-
公开(公告)号：CN118733945A
公开(公告)日：2024-10-01
申请号：CN202410876221.9
申请日：2024-07-02
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提供了一种稀疏矩阵向量乘空间表达的方法，包括：按照预定格式构建稀疏矩阵的状态空间，包括：获取待计算的稀疏矩阵向量乘中所需的稀疏矩阵；在多个决策阶段中的每个阶段，分别确定稀疏矩阵对应的阶段表达，其包括层次映射、非零元的绝对位置和相对位置，所述层次映射指示稀疏矩阵的非零元在计算硬件中的分配信息；借助本发明方法所提的阶段表达，对稀疏矩阵的稀疏存储格式和内核优化的过程进行统一表达，以在后续内核优化的过程中考虑之前内核优化的过程对稀疏存储格式的影响，从而有助于提升设计的稀疏矩阵向量乘程序的性能。
-
公开(公告)号：CN118734905A
公开(公告)日：2024-10-01
申请号：CN202410876281.0
申请日：2024-07-02
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提供了一种用于稀疏矩阵向量乘设计的神经网络模型，用于为稀疏矩阵向量乘程序设计相关的多个决策阶段分别提供用于决策的策略和价值，所述神经网络包括：特征提取器，用于从稀疏矩阵在前一阶段的阶段表达中提取阶段特征，所述阶段表达包括层次映射、非零元的绝对位置和相对位置，所述层次映射指示稀疏矩阵的非零元在计算硬件中的分配信息；策略网络，用于根据所述阶段特征确定当前阶段的策略，所述策略为预测的当前阶段采取各动作的概率。价值网络，用于根据所述阶段特征确定价值，所述价值为前一阶段的阶段表达对应状态的期望价值。
-
公开(公告)号：CN118733944A
公开(公告)日：2024-10-01
申请号：CN202410876067.5
申请日：2024-07-02
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提供了一种基于强化学习的稀疏矩阵向量乘的程序设计系统，包括：稀疏矩阵表达模块，被配置为：在多个决策阶段中的每个阶段，确定稀疏矩阵对应的阶段表达，各阶段表达包括用于指示稀疏矩阵在当前阶段在计算硬件的层次计算资源中分配信息的层次映射、非零元的绝对位置和相对位置；强化学习模块，被配置为：在第i阶段，利用神经网络从第i‑1阶段的阶段表达中提取阶段特征，根据阶段特征确定第i阶段的策略和预测价值；获取基于蒙特卡洛树搜索算法为该稀疏矩阵维护的搜索树，并基于搜索树、策略和预测价值，确定第i阶段采取的动作；根据所有阶段采取的动作，构建引导稀疏矩阵向量乘在计算硬件上完成计算的程序代码。
-
-
Search Results
3
records
(took 0.031 seconds)
