.png){kind=icon}
返回
Optimizing General Sparse Matrix-Matrix Multiplication on the GPU
.png){kind=icon}
PRE
AI
DOI：10.1145/3774654.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
通用稀疏矩阵-矩阵乘法（SpGEMM）是科学和工程计算领域中一个关键的计算核心。由于稀疏矩阵中非零元素的分布不规则，SpGEMM计算面临非连续内存访问和负载不均衡等挑战。本文重点针对GPU平台优化SpGEMM。首先，训练一个轻量级机器学习模型来预测结果矩阵大小的最优估计方法。其次，分批启动不同内核以最大化GPU共享内存利用率并实现负载均衡。对于基于哈希的稀疏累加器，采用启发式方法选择最优哈希负载因子和哈希乘数因子，从而减少哈希冲突次数。此外，在符号阶段应用线程归约以增强块内并行性。结合这些优化策略，我们实现了一个适用于GPU的自适应SpGEMM算法，并与当前最先进的算法进行了性能对比。结果表明，本算法实现了显著的性能提升。
Keyword:
Sparse matrix multiplication
GPU
parallel computing
SpGEMM
期刊
A
IF:
1.8
论文数:
96
被引数:
1.1K
机构
引用论文
分享收藏A framework for general sparse matrix-matrix multiplication on GPUs and heterogeneous processors基于gpu和异构处理器的通用稀疏矩阵-矩阵乘法框架
OAAI
OAAI分享收藏OpSparse: A Highly Optimized Framework for Sparse General Matrix Multiplication on GPUsOpSparse: gpu上高度优化的稀疏通用矩阵乘法框架.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏An Open-Source Tool for Classification Models in Resource-Constrained HardwareIEEE SENSORS JOURNALOAAI
IEEE SENSORS JOURNALIF4.5
OAAI分享收藏
查看更多内容