• • 下一篇
李博,黄建强*,黄东强,王晓英
LI Bo, HUANG Jianqiang*, HUANG Dongqiang, WANG Xiaoying
摘要: 稀疏矩阵向量乘(SpMV)是一种重要的数值线性代数运算,现有的稀疏矩阵向量乘优化存在预处理及通信时间考虑不全面、存储结构不具有普适性等问题。为了解决这些问题,提出异构平台下稀疏矩阵向量乘的自适应优化方案,通过利用皮尔逊相关系数确定相关度高的特征参数,并分别使用基于梯度提升决策树(GBDT)的极端梯度提升(XGBoost)和轻量级梯度提升(LightGBM)两种算法进行预测模型的训练以确定某一稀疏矩阵更优的存储格式。利用网格搜索确定模型训练时更优的模型超参数,使两种算法对选择更适合的存储结构的准确率都达到了85%以上。其次,对于预测存储结构为混合(HYB)格式的稀疏矩阵,在GPU上计算其中的等长列(ELL)存储格式部分,在CPU上计算坐标(COO)存储格式部分,建立基于CPU+GPU的并行混合计算模式;同时为小数据量的稀疏矩阵选择硬件平台,提高运算速度。实验结果表明,自适应计算优化相较于cuSPARSE库中的压缩稀疏行(CSR)存储格式计算的平均加速比可以达到1.4,相较于按照混合和等长列存储格式计算的平均加速比则可以达到2.1和2.6。