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；

cputestoperation为测试出的CPU的计算能力，max(cpuoperation)为现有技术中CPU的最大计算能力；

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

cputestencryption为测试出的CPU的加解密处理能力，max(cpucryption)为现有技术中CPU的最大加解密处理能力；

cputestmultithreading为测试出的CPU的多线程处理能力，max(cpumultithreading)为现有技术中CPU的最大多线程处理能力；

cputestcompression为测试出的CPU的加解压处理能力，max(cpucompression)为现有技术中CPU的最大加解压处理能力；

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

cputestenergyratio为测试出的CPU的能效比评价，cputestenergyratio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；

Oi是上一层的单元i的输出；

θj是单元j的偏置，

给定单元j的净输入Ij，单元j的输出Oj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Errj用下式计算，Errj＝Oj(1‑Oj)(Tj‑Oj)

其中，Oj是单元j的实际输出；

Tj是j给定训练元素 的已知目标值；

Oj(1‑Oj)是Logistic函数的导数，对于隐藏层单元j的误差如下公式

Errj＝Oj(1‑Oj)∑Errkwjk其中，wjk是由下一层中单元k到单元j的连接权重；

Errk是单元k的误差，

更新权重：

Δwij＝(l)ErrjOi

wij＝wij+Δwij

其中，Δwij是权重wij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：

Δθj＝(l)Errj

θj＝θj+Δθj

其中，Δθj是θj的改变量。

2.根据权利要求1所述的CPU测试方法，其特征在于，评价参数a至g的取值是0或1。

3.根据权利要求1所述的CPU测试方法，其特征在于，计算性能测试基于Hadoop对多台机器上的CPU测试同时测试，对CPU进行评分，得分越高，表示该CPU计算处理能力越强，包括以下步骤：下载测试用例列表，其中，通过SVN服务器从测试用例库中下载所需的测试用例列表，获取每台节点机器可用的任务跟踪器的槽位数，其中，任务跟踪器是Hadoop计算系统的子节点，槽位是任务跟踪器的最小计算分配单元，一个槽位对应一个map任务，一个机器启动一个任务跟踪器，按照机器的CPU核数来分配槽位，其中，每台节点机器上的测试用例列表中测试用例数量为测试用例的总数与槽位数的比值，然后生成每台节点机器上的测试用例列表，调用Hadoop平台计算CPU的功耗，根据并行测试的需求进行资源的合理分配，最后执行并生成测试报告。

4.根据权利要求1所述的CPU测试方法，其特征在于，浮点预算能力测试采用高斯消元法求解一元N次稠密线性代数方程组来测试CPU的浮点预算能力，得分越高，表示该CPU的浮点运算能力越强，计算公式如下：

3 2

浮点计算峰值＝(2/3M－2M)/T，

其中，M为问题规模；

T为计算时间。

5.根据权利要求1所述的CPU测试方法，其特征在于，加解密处理能力测试利用openssl工具测试该CPU的加解密处理能力，得分越高，表示该CPU的加密能力越强；

多线程处理能力测试，利用c‑ray测试工具测试CPU的多线程处理能力，得分的倒数越高，表示该CPU的多线程处理能力越强；

加解压处理能力测试，利用7‑zip测试工具测试CPU的加解压处理能力，得分越高，表示该CPU的加解压能力越强；

性价比评价采用公式如下：

性价比数值＝(计算性能)/采购价格，数值越高，表示该CPU的性价比越高；

能效比评价采用公式如下：

能效比数值＝(计算性能)/TDP，数值越高，表示该CPU能效越高，其中，TDP是散热设计功耗。

6.根据权利要求1所述的CPU测试方法，其特征在于，还分别对输入量、输出量进行归一化处理，归一化后取平均值 作为输入量、输出量，其公式如下：其中xi代表输入量或输出量；

xmin代表xi中的最小值；

xmax代表xi中的最大值。

7.一种电子装置，其特征在于，该电子装置包括：存储器和处理器，所述存储器中存储有CPU测试程序，所述CPU测试程序被所述处理器执行时实现如下步骤：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；

cputestoperation为测试出的CPU的计算能力，max(cpuoperation)为现有技术中CPU的最大计算能力；

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

cputestencryption为测试出的CPU的加解密处理能力，max(cpucryption)为现有技术中CPU的最大加解密处理能力；

cputestmultithreading为测试出的CPU的多线程处理能力，max(cpumultithreading)为现有技术中CPU的最大多线程处理能力；

cputestcompression为测试出的CPU的加解压处理能力，max(cpucompression)为现有技术中CPU的最大加解压处理能力；

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

cputestenergyratio为测试出的CPU的能效比评价，cputestenergyratio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；

Oi是上一层的单元i的输出；

θj是单元j的偏置，

给定单元j的净输入Ij，单元j的输出Oj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Errj用下式计算，Errj＝Oj(1‑Oj)(Tj‑Oj)

其中，Oj是单元j的实际输出；

Tj是j给定训练元素 的已知目标值；

Oj(1‑Oj)是Logistic函数的导数，对于隐藏层单元j的误差如下公式

Errj＝Oj(1‑Oj)∑Errkwjk其中，wjk是由下一层中单元k到单元j的连接权重；

Errk是单元k的误差，

更新权重：

Δwij＝(l)ErrjOi

wij＝wij+Δwij

其中，Δwij是权重wij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：

Δθj＝(l)Errj

θj＝θj+Δθj

其中，Δθj是θj的改变量。

8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令被处理器执行时，实现如权利要求1‑6任一项所述的CPU测试方法。