咨询与建议

看过本文的还看了

相关文献

该作者的其他文献

文献详情 >学习模型指导的编译器优化顺序选择方法 收藏

学习模型指导的编译器优化顺序选择方法

Compiler Optimization Sequence Selection Method Based on Learning Model

作     者:刘慧 徐金龙 赵荣彩 姚金阳 Liu Hui;Xu Jinlong;Zhao Rongcai;Yao Jinyang

作者机构:河南师范大学计算机与信息工程学院河南新乡453007 数学工程与先进计算国家重点实验室(战略支援部队信息工程大学)郑州450002 河南省高校“计算智能与数据挖掘”工程技术研究中心(河南师范大学)河南新乡453007 

出 版 物:《计算机研究与发展》 (Journal of Computer Research and Development)

年 卷 期:2019年第56卷第9期

页      面:2012-2026页

核心收录:

学科分类:08[工学] 0835[工学-软件工程] 081202[工学-计算机软件与理论] 0812[工学-计算机科学与技术(可授工学、理学学位)] 

基  金:国家重点研发计划项目(2016YFB0200503) 河南师范大学青年科学基金项目(2015QK21) 河南省高等学校重点科研项目(20A520018) 

主  题:编译优化 优化顺序 监督学习 特征抽取 人工神经网络 

摘      要:针对新的应用程序和目标平台通常需要使用编译器进行程序优化顺序选择,以提升目标代码性能.迭代编译可使优化顺序选择过程自动进行,在允许的时间空间范围内尽可能多地执行程序的不同版本,但该方法是一种机械式搜索,缺少对先前获得经验的利用,需要较大的执行开销.因此,需要能自动预测变换后目标程序性能而不必实际运行程序的优化编译方法.提出一种编译器优化顺序选择方法:Features ANN.该方法首先采用动静结合的程序特征表示技术,对程序特征进行抽取;然后基于程序特征对编译优化空间进行搜索,找到当前程序版本的最佳优化;最后,由程序特征和最佳优化形成训练样本,基于人工神经网络(artificial neural network, ANN)形成监督学习模型,对新程序的最佳编译优化顺序进行预测.实验结果表明,Features ANN与2种现有迭代编译方法GraphDSE和ClusterDSE比较时,在2种平台上相对于编译器标准优化级别-O3分别获得1.49x,1.25x,1.38x和1.41x,1.16x,1.22x的执行时间加速比.此外,与现有非迭代编译方法相比时,Features ANN也获得了有效的性能提升.

读者评论 与其他读者分享你的观点

用户名:未登录
我的评分