[發明專利]稀疏矩陣向量乘并行任務粒度參數自動調優方法和裝置

有效

• 申請號: 202010880655.8
• 申請日: 2020-08-27
• 公開（公告）號: CN111984418B
• 公開（公告）日: 2022-09-02
• 發明（設計）人: 方建濱;黃春;唐滔;彭林;張鵬;范小康;崔英博
• 申請（專利權）人: 中國人民解放軍國防科技大學
• 主分類號: G06F9/50
• 分類號: G06F9/50;G06F9/48;G06F17/16;G06N20/00;G06N20/10
• 代理公司: 北京豐浩知識產權代理事務所(普通合伙) 11781
• 代理人: 董超

1.一種稀疏矩陣向量乘并行任務粒度參數自動調優方法，其特征在于，具體包括，

S1：預測模型構建步驟

使用機器學習的方法構建預測模型，在統計特征取值空間X和并行任務粒度最佳取值空間Y之間，構建預測模型f：X→Y，其中，使用x(x₁,x₂,…,x_i,…x_n)來代表稀疏矩陣的n維統計特征向量x，x_i表示統計特征取值，其下標i＝1,2，…，n，使用y表示任務粒度，其中i、n為正整數；

S2：統計特征取值獲取步驟

對矩陣原始數據文件進行分析，獲取矩陣的統計特征取值；統計特征取值用來刻畫稀疏矩陣，由矩陣的非零元分布信息組成；

S3：最佳任務粒度參數預測步驟

對于一個待計算稀疏矩陣，將獲取的統計特征取值輸入預測模型，預測出使用該矩陣統計特征取值作為輸入時SpMV程序的最佳并行任務粒度參數取值；在SpMV程序啟動初始階段，獲取輸入稀疏矩陣的統計特征取值向量x，將x輸入到預測模型中，輸出結果y₀即為SpMV使用該矩陣作為輸入時的任務粒度最佳取值；

S4：配置步驟

根據最佳任務粒度參數預測步驟的預測結果，調整并行運行時系統的任務粒度參數；

所述的預測模型構建步驟，具體包括，

S11：選擇矩陣統計特征

S12：生成訓練數據

訓練所需的數據包括稀疏矩陣的統計特征取值和對應矩陣的最優任務粒度；對每一個稀疏矩陣，使用窮舉搜索方法遍歷任務粒度取值空間，從中選出使SpMV運行性能最高的取值，作為任務粒度的最佳取值；稀疏矩陣的統計特征取值則可以從讀取的稀疏矩陣中計算得到；在進行訓練前，對矩陣統計特征取值進行標準化處理；

S13：運用機器學習算法訓練模型

使用機器學習方法構建預測模型，用來識別稀疏矩陣的統計特征取值和任務粒度最佳取值之間的關系；將矩陣統計特征取值和最優任務粒度作為機器學習算法的輸入，訓練得到最優任務粒度預測模型；所使用預測模型為隨機森林模型、神經網絡或支持向量機。

2.如權利要求1所述的稀疏矩陣向量乘并行任務粒度參數自動調優方法，其特征在于：所述矩陣統計特征包括稀疏矩陣行數、稀疏矩陣列數、稀疏矩陣非零元占比、稀疏矩陣行非零元最小數、稀疏矩陣行非零元最大數、稀疏矩陣平均每行非零元數、稀疏矩陣平均每行非零元數標準差。