典型文献
基于深度学习的稀疏矩阵向量乘运算性能预测模型
文献摘要：
稀疏矩阵向量乘(SpMV)是求解稀疏线性方程组的计算核心,被广泛应用在经济学模型、信号处理等科学计算和工程应用中,对于SpMV及其调优技术的研究有助于提升解决相关领域问题的运算效率.传统SpMV自动调优方法基于硬件平台的体系结构参数设置来提升SpMV性能,但巨大的参数设置量导致搜索空间变大且自动调优耗时大幅增加.采用深度学习技术,基于卷积神经网络,构建由双通道稀疏矩阵特征融合以及稀疏矩阵特征与体系结构特征融合组成的SpMV运算性能预测模型,实现快速自动调优.为提高SpMV运算时间的预测精度,选取特征数据并利用箱形图统计SpMV时间信息,同时在佛罗里达稀疏矩阵数据集上进行实验设计与验证,结果表明,该模型的SpMV运算时间预测准确率达到80％以上,并且具有较强的泛化能力.
文献关键词：
稀疏矩阵向量乘;自动调优;深度学习;卷积神经网络;特征融合
中图分类号：
作者姓名：
曹中潇;冯仰德;王珏;闵维潇;姚铁锤;高岳;王丽华;高付海
作者机构：
中国科学院计算机网络信息中心,北京 100190;中国科学院大学,北京 100049;北京航空航天大学 软件学院,北京 100191;中国原子能科学研究院,北京 102413
文献出处：
引用格式：
[1]曹中潇;冯仰德;王珏;闵维潇;姚铁锤;高岳;王丽华;高付海-.基于深度学习的稀疏矩阵向量乘运算性能预测模型)[J].计算机工程,2022(02):86-91
A类：
稀疏矩阵向量乘,SpMV
B类：
运算性能,性能预测模型,线性方程组,信号处理,科学计算,运算效率,自动调优,硬件平台,体系结构,参数设置,搜索空间,深度学习技术,双通道,特征融合,快速自动,运算时间,特征数据,箱形图,时间信息,佛罗里达,实验设计,设计与验证,时间预测,预测准确率,泛化能力
AB值：
0.23223
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
