[發明專利]一種稀疏矩陣向量乘運算時間預測方法及系統

在審

• 申請號: 202010759916.0
• 申請日: 2020-07-31
• 公開（公告）號: CN111914213A
• 公開（公告）日: 2020-11-10
• 發明（設計）人: 馮仰德;王玨;曹中瀟;楊文;劉天才;聶寧明;高付海;王曉光;高岳
• 申請（專利權）人: 中國原子能科學研究院;中國科學院計算機網絡信息中心
• 主分類號: G06F17/16
• 分類號: G06F17/16;G06F7/523;G06N3/04;G06N3/08
• 代理公司: 北京億騰知識產權代理事務所(普通合伙) 11309
• 代理人: 陳霽

1.一種稀疏矩陣向量乘運算時間預測方法，其特征在于，包括以下步驟：

構建卷積神經網絡，卷積神經網絡包括輸入層、特征處理層、數據拼接層以及輸出層，其中，輸入層用于輸入稀疏矩陣中的行特征矩陣的特征、列特征矩陣的特征、體系結構參數擴展矩陣的特征；特征處理層用于提取上一層中的特征；數據拼接層，用于對提取的行特征矩陣的特征、列特征矩陣的特征、體系結構參數擴展矩陣的特征進行拼接；輸出層用于輸出預測結果；

獲取多組已知稀疏矩陣向量乘運算時間的稀疏矩陣作為樣本數據，將樣本數據輸入至卷積神經網絡以實現對卷積神經網絡的訓練；

將待分類的稀疏矩陣輸入至訓練完成的卷積神經網絡，實現稀疏矩陣向量乘運算時間的預測。

2.根據權利要求1所述的方法，其特征在于，

所述輸入層包括第一通道、第二通道以及第三通道，其中，第一通道接收由稀疏矩陣生成的行特征矩陣，第二通道接收由稀疏矩陣生成的列特征矩陣，第三通道接收體系結構參數擴展矩陣；特征處理層包括第一通道、第二通道以及第三通道，其中，特征處理層的第一通道用于提取行特征矩陣的特征，特征處理層的第二通道用于提取列特征矩陣的特征，特征處理層的第三通道用于提取體系結構參數擴展矩陣的特征。

3.根據權利要求1所述的方法，其特征在于，所述特征處理層的第一通道、特征處理層的第二通道和特征處理層的第三通道的結構相同，依次包括第一卷積層、第一ReLU激活函數層、第一池化層、第二卷積層、第二ReLU激活函數層、第二池化層、第三卷積層、第三ReLU激活函數層以及第三池化層。

4.根據權利要求1所述的方法，其特征在于，所述獲取多組已知稀疏矩陣向量乘運算時間的稀疏矩陣作為樣本數據，將樣本數據輸入至卷積神經網絡以實現對卷積神經網絡的訓練步驟，包括：

將多組稀疏矩陣提取出預設尺寸為128×128的行特征矩陣及列特征矩陣，將所述稀疏矩陣應用yaspmv開源工具得到14維體系結構參數向量和稀疏矩陣向量乘運算時間，其中，體系結構參數向量加入稀疏矩陣非零元素個數，形成15維體系結構參數向量，擴展為128×128規模的體系結構參數擴展矩陣。

5.根據權利要求1所述的方法，其特征在于，所述將待分類的稀疏矩陣輸入至訓練完成的卷積神經網絡，實現稀疏矩陣向量乘運算時間的預測步驟，包括：

將待分類的稀疏矩陣提取出預設尺寸大小的行特征矩陣及列特征矩陣，將預處理后的稀疏矩陣和體系結構參數擴展矩陣輸入至訓練完成的卷積神經網絡中。

6.根據權利要求1所述的方法，其特征在于，所述將待分類的稀疏矩陣提取出預設尺寸大小的行特征矩陣及列特征矩陣具體為：采用直方采樣方法分別提取稀疏矩陣的行特征和列特征，得到所述稀疏矩陣的行特征矩陣和列特征矩陣，并對所述行、列特征矩陣分別進行歸一化處理，得到可作為卷積神經網絡輸入的行、列特征矩陣。

7.一種稀疏矩陣向量乘運算時間預測系統，其特征在于，包括：

構建單元，用于構建卷積神經網絡，卷積神經網絡包括輸入層、特征處理層、數據拼接層以及輸出層，其中，輸入層用于輸入稀疏矩陣中的行特征矩陣的特征、列特征矩陣的特征、體系結構參數擴展矩陣的特征；特征處理層用于提取上一層中的特征；數據拼接層，用于對提取的行特征矩陣的特征、列特征矩陣的特征、體系結構參數擴展矩陣的特征進行拼接；輸出層用于輸出預測結果；

獲取單元，用于獲取多組已知稀疏矩陣向量乘運算時間的稀疏矩陣作為樣本數據，將樣本數據輸入至卷積神經網絡以實現對卷積神經網絡的訓練；

預測單元，用于將待分類的稀疏矩陣輸入至訓練完成的卷積神經網絡，實現稀疏矩陣向量乘運算時間的預測。