[0001] 本发明总体来说涉及终端管理领域，更具体地讲，涉及一种管理终端的方法和终端。

[0002] 随着嵌入式神经网络处理器芯片的出现，越来越多的人工智能技术实现方案从云端侧人工智能(On Cloud AI)转移发展为终端侧人工智能(On Device AI)，预计未来几年内，智能终端设备会承载更多人工智能运算的任务。

[0003] 然而，当智能终端设备进行大规模数据量的人工智能运算时，由于运算过程会占据较长的时间以及运算的用电需求较大，因此会导致智能终端设备的功耗增加且电量急剧下降。如果智能终端设备在运算初始阶段处于低电状态，会存在掉电的风险，无法保证运算的连续性和稳定性。另一方面，如果只是单纯通过搭载更大容量的电池来解决上述问题，不仅成本增加，同时还可能使得智能终端设备的外观设计变得厚重，而经常使用移动电源充电使得便利性降低，用户的体验度大打折扣。

[0033] 现将详细参照本发明的示例性实施例，所述实施例的示例在附图中示出，其中，相同的标号始终指的是相同的部件。以下将通过参照附图来说明所述实施例，以便解释本发明。

[0034] 图1示出根据本发明示例性实施例的管理终端的方法的流程图。这里，作为示例，所述终端可以是智能手机、平板电脑、个人计算机、多媒体播放器等具有人工智能运算功能的电子设备。

[0035] 如图1所示，在步骤S100，收集用户使用数据。这里，收集的用户使用数据可以是用户在终端上的使用数据，例如但不限于，用户使用终端期间的终端的亮灭屏数据、开关机数据、播放器使用数据、浏览器使用数据等。

[0036] 附加地，所述方法还可包括确定终端是否处于预定充电状态的步骤，具体地，在步骤S200，确定终端是否处于预定充电状态。

[0037] 作为示例，所述预定充电状态指示满足以下状态中的至少一个：当前电量大于预设阈值的充电阶段、预定供电方式的充电、实时充入电量大于实时消耗电量的充电阶段、预定时间段内的充电、根据预定算法预测出满足预定充电情况的充电。

[0038] 例如，假设预设阈值为电池电量的40％的电量时，当前电量大于预设阈值的充电阶段可以是指当前电量大于电池电量的40％的电量时的充电阶段。此外，当预设阈值为电池电量的100％的电量时，当前电量大于预设阈值的充电阶段可以包括过冲的充电阶段，即充电电量大于电池电量的充电阶段，例如，在终端充满电后还连接着电源。应该理解，上述预设阈值不局限于上述示例中的电池电量的40％或者100％，也可以是根据实际设置的任意电量，本发明在此不做任何限定。

[0039] 由于各种形式的接入电源的有线供电方式提供的电源更加稳定，而如USB充电、移动电源充电或无线充电等无法提供稳定的电源，因此，在本发明的示例性实施例中，预定供电方式可包括原装充电器接入电源的有线供电方式和使用通用的非原装充电器接入电源的有线供电方式。这里，终端中的电源管理设备可以通过检测充电电压以及充电电流的差异来区分充电器充电和USB充电，也可以通过充电输入的差异来区分有线充电和无线充电。本领域技术人员应理解，上述预定供电方式仅是示例性，也可以是本领域技术人员根据技术发展和实际场景确定的其他内容，本发明在此不做任何限定。

[0040] 此外，作为示例，所述预定时间段内的充电可包括在预定时间段内的预定模式下的充电。例如，终端内预先设置有各种预定模式，例如，省电模式、上班模式、锻炼模式等。如果预定时间段为夜间的一个时间段，例如，晚10点至次日早上2点，预定模式为夜间省电模式，则预定时间段内的充电可以是夜间省电模式下的充电。

[0041] 此外，作为示例，所述满足预定充电情况为在充电期间能够满足执行所述人工智能相关的运算而不影响用户充电需求的情况。在一个示例中，可通过以下方式来根据预定算法预测满足预定充电情况的充电：

[0042] 首先，获取终端的历史充电数据。作为示例，历史充电数据包括以下项中的至少一项：执行充电的时间段、充电时长、供电方式、充电期间终端的耗电情况和终端耗电模式。

[0043] 然后，基于终端的历史充电数据，根据预定算法预测当前充电的趋势。可使用现有的预定算法来基于终端的历史充电数据来预测当前充电的趋势。这里的预定算法可包括但不限于用于预测当前充电的趋势的人工智能模型、用于预测当前充电的趋势的数学公式。

[0044] 然后，判断所述趋势是否满足预定充电情况。在一个示例中，可判断在充电期间执行所述人工智能相关的运算是否不会导致电量的减少，如果在充电期间执行所述人工智能相关的运算不会导致电量的减少，则确定所述趋势满足预定充电情况。如果所述趋势满足预定充电情况，则可将所述趋势满足预定充电情况时的充电确定为满足预定充电情况的充电。

[0045] 此外，关于确定终端是否处于预定充电状态的步骤，在一个示例中，可确定向后预定时长内终端的可充入电量减去终端的待充电量再减去终端的耗电量得到的差值是否大于执行所述人工智能相关的运算所需消耗的电量，如果所述差值大于执行所述人工智能相关的运算所需消耗的电量，则终端处于预定充电状态，如果所述差值小于或者等于执行所述人工智能相关的运算所需消耗的电量，则终端未处于预定充电状态。

[0046] 这里，所述终端的可充入电量为终端在所述预定时长内被充入的电量，所述终端的待充电量为终端被充电时的目标电量与终端当前的电量的差值，所述终端的耗电量为在所述预定时长内终端不执行所述人工智能相关的运算时所需消耗的电量。

[0047] 作为示例，所述执行人工智能相关的运算所需消耗的电量为执行一个人工智能相关的运算的最低运算量所需的电量。所述目标电量为在当前时段下用户习惯将终端充电到的电量。

[0048] 具体说来，可通过上述方式来确定终端在所述预定时长内被充入的电量、终端被充电时的目标电量、终端当前的电量和终端不执行所述人工智能相关的运算时所需消耗的电量。下面，将结合具体的示例说明如何确定所述预定时长内终端的可充入电量与终端的待充电量和终端的耗电量的差值。

[0049] 例如，在所述终端的历史充电规律包括执行充电的时间段、充电时长、供电方式、充电期间终端的耗电情况和终端耗电模式的情况下，可获取到终端的充电起始时间点t、充电结束时间点P、终端当前的电量为E、终端被充电时的目标电量为E1、终端不执行所述人工智能相关的运算时消耗单位电量所需的时间为B，充入单位电量所需的时间为A，则所述预定时长内终端的可充入电量与终端的待充电量和终端的耗电量的差值E0可通过下面的等式(1)计算：

[0050] E0＝(P-t)/A(E1-E)-(P-t)/B······(1)

[0051] 如果一个人工智能最低运算量所需的电量为E2时，则可确定E0与E2的大小。如果E0大于E2，则确定所述终端的电量满足执行人工智能相关的运算的需求。

[0052] 另一方面，当终端未处于预定充电状态时，返回执行步骤S100。当终端处于预定充电状态时，在步骤S300，利用所述用户使用数据执行人工智能相关的运算。

[0053] 此外，附加地，所述方法可还包括基于充电参数来控制终端执行所述人工智能相关的运算所使用的参数的步骤。

[0054] 具体说来，可首先获取终端的充电参数，然后，基于所述充电参数，控制终端执行所述人工智能相关的运算所使用的参数。

[0055] 在一个示例中，所述人工智能相关的运算包括机器学习模型的训练，具体地可通过以下方式来基于所述充电参数，控制终端执行所述人工智能相关的运算所使用的参数：基于终端的充电参数控制终端执行所述机器学习模型的训练时使用的训练学习率，其中，所述训练学习率指示所述机器学习模型的目标函数与目标函数的最小值之间移动的步长。

[0056] 具体说来，获取的终端的充电参数可包括终端的以下参数中的至少一个：充电电流值、消耗电流值、当前电量、电量评价值、充电时长和充电时长调整系数。

[0057] 作为示例，可通过下面的等式来确定机器学习模型的训练时使用的训练学习率α：

[0058]

[0059] 其中，Cm为终端的充电电流值，Cn为终端的消耗电流值，Ck为预定电流值常量，E为终端的当前电量，Ek为终端的电量评价值，t为充电时长，λ为充电时长调整系数，e是自然对数的底数，其中，Ck＜Cn。

[0060] 具体说来，在终端的充电电流值Cm小于终端的消耗电流值Cn，并且终端的当前E大于终端的电量评价值Ek时，预定电流值常量Ck为一个无限小的常数值，Ck＜Cｎ，通过上述公式，可知在这种情况下，训练学习率α足够大可以使得机器学习模型的目标函数与最小值之间移动的步长变的足够大，从而使该次计算的收敛快速停止，以暂时结束该次的训练过程。通过这种方式，可以在电量不足的情况下，暂时结束机器学习模型的计算过程，以降低终端的功耗，防止因掉电引起的机器学习模型的计算的中断。

[0061] 此外，在终端的充电电流值Cｍ小于终端的消耗电流值Cn，并且终端的当前电量E小于或者等于终端的电量评价值Ek时，训练学习率α为0，指示该公式无效，此时机器学习模型的当前计算停止，通过该方式也可以防止因掉电引起的机器学习模型的计算的中断。

[0062] 此外，在终端的充电电流值Cm大于终端的消耗电流值Cn时，与未充电时仅存在消耗电流值Cn的情况相比，按照上述等式获得的训练学习率α变小，使得机器学习模型的目标函数与最小值之间的移动的步长变小，因此，输入数据量和数据计算的迭代的次数相应增多，训练机器学习模型的时长减小，训练机器学习模型的效率和精度提高。

[0063] 此外，在终端的充电电流值Cm大于终端的消耗电流值Cn时，随着充电时长的增加，终端的总电量会相应的增加，此时，当终端电量的增长超过预先设定的增长值阈值时，训练学习率α可以适度的衰减，例如，将训练学习率α降低到预先设置的学习率预定值，从而使得机器学习模型的目标函数与最小值之间的移动的步长也相应缩减，通过这种方式，可以终端的电量充足的情况下提高训练机器学习模型的训练精度。通过上述方式，可以自适应地调整训练机器学习模型的节奏和时长，达到保证机器学习模型训练的稳定性和降低终端的功耗的技术效果。

[0064] 另一方面，如果在训练机器学习模型的过程中，充电终止，此时可以在该次迭代计算结束后，将计算结果暂存，以下次训练机器学习模型时继续使用。

[0065] 此外，在另一个示例中，所述人工智能相关的运算可包括机器学习模型的应用。例如，假设预定机器训练模型为用户使用场景模型时，可将用户使用数据(例如，用户使用习惯数据)输入用户使用场景模型中，并由用户使用场景模型输出与当前采集的用户使用数据确定的分类结果，基于分类结果改变终端的功耗分配。例如，根据判别的场景关闭不必要的硬件相关模块及应用，使终端进入节能模式工作，例如，当分类结果为外出场景时，可根据终端的当前电量以及预测的出门时间提前对用户进行充电提醒。

[0066] 根据本发明示例性实施例的管理终端的方法，能够自适应选择执行人工智能相关的运算的时机，以达到兼顾智能运算的稳定性和降低终端的功耗的技术效果。

[0067] 图2示出根据本发明示例性实施例的终端的框图。作为示例，所述终端可以是智能手机、平板电脑、个人计算机等具有规模数据量的人工智能运算功能的电子设备。如图2所示，根据本发明示例性实施例的终端包括采集器100和处理器200。

[0068] 具体说来，处理器200被配置为执行以下处理：

[0069] 首先，控制采集器100收集用户使用数据。这里，收集的用户使用数据可以是用户在终端上的使用数据，例如但不限于，用户使用终端期间的终端的亮灭屏数据、开关机数据、播放器使用数据、浏览器使用数据等。

[0070] 处理器200还可附加地确定终端是否处于预定充电状态。

[0071] 作为示例，所述预定充电状态指示满足以下状态中的至少一个：当前电量大于预设阈值的充电阶段、预定供电方式的充电、实时充入电量大于实时消耗电量的充电阶段、预定时间段内的充电、根据预定算法预测出满足预定充电情况的充电。

[0072] 作为示例，所述满足预定充电情况为在充电期间能够满足执行所述人工智能相关的运算而不影响用户充电需求的情况。在一个示例中，处理器200可被配置为通过以下方式来根据预定算法预测满足预定充电情况的充电：

[0073] 首先，处理器200获取终端的历史充电数据。作为示例，历史充电数据包括以下项中的至少一项：执行充电的时间段、充电时长、供电方式、充电期间终端的耗电情况和终端耗电模式。

[0074] 然后，处理器200基于终端的历史充电数据，根据预定算法预测当前充电的趋势。可使用现有的预定算法来基于终端的历史充电数据来预测当前充电的趋势。这里的预定算法可包括但不限于用于预测当前充电的趋势的人工智能模型、用于预测当前充电的趋势的数学公式。

[0075] 然后，处理器200判断所述趋势是否满足预定充电情况。在一个示例中，处理器200可判断在充电期间执行所述人工智能相关的运算是否不会导致电量的减少，如果在充电期间执行所述人工智能相关的运算不会导致电量的减少，则处理器200确定所述趋势满足预定充电情况。如果所述趋势满足预定充电情况，则处理器200可将所述趋势满足预定充电情况时的充电确定为满足预定充电情况的充电。

[0076] 此外，在一个示例中，处理器200可被配置为通过以下方式确定终端是否处于预定充电状态，可确定向后预定时长内终端的可充入电量减去终端的待充电量再减去终端的耗电量得到的差值是否大于执行所述人工智能相关的运算所需消耗的电量，如果所述差值大于执行所述人工智能相关的运算所需消耗的电量，则终端处于预定充电状态，如果所述差值小于或者等于执行所述人工智能相关的运算所需消耗的电量，则终端未处于预定充电状态。

[0077] 这里，所述终端的可充入电量为终端在所述预定时长内被充入的电量，所述终端的待充电量为终端被充电时的目标电量与终端当前的电量的差值，所述终端的耗电量为在所述预定时长内终端不执行所述人工智能相关的运算时所需消耗的电量。

[0078] 作为示例，所述执行人工智能相关的运算所需消耗的电量为执行一个人工智能相关的运算的最低运算量所需的电量。所述目标电量为在当前时段下用户习惯将终端充电到的电量。

[0079] 另一方面，当终端处于预定充电状态时，处理器200利用所述用户使用数据执行人工智能相关的运算。

[0080] 此外，处理器200还被配置为获取终端的充电参数，基于所述充电参数，控制终端执行所述人工智能相关的运算所使用的参数。

[0081] 在一个示例中，所述人工智能相关的运算包括机器学习模型的训练，具体地处理器200可被配置为通过以下方式来基于所述充电参数，控制终端执行所述人工智能相关的运算所使用的参数：处理器200基于终端的充电参数控制终端执行所述机器学习模型的训练时使用的训练学习率，其中，所述训练学习率指示所述机器学习模型的目标函数与目标函数的最小值之间移动的步长。具体说来，获取的终端的充电参数可包括终端的以下参数中的至少一个：充电电流值、消耗电流值、当前电量、电量评价值、充电时长和充电时长调整系数。

[0082] 根据本发明的示例性实施例，处理器200可以包括一个或多个处理器。此时，一个或多个处理器可以是通用处理器，例如中央处理器(CPU)、应用处理器(AP)等，仅用于图形的处理器(例如图形处理器(GPU)、视觉处理器(VPU)和/或AI专用处理器(例如神经处理单元(NPU))。

[0083] 一个或多个处理器根据存储在非易失性存储器和易失性存储器中的预定义操作规则或人工智能(AI)模型来控制输入数据的处理。预定义的操作规则或人工智能模型可通过训练或学习提供。这里，通过学习提供意味着，通过将学习算法应用于多个学习数据，形成具有期望特性的预定义操作规则或AI模型。学习可以在根据实施例的执行AI的设备本身中执行，和/或可以通过单独的服务器/设备/系统来实现。

[0084] 作为示例，人工智能模型可以由多个神经网络层组成。每一层具有多个权重值，并且通过前一层的计算和多个权重值的操作来执行层操作。神经网络的例子包括但不限于卷积神经网络(CNN)、深度神经网络(DNN)、递归神经网络(RNN)、受限玻尔兹曼机(RBM)、深度置信网络(DBN)、双向递归深度神经网络(BRDNN)、生成式对抗网络(GAN)和深度Q网络。

[0085] 学习算法是使用多个学习数据来训练预定目标设备(例如，机器人)以使得、允许或控制目标设备做出确定或预测的方法。学习算法的例子包括但不限于有监督学习、无监督学习、半监督学习或强化学习。

[0086] 根据本发明的示例性实施例的计算机可读存储介质，存储有当被处理器执行时使得处理器执行上述示例性实施例的管理终端的方法的计算机程序。该计算机可读存储介质是可存储由计算机系统读出的数据的任意数据存储装置。计算机可读存储介质的示例包括：只读存储器、随机存取存储器、只读光盘、磁带、软盘、光数据存储装置和载波(诸如经有线或无线传输路径通过互联网的数据传输)。

[0087] 综上所述，在根据本发明示例性实施例的管理终端的方法和终端，能够自适应选择执行人工智能相关的运算的时机，以达到兼顾智能运算的稳定性和降低终端的功耗的技术效果。

[0088] 尽管已经参照其示例性实施例具体显示和描述了本发明，但是本领域的技术人员应该理解，在不脱离权利要求所限定的本发明的精神和范围的情况下，可以对其进行形式和细节上的各种改变。