Método de selección de parámetros de optimización del compilador basado en aprendizaje en conjunto
Autores: Liu, Hui; Xu, Jinlong; Chen, Sen; Guo, Te
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Método de selección de parámetros de optimización del compilador basado en aprendizaje en conjunto
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Aprendizaje automático
Parámetros de optimización del compilador
Compilación iterativa
Aprendizaje en conjunto
Características del programa
Búsqueda de parámetros de optimización
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 25
Citaciones: Sin citaciones
La compilación iterativa basada en aprendizaje automático puede predecir de manera efectiva los parámetros de optimización del compilador de un programa. Aunque tiene algunas limitaciones, como la baja eficiencia de la búsqueda de parámetros de optimización y la precisión de la predicción, las soluciones basadas en aprendizaje automático han sido un campo de investigación de vanguardia en el ámbito de la compilación iterativa y han ganado cada vez más atención. Los desafíos de investigación se centran en la selección de algoritmos de aprendizaje, la búsqueda de parámetros óptimos y la representación de características del programa. Para los problemas existentes, proponemos un método de selección de parámetros de optimización basado en aprendizaje de conjunto (ELOPS) para el compilador. Primero, con el fin de mejorar aún más la eficiencia y precisión de la búsqueda de parámetros de optimización, propusimos un algoritmo de optimización de enjambre de partículas (PSO) multiobjetivo para determinar los parámetros óptimos del compilador del programa. En segundo lugar, extraímos las características mixtas del programa a través del método de relevancia de clase de características, en lugar de utilizar solo características estáticas o dinámicas. Finalmente, dado que la investigación existente generalmente utiliza un algoritmo de aprendizaje automático separado para construir modelos de predicción, se construyó un modelo de aprendizaje de conjunto utilizando características del programa y parámetros de optimización para predecir de manera efectiva los parámetros de optimización del compilador del nuevo programa. Utilizando los benchmarks corporativos de evaluación de rendimiento estándar 2006 (SPEC2006) y NAS parallel benchmark (NPB) así como algunos programas típicos de computación científica, comparamos ELOPS con los métodos existentes. Los resultados experimentales mostraron que podemos lograr respectivamente un aumento de velocidad de 1.29x y 1.26x al usar nuestro método en dos plataformas, que son mejores resultados que los de los métodos existentes.
Descripción
La compilación iterativa basada en aprendizaje automático puede predecir de manera efectiva los parámetros de optimización del compilador de un programa. Aunque tiene algunas limitaciones, como la baja eficiencia de la búsqueda de parámetros de optimización y la precisión de la predicción, las soluciones basadas en aprendizaje automático han sido un campo de investigación de vanguardia en el ámbito de la compilación iterativa y han ganado cada vez más atención. Los desafíos de investigación se centran en la selección de algoritmos de aprendizaje, la búsqueda de parámetros óptimos y la representación de características del programa. Para los problemas existentes, proponemos un método de selección de parámetros de optimización basado en aprendizaje de conjunto (ELOPS) para el compilador. Primero, con el fin de mejorar aún más la eficiencia y precisión de la búsqueda de parámetros de optimización, propusimos un algoritmo de optimización de enjambre de partículas (PSO) multiobjetivo para determinar los parámetros óptimos del compilador del programa. En segundo lugar, extraímos las características mixtas del programa a través del método de relevancia de clase de características, en lugar de utilizar solo características estáticas o dinámicas. Finalmente, dado que la investigación existente generalmente utiliza un algoritmo de aprendizaje automático separado para construir modelos de predicción, se construyó un modelo de aprendizaje de conjunto utilizando características del programa y parámetros de optimización para predecir de manera efectiva los parámetros de optimización del compilador del nuevo programa. Utilizando los benchmarks corporativos de evaluación de rendimiento estándar 2006 (SPEC2006) y NAS parallel benchmark (NPB) así como algunos programas típicos de computación científica, comparamos ELOPS con los métodos existentes. Los resultados experimentales mostraron que podemos lograr respectivamente un aumento de velocidad de 1.29x y 1.26x al usar nuestro método en dos plataformas, que son mejores resultados que los de los métodos existentes.