计算机工程

作者：曹中潇, 冯仰德, 王珏, 闵维潇, 姚铁锤, 高岳, 王丽华, 高付海

单位：1. 中国科学院计算机网络信息中心, 北京 100190;2. 中国科学院大学, 北京 100049;3. 北京航空航天大学 软件学院, 北京 100191;4. 中国原子能科学研究院, 北京 102413

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

基金：国家重点研发计划（2017YFB0202302）。

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。

来源：2022年第2期

《计算机工程》期刊编辑部

查看计算机工程杂志2022年第2期