本文關(guān)鍵詞：GPU稀疏矩陣向量乘的性能模型構(gòu)造　出處：《計(jì)算機(jī)科學(xué)》2017年04期 　論文類(lèi)型：期刊論文

  更多相關(guān)文章： GPU 稀疏矩陣向量乘 性能模型

【摘要】：稀疏矩陣向量乘(Sparse matrix-vector multiplication,SPMV)是廣泛應(yīng)用于大規(guī)模線(xiàn)性求解系統(tǒng)和求解矩陣特征值等問(wèn)題的基本運(yùn)算,但在迭代處理過(guò)程中它也常常成為處理的瓶頸,影響算法的整體性能。對(duì)于不同形態(tài)的矩陣,選擇不同的存儲(chǔ)格式,對(duì)應(yīng)的算法往往會(huì)產(chǎn)生較大的性能影響。通過(guò)實(shí)驗(yàn)分析,找到各種矩陣形態(tài)在不同存儲(chǔ)結(jié)構(gòu)下體現(xiàn)的性能變化特征,構(gòu)建一個(gè)有效的性能度量模型,為評(píng)估稀疏矩陣運(yùn)算開(kāi)銷(xiāo)、合理選擇存儲(chǔ)格式做出有效的指導(dǎo)。在14組CSR,COO,HYB格式和8組ELL格式的測(cè)試用例下,性能預(yù)測(cè)模型和測(cè)量之間的差異低于9%。
[Abstract]:Sparse matrix vector multiplies parse matrix-vector multiplication. SPMV is widely used in solving large-scale linear systems and solving matrix eigenvalues and other basic operations, but in the iterative process, it is often the bottleneck of processing. Affect the overall performance of the algorithm. For different forms of matrix, choose different storage format, the corresponding algorithm will often have a greater performance impact. Through experimental analysis. Find out the performance characteristics of various matrix shapes in different storage structures, and construct an effective performance measurement model to evaluate the sparse matrix computing overhead. The difference between the performance prediction model and the measurement is lower than that in the test cases of 14 groups of CSR / COOOHYB format and 8 groups of ELL format.
【作者單位】： 武漢大學(xué)計(jì)算機(jī)學(xué)院;湖北工程學(xué)院計(jì)算機(jī)與信息科學(xué)學(xué)院;
【基金】：國(guó)家自然科學(xué)基金面上項(xiàng)目(61572377),國(guó)家自然科學(xué)基金青年項(xiàng)目(61502154) 湖北省教育廳項(xiàng)目(2016179)資助
【分類(lèi)號(hào)】：TP332
【正文快照】： 些不規(guī)則行有更多的非零元素;COO是最直觀的存儲(chǔ)格式,1　引言但性能比其他格式略差。不同的矩陣可能有它們自己最合適稀疏矩陣向量乘是一種廣泛應(yīng)用于大規(guī)模線(xiàn)性求解系統(tǒng)的單一的存儲(chǔ)格式來(lái)實(shí)現(xiàn)最佳的性能。此外還存在一種可能和求解矩陣特征值等問(wèn)題[1]的基本運(yùn)算,在迭代方法

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 紀(jì)效霞;陳柯;;有限元中稀疏矩陣的存儲(chǔ)[J];棗莊學(xué)院學(xué)報(bào);2008年05期

2 李長(zhǎng)興;;稀疏矩陣的轉(zhuǎn)置[J];計(jì)算機(jī)光盤(pán)軟件與應(yīng)用;2013年05期

3 史樹(shù)民,董相端;稀疏矩陣在統(tǒng)計(jì)文件組織中的應(yīng)用[J];計(jì)算機(jī)應(yīng)用與軟件;1987年06期

4 張興令,郭敏燕;一個(gè)高階稀疏矩陣的壓縮存放法[J];計(jì)算機(jī)應(yīng)用與軟件;1987年06期

5 李昱明,董萬(wàn)鵬,彭穎紅;基于0-1屬性矩陣的矩陣壓縮存貯方法研究[J];計(jì)算機(jī)工程與應(yīng)用;2003年02期

6 蔣川群;杜奕;;稀疏矩陣相乘的一個(gè)改進(jìn)算法[J];計(jì)算機(jī)工程與應(yīng)用;2009年19期

7 任建民,張義門(mén);模擬半導(dǎo)體器件的一種稀疏矩陣及其算法[J];電子科學(xué)學(xué)刊;1989年01期

8 高鳳榮,杜小勇,王珊;一種基于稀疏矩陣劃分的個(gè)性化推薦算法[J];微電子學(xué)與計(jì)算機(jī);2004年02期

9 褚一平;陳勤;吳鋌;;大型稀疏矩陣線(xiàn)形相關(guān)列的求解算法和實(shí)現(xiàn)方法研究[J];石油工業(yè)計(jì)算機(jī)應(yīng)用;2004年04期

10 居悌;電路的計(jì)算機(jī)輔助設(shè)計(jì)——八、稀疏矩陣技術(shù)[J];微電子學(xué)與計(jì)算機(jī);1986年08期

相關(guān)會(huì)議論文 前3條

1 宋琦;陳璞;;稀疏求解—結(jié)構(gòu)修改的一種新的可能性[A];北京力學(xué)會(huì)第20屆學(xué)術(shù)年會(huì)論文集[C];2014年

2 徐道遠(yuǎn);王寶庭;王向東;馮伯林;;求解大型稀疏矩陣的ICCG法[A];第八屆全國(guó)結(jié)構(gòu)工程學(xué)術(shù)會(huì)議論文集（第Ⅰ卷）[C];1999年

3 苑維然;陳璞;劉凱欣;;非對(duì)稱(chēng)線(xiàn)性方程組的快速外存解法[A];中國(guó)力學(xué)學(xué)會(huì)學(xué)術(shù)大會(huì)'2005論文摘要集（下）[C];2005年

相關(guān)碩士學(xué)位論文 前10條

1 劉健;基于稀疏矩陣分解的特征基因識(shí)別方法研究[D];曲阜師范大學(xué);2015年

2 莊立;稀疏矩陣向量乘及自動(dòng)調(diào)優(yōu)[D];杭州電子科技大學(xué);2011年

3 王冬;面向差異特征識(shí)別的稀疏矩陣分解方法的研究[D];曲阜師范大學(xué);2016年

4 馮廣祥;大型稀疏矩陣直接求解算法的研究及實(shí)現(xiàn)[D];東北大學(xué);2010年

5 丁玲;低秩與稀疏矩陣恢復(fù)問(wèn)題的若干研究[D];浙江大學(xué);2012年

6 吳超凡;基于UB樹(shù)的大型稀疏矩陣存儲(chǔ)研究[D];云南大學(xué);2013年

7 王亞南;基于FPGA的稀疏矩陣分解實(shí)現(xiàn)[D];西安電子科技大學(xué);2009年

8 趙加強(qiáng);基于OpenCL的稀疏矩陣向量乘優(yōu)化[D];吉林大學(xué);2012年

9 施浩;基于FPGA的稀疏矩陣向量乘的優(yōu)化研究與實(shí)現(xiàn)[D];南京郵電大學(xué);2011年

10 胡耀國(guó);基于GPU的有限元方法研究[D];華中科技大學(xué);2011年

，

本文編號(hào)：1436919