-
公开(公告)号：CN105487634A
公开(公告)日：2016-04-13
申请号：CN201510828279.7
申请日：2015-11-24
Applicant: 无锡江南计算技术研究所
IPC: G06F1/32
CPC classification number: G06F1/3287
Abstract: 一种面向异构众核芯片的量化功耗控制方法，包括：获取异构众核芯片在每种状态下的基准功耗数据，建立外部的基础功耗数据表；获取异构众核芯片所支持的所有稳定运行频率的频率档次表；而且针对所有稳定运行频率建立不同频率下运行相同应用代码的芯片功耗存在关系，其中，频率越高，功耗越大，并且最低频率档次工作功耗一定小于最大稳定运行功耗；建立芯片的功耗管理策略作为功耗管理的依据；众核操作系统启动后，将功耗阈值寄存器、功耗预警寄存器均初始化为最大稳定运行功耗；众核芯片操作系统运行时，外部功耗管理系统启动功耗管理过程，将基础功耗表、频率档次表、功耗管理策略通知到各异构众核芯片的操作系统中。
-
公开(公告)号：CN102929373B
公开(公告)日：2015-04-08
申请号：CN201210398111.3
申请日：2012-10-18
Applicant: 无锡江南计算技术研究所
IPC: G06F1/24
Abstract: 本发明提供了一种多核处理器复位方法，所述方法包括：读取复位信息；根据所述复位信息对多个处理器核进行复位操作，如果所述多个处理器核没有全部复位成功，则在预定次数内对所述多个处理器核重复执行所述复位操作，直至所述多个处理器核全部复位成功；以及如果经过所述预定次数的复位操作后，所述多个处理器核仍没有全部复位成功，则对所述多个处理器核中经过所述预定次数的复位操作后仍复位失败的处理器核进行临时隔离，并对所述多个处理器核中未隔离的处理器核进行再次复位操作。所述方法可以避免对处理器核进行错误的故障判断，从而避免可用处理器核因偶然失败而闲置。
-
公开(公告)号：CN114219083A
公开(公告)日：2022-03-22
申请号：CN202110452694.2
申请日：2021-04-26
Applicant: 无锡江南计算技术研究所
Abstract: 本发明公开一种基于ONNX面向Caffe2训练的深度学习模型自动转换方法，包括以下步骤：S1、ONNX文件向Caffe2文件的映射，得到Caffe2格式的前向传播网络，S2、根据S1中获得的前向传播网络的信息，自动生成求梯度算子，得到反向传播网络，S3、根据满足生成完整反向传播网络的需要，设计用户配置信息格式，将配置信息融入上步骤的模型定义文件中。本发明可以自动产生包括正向传播神经网络、反向传播神经网络、运行控制块和辅助算子的模型文件，从而进行训练任务。
-
公开(公告)号：CN112445636A
公开(公告)日：2021-03-05
申请号：CN201910832284.3
申请日：2019-09-04
Applicant: 无锡江南计算技术研究所
IPC: G06F11/07 , G06F16/215 , G06F16/22 , G06F16/2458
Abstract: 本发明公开一种基于序列模式的DRAM故障关联分析方法，包括以下步骤：对故障数据库中的非DRAM故障进行过滤，获得所需的DRAM故障数据；获得DRAM故障序列数据库；建立序列DRAM故障序列数据库；采用GSP算法，设定支持度，扫描序列DRAM故障序列数据库，获取所有满足支持度要求的DRAM故障序列的支持度；筛选出DRAM严重故障与DRAM严重故障、DRAM非严重故障与DRAM严重故障的序列规则，并计算其置信度；筛选出置信度大于60%的序列规则；如果出现反映DRAM严重故障与DRAM严重故障的序列规则，则表明DRAM严重故障与DRAM严重故障存在关联性；如果未出现反映DRAM非严重故障与DRAM严重故障关联的序列规则，则表明DRAM非严重故障不会导致DRAM严重故障。本发明解决了故障分析与预测关心的预测预警问题，具备高可信性和通用性，优化了分析执行效率。
-
公开(公告)号：CN112445493A
公开(公告)日：2021-03-05
申请号：CN201910800979.3
申请日：2019-08-28
Applicant: 无锡江南计算技术研究所
Abstract: 本发明公开一种大规模异构环境下资源环境动态部署方法，包括以下步骤：S1、镜像管理系统生成若干基础镜像模板；S2、资源管理系统在物理节点上运行精简操作系统；S3、资源管理系统将资源环境需求发送给精简操作系统；S4、精简操作系统将该资源环境需求规格化为相应的配置文件和配置脚本；S5、精简操作系统在物理节点上按配置文件快速部署所需资源环境的镜像；S6、精简操作系统中获取对应的配置脚本；S7、运行配置脚本，完成对资源管理系统需求的资源环境的部署；S8、当资源管理系统的资源环境需求发生改变时，转到S3执行。本发明解决了传统大规模异构环境下节点资源启动时间长、用户运行环境需求多样从而导致的用户资源环境繁琐复杂、重构时间过长的问题。
-
Patent Agency Ranking
公开(公告)号：CN105468457A
公开(公告)日：2016-04-06
申请号：CN201510830319.1
申请日：2015-11-24
Applicant: 无锡江南计算技术研究所
CPC classification number: G06F9/5016 , G06F11/203
Abstract: 一种基于差异识别的并行系统局部迁移容错方法包括：系统启动并行作业迁移容错并申请新的资源用于作业迁移；作业管理进行迁移前准备；并行文件系统进行飞行数据驱赶及状态保留；并行语言库进行消息驱赶及任务同步；并行语言库提取出需要迁移的关键信息，并通知到系统核心，并通知作业管理作业任务已经做好迁移准备；作业管理调用系统核心接口进行作业任务迁移，系统核心仅仅将系统核心状态与作业任务进程信息传送到目标节点，并恢复包含关键信息的作业任务进程；在目标节点，并行文件系统根据迁移前记录的描述符再次打开对应的文件，恢复文件环境，并行语言根据系统核心恢复的关键信息，恢复作业运行环境；作业管理重构作业，恢复作业的继续运行。
-
公开(公告)号：CN114219065A
公开(公告)日：2022-03-22
申请号：CN202110349448.4
申请日：2021-03-31
Applicant: 无锡江南计算技术研究所
Abstract: 本发明公开一种面向异构众核平台的Im2col加速方法，C*H*W的张量经过Im2col变换后的矩阵形状为(C*Kh*Kw)*(Ho*Wo)，其中C是通道数，H和W分别为输入的高度和宽度，Kh和Kw为卷积核大小，Ho和Wo为输出张量的高度和宽度；根据C*Kh的大小选择不同的算法：当C*Kh大于等于64时，从变换后的矩阵出发，按照C*Kh进行任务划分；当C*Kh小于64时，从变换前的矩阵出发，按照C*H进行任务划分。本发明有效提高了Im2col变换的运算效率，作为卷积计算的前处理过程，有效保障了卷积算子和卷积神经网络的高效运行。
-
公开(公告)号：CN114218146A
公开(公告)日：2022-03-22
申请号：CN202110452650.X
申请日：2021-04-26
Applicant: 无锡江南计算技术研究所
IPC: G06F15/163 , G06N3/04 , G06N3/08
Abstract: 本发明公开一种针对大规模系统深度学习数据并行的分级通信优化方法，S1、根据所需计算节点总数，从若干个超节点中选择相同数量的计算节点，将计算节点按超节点进行分组；S2、每个计算节点计算出模型参数的梯度后，在分组内部进行MPI_Allreduce通信，计算出分组内的平均梯度；S3、各分组内的通信节点采用Ring_Allreduce算法进行梯度的Allreduce操作，计算出所有计算节点的平均梯度；S4、通信节点在分组内部进行Broadcast操作，完成所有计算节点的梯度更新。本发明在大规模分布式深度学习应用中的梯度更新过程中，减少了高延迟通信次数，充分利用了高速网络的通信性能，提高了通信效率。
-
公开(公告)号：CN114217765A
公开(公告)日：2022-03-22
申请号：CN202110480219.6
申请日：2021-04-30
Applicant: 无锡江南计算技术研究所
Abstract: 本发明公开一种半精度浮点矩阵乘累加误差的优化方法，针对半精度浮点矩阵乘的分块运算，在进行分块结果累加计算时，先进行各分块内部累加，再进行分块间累加，具体包括以下步骤：S1、两个形状为M*K和K*N的矩阵进行半精度矩阵乘法时，如果K大于64，则将矩阵数据按kernel(M*N*K为8*32*32)进行分块；S2、每组分块中，对矩阵乘法的结果进行内部累加；S3、将S2中获得的每组分块的结果进行块间累加。本发明有效缓解了由于半精度类型数据表示范围较小导致的计算结果误差较大的问题。
-
公开(公告)号：CN112732630A
公开(公告)日：2021-04-30
申请号：CN201910975075.4
申请日：2019-10-14
Applicant: 无锡江南计算技术研究所
IPC: G06F15/173 , G06F17/16 , G06F7/523 , G06F7/57 , G06F9/54
Abstract: 本发明公开一种针对深度学习的浮点矩阵乘算子众核并行优化方法，包括将输入矩阵和输出矩阵进行扩展和在从核阵列上基于分块矩阵乘法进行计算；所述将输入矩阵和输出矩阵进行扩展包括以下步骤：S1、预申请扩展矩阵的空间；S2、在预申请空间上对输入矩阵和输出矩阵进行排布；S3、对于行方向M不整除情况，行数小于M的部分，按行读入N个数据，并对非整除列赋零后扩展为N_size个数据，写回扩展矩阵的对应位置；S4、对于列方向N不整除部分，首先从原始矩阵跨步读入右侧N不整除部分数据到局存，倒序扩展第N+1到N_size列为0。发明既可以减少访存的开销，又可以使算法的适用范围得到扩展，对于任意维度都有很好的支持。
-
-
-
-
-
-
-
-
-
Search Results
34
records
(took 0.044 seconds)
