A funcionalidade de pesquisa está em construção.
A funcionalidade de pesquisa está em construção.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

A Machine Learning-Based Approach for Selecting SpMV Kernels and Matrix Storage Formats Uma abordagem baseada em aprendizado de máquina para selecionar kernels SpMV e formatos de armazenamento de matriz

Hang CUI, Shoichi HIRASAWA, Hiroaki KOBAYASHI, Hiroyuki TAKIZAWA

  • Exibições de texto completo

    0

  • Cite isto

Resumo:

A multiplicação esparsa de matrizes-vetores (SpMV) é um kernel computacional amplamente utilizado em muitas aplicações. Devido à importância, muitas implementações diferentes foram propostas para acelerar este kernel computacional. As características de desempenho dessas implementações de SpMV são bastante diferentes e é basicamente difícil selecionar a implementação que tem o melhor desempenho para uma determinada matriz esparsa sem perfil de desempenho. Uma abordagem existente para o problema de seleção do melhor código SpMV é usar recursos predefinidos manualmente e um modelo de aprendizado de máquina para a seleção. No entanto, geralmente é difícil definir manualmente características que possam expressar perfeitamente as características da matriz esparsa original necessária para a seleção do código. Além disso, alguma perda de informação aconteceria com o uso dessa abordagem. Portanto, este artigo apresenta um mecanismo eficaz de aprendizado profundo para seleção de código SpMV mais adequado para uma determinada matriz esparsa. Em vez de usar recursos predefinidos manualmente de uma matriz esparsa, uma imagem de recurso e uma rede de aprendizado profundo são usadas para mapear cada matriz esparsa para a implementação, que deverá ter o melhor desempenho, antes da execução. Os benefícios da utilização do mecanismo proposto são discutidos através do cálculo da precisão da previsão e do desempenho. De acordo com a avaliação, o mecanismo proposto pode selecionar uma implementação ideal ou subótima para uma matriz esparsa não vista no conjunto de dados de teste na maioria dos casos. Esses resultados demonstram que, ao usar o aprendizado profundo, toda uma matriz esparsa pode ser usada para fazer a melhor previsão de implementação, e a precisão da previsão alcançada pelo mecanismo proposto é maior do que a do uso de recursos predefinidos.

Publicação
IEICE TRANSACTIONS on Information Vol.E101-D No.9 pp.2307-2314
Data de publicação
2018/09/01
Publicitada
2018/06/13
ISSN online
1745-1361
DOI
10.1587/transinf.2017EDP7176
Tipo de Manuscrito
PAPER
Categoria
Inteligência Artificial, Mineração de Dados

autores

Hang CUI
  Tohoku University
Shoichi HIRASAWA
  National Institute of Informatics
Hiroaki KOBAYASHI
  Tohoku University
Hiroyuki TAKIZAWA
  Tohoku University

Palavra-chave