GPU稀疏矩阵向量乘的性能模型构造

发布时间：2018-01-17 15:45

本文关键词：GPU稀疏矩阵向量乘的性能模型构造　出处：《计算机科学》2017年04期 　论文类型：期刊论文

【摘要】：稀疏矩阵向量乘(Sparse matrix-vector multiplication,SPMV)是广泛应用于大规模线性求解系统和求解矩阵特征值等问题的基本运算,但在迭代处理过程中它也常常成为处理的瓶颈,影响算法的整体性能。对于不同形态的矩阵,选择不同的存储格式,对应的算法往往会产生较大的性能影响。通过实验分析,找到各种矩阵形态在不同存储结构下体现的性能变化特征,构建一个有效的性能度量模型,为评估稀疏矩阵运算开销、合理选择存储格式做出有效的指导。在14组CSR,COO,HYB格式和8组ELL格式的测试用例下,性能预测模型和测量之间的差异低于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.
【作者单位】：武汉大学计算机学院;湖北工程学院计算机与信息科学学院;
【基金】：国家自然科学基金面上项目(61572377),国家自然科学基金青年项目(61502154) 湖北省教育厅项目(2016179)资助
【分类号】：TP332
【正文快照】： 些不规则行有更多的非零元素;COO是最直观的存储格式,1　引言但性能比其他格式略差。不同的矩阵可能有它们自己最合适稀疏矩阵向量乘是一种广泛应用于大规模线性求解系统的单一的存储格式来实现最佳的性能。此外还存在一种可能和求解矩阵特征值等问题[1]的基本运算,在迭代方法

【相似文献】