典型文献
基于神经网络模型的stencil循环最优分块大小预测
文献摘要：
stencil循环是科学与工程计算应用中最主要的计算核心之一.循环分块技术可有效改善stencil循环的数据局部性,提高计算并行度.分块的大小选择对stencil循环的性能影响很大,传统的分块大小选择方法通常在时间开销、人工成本、分块选择精度等方面存在短板,实用性较差.文中提出了一种基于人工神经网络的分块大小选择方法,用于预测三维Jaco bi型stencil循环程序的最优分块.对来源于实际数值模拟软件中的11个stencil循环进行最优分块预测,实验结果显示,在单核串行和多核并行两种场景下,程序使用模型预测分块相比不分块的性能提升分别为2％ 和35％,与网格搜索方法的分块性能相当,但在线预测时间开销仅约为后者的1/30000.此外,相比基于静态分析的T urbo-tiling方法,预测最优分块的实测性能平均提升了约9％.
文献关键词：
stencil计算;循环分块技术;机器学习;人工神经网络
中图分类号：
作者姓名：
包怡坤;张鹏;徐小文;莫则尧
作者机构：
中国工程物理研究院研究生院 北京100094;北京应用物理与计算数学研究所 北京100088;中物院高性能数值模拟软件中心 北京100088;中国工程物理研究院 四川绵阳621900
文献出处：
引用格式：
[1]包怡坤;张鹏;徐小文;莫则尧-.基于神经网络模型的stencil循环最优分块大小预测)[J].计算机科学,2022(10):18-26
A类：
stencil,循环分块技术,Jaco,分块预测,urbo
B类：
工程计算,局部性,并行度,选择方法,开销,人工成本,人工神经网络,bi,循环程序,数值模拟软件,串行,多核并行,不分,性能提升,网格搜索,搜索方法,在线预测,比基,于静,静态分析,tiling
AB值：
0.27198
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。
