文献

J-GLOBAL ID：201702279176464656   整理番号：17A1118881

OpenCL応用の増強された性能移植性のための機械学習ベースの自動調整【Powered by NICT】

Machine learning-based auto-tuning for enhanced performance portability of OpenCL applications

著者 (2件)： Falch Thomas L. (Department of Computer and Information Science, Norwegian University of Science and Technology (NTNU), Trondheim, Norway) ,  Elster Anne C.
資料名： Concurrency and Computation: Practice & Experience  (Concurrency and Computation: Practice & Experience)
巻： 29  号： 8  ページ： null  発行年： 2017年 
JST資料番号： W2542A  ISSN： 1532-0626  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： デバイスを組み合わせたCPUおよびGPUのような異なる構造をもつ,ヘテロジニアスコンピューティングが人気と性能見込み増加エネルギー消費低減と組み合わせたin高まっている。OpenCLプログラミングそのようなシステムのための標準として提案されてきたおよび機能的可搬性を提供する。しかし,は貧弱な性能可搬性を抱えている,応用は,新しい装置の再調整しなければならないからである。本論文では,この問題を解決するために,機械学習に基づくオートチューニングを用いた。ベンチマークは,同調パラメータ空間のランダム部分集合上で実行し,結果は,機械学習に基づく性能モデルを構築した。モデルをさらに探索のための興味ある部分空間を求めるのに使うことができる。いくつかの装置上に,2.3Mまでをパラメータ空間サイズを調整し,異なる入力サイズを用いて,五画像処理ベンチマークを用いて提案法を評価し,Intel i74771(Haswell)CPU,NvidiaテスラK40GPU,およびAMD Radeon HD7970GPUを含んでいた。性能モデルの異なる機械学習アルゴリズムを比較した。著者らのモデルは,3.8%の平均相対誤差を達成し,いくつかのケースで最良の構成より僅か0.29%遅い平均解を見出す,探索空間の1.1%以下を評価することができる。本フレームワークのソースコードはhttps://github.com/acelster/ML自動調整で利用可能である。Copyright 2017 Wiley Publishing Japan K.K. All Rights reserved. Translated from English into Japanese by JST.【Powered by NICT】

シソーラス用語： 学習アルゴリズム ,  *自動制御 ,  可搬型 ,  *移植性 ,  部分集合 ,  エネルギー消費 ,  画像処理 ,  ベンチマーク ,  *機械学習 ,  計算機プログラミング
準シソーラス用語： 探索空間 ,  性能モデル ,  パラメータ空間 ,  オートチューニング ,  *OpenCL , 【Automatic Indexing@JST】

著者キーワード (6件)： 人工ニューラルネットワーク ,  オートチューニング ,  ヘテロコンピューティング ,  機械学習 ,  OpenCL ,  性能可搬性

分類 (5件)： 専用演算制御装置  (JC04030Y) ,  数値計算  (JE02000J) ,  ディジタル計算機方式一般  (JC02010O) ,  サーボ機構  (IC03030Q) ,  計算機システム開発  (JD02010R)

タイトルに関連する用語 (6件)： OpenCL ,  応用 ,  増強 ,  移植性 ,  機械学習 ,  自動調整