特征值；所述目标特征值为影响所述待预测特效在渲染过程中消耗时间的关键数据；预测模块，用于将所述待预测特效的至少一个目标特征值输入训练好的特效消耗时长预测模型中，预测出所述待预测特效的目标最大消耗时长；所述目标最大消耗时长用于表征所述待预测特效在渲染过程中各个渲染帧对应的消耗时长中的最大时长。
[0008]第三方面，本申请实施例还提供一种电子设备，包括：处理器、存储器和总线，所述
存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过所述总线进行通信，所述机器可读指令被所述处理器运行时执行上述第一方面中所述的特效消耗时长的预测方法的步骤。
[0009]第四方面，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行上述第一方面中所述的特效消耗时长的预测方法的步骤。
[0010]本申请实施例提供的特效消耗时长的预测方法、装置、电子设备及存储介质，通过将影响待预测特效在渲染过程中消耗时间的关键数据输入训练好的特效消耗时长预测模型中，可以预测出待预测特效在渲染过程中目标最大消耗时长，其中，该关键数据为待预测特效的至少一个目标特征参数的目标特征值，与相关技术中的美术人员需要反复对特效进行削减，质检人员反复对特效进行测试，直至特效满足标准，不但需要花费美术人员和质检人员的大量工作成本，还会使得特效测试和削减的效率均较低相比，本申请实施例无需将待预测特效导出到测试机就能够准确地预测出待预测特效在渲染过程中目标最大消耗时长，这样，美术人员可以直接对特效进行削减达到标准，减少了进行特效测试和特效削减的人力成本，从而可以提高特效测试和特效削减的效率。
[0011]进一步，本申请实施例提供的特效消耗时长的预测方法，通过选取目标单调递增决策森林模型作为特效消耗时长预测模型，对待预测特效进行目标最大消耗时长的预测，可以保证预测出的消耗时长的结果和特征值大小是正相关的，可以提高模型的可解释性和预测的准确率性。
[0012]进一步，本申请实施例提供的特效消耗时长的预测方法，对于不满足标准消耗时长要求的待预测特效，还可以确定具体的削减策略，其中，削减策略包括需要削减的至少一个目标特征参数，以及每个目标特征参数对应的预期削减特征值。这样，通过削减策略可以为美术人员提供对特效进行削减的指导性意见，无需反复削减特效就能满足标准，可以进一步提高特效削减效率。
[0013]为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
[0014]为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
[0015]图1示出了本申请其中一种可选的实施例所提供的一种特效消耗时长的预测方法的流程图；
[0016]图2示出了本申请其中一种可选的实施例所提供的特效消耗预测界面的示意图；
[0017]图3示出了本申请其中一种可选的实施例所提供的一种特效消耗时长的预测装置的功能模块图之一；
[0018]图4示出了本申请其中一种可选的实施例所提供的一种特效消耗时长的预测装置的功能模块图之二；
[0019]图5示出了本申请其中一种可选的实施例所提供的一种电子设备的结构示意图。
具体实施方式
[0020]为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解，本申请中的附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应当理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。
[0021]另外，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的全部其他实施例，都属于本申请保护的范围。
[0022]为了使得本领域技术人员能够使用本申请内容，结合特定本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种特效消耗时长的预测方法，其特征在于，所述方法包括：获取待预测特效的至少一个目标特征参数在多个渲染帧中对应的候选特征值；针对任一所述目标特征参数，基于所述目标特征参数对应的多个候选特征值，确定所述目标特征参数对应的目标特征值；所述目标特征值为影响所述待预测特效在渲染过程中消耗时间的关键数据；将所述待预测特效的至少一个目标特征值输入训练好的特效消耗时长预测模型中，预测出所述待预测特效的目标最大消耗时长；所述目标最大消耗时长用于表征所述待预测特效在渲染过程中各个渲染帧对应的消耗时长中的最大时长。2.根据权利要求1所述的方法，其特征在于，针对任一所述目标特征参数，根据以下步骤确定所述目标特征参数对应的目标特征值：从所述目标特征参数对应的多个候选特征值中选取最大特征值，确定为所述目标特征值；和/或，根据所述目标特征参数对应的多个候选特征值，确定反映所述目标特征参数在所述待预测特效中的总体特征值，并将所述总体特征值确定为所述目标特征值。3.根据权利要求1所述的方法，其特征在于，所述目标特征值包括以下至少一种数值：最大渲染操作调用次数、最大粒子数、最大面数、最大贴图数、总体纹理数、总体子模型数。4.根据权利要求1所述的方法，其特征在于，所述特效消耗时长预测模型为目标单调递增决策森林模型，所述目标单调递增决策森林模型包括多个梯度提升决策树；所述将所述待预测特效的至少一个目标特征值输入训练好的特效消耗时长预测模型中，预测出所述待预测特效的目标最大消耗时长，包括：将所述待预测特效的至少一个目标特征值输入各个梯度提升决策树，确定各个梯度提升决策树的投票打分结果；根据所述多个梯度提升决策树的投票打分结果，预测出所述待预测特效的目标最大消耗时长。5.根据权利要求4所述的方法，其特征在于，根据以下步骤训练出所述目标特效消耗时长预测模型：获取多个样本特效，以及每个样本特效对应的真实最大消耗时长；针对任一所述样本特效，确定所述样本特效的至少一个样本特征参数对应的样本特征值；所述样本特征值为影响所述样本特效在渲染过程中消耗时间的关键数据；基于各个样本特效对应的样本特征值、每个样本特效对应的真实最大消耗时长以及单调递增约束条件，对初始单调递增决策森林模型进行训练，得到所述特效消耗时长预测模型；所述单调递增约束条件为样本特征值的大小与模型预测消耗时长满足正相关关系的条件。6.根据权利要求5所述的方法，其特征在于，所述基于各个样本特效对应的样本特征值、每个样本特效对应的真实最大消耗时长以及单调递增约束条件，对初始单调递增决策森林模型进行训练，得到所述特效消耗时长预测模型，包括：根据各个样本特效对应的样本特征值、每个样本特效对应的真实最大消耗时长以及单调递增约束条件，确定所述初始单调递增决策森林模型中每个梯度提升决策树的叶子节点
的节点参数；基于各个梯度提升决策树中叶子节点的节点参数，生成所述特效消耗时长预测模型。7.根据权利要求5所述的方法，其特征在于，在所述基于各个样本特效对应的样本特征值、每个样本特效对应的真实最大消耗时长以及单调递增约束条件，对初始单调递增决策森林模型进行训练，得到所述特效...

【专利技术属性】
技术研发人员：刘冠廷，
申请(专利权)人：网易杭州网络有限公司，
类型：发明
国别省市：