计算机应用

作者：李博, 黄建强, 黄东强, 王晓英

单位：1.青海大学 计算机技术与应用系，西宁 810016；2.青海省智能计算与应用实验室（青海大学），西宁 810016

关键词：稀疏矩阵向量乘,自适应优化,皮尔逊相关系数,极端梯度提升,轻量级梯度提升机器学习

基金：青海省应用基础研究计划项目(2022?ZJ?701);国家自然科学基金资助项目(62062059)

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SpMV的自适应优化方案。所提方案利用皮尔逊相关系数确定相关度高的特征参数，并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）算法训练预测模型，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，使这2种算法选择更适合的存储结构的准确率都超过85%。此外，对于预测存储结构为混合（HYB）格式的稀疏矩阵，在GPU和CPU上分别计算其中的等长列（ELL）与坐标（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HYB和ELL存储格式计算的平均加速比则可以分别达到2.1和2.6。

来源：2024年第12期

《计算机应用》期刊编辑部

查看计算机应用杂志2024年第12期