论文部分内容阅读
加速器设计空间探索是加速器设计中的首要问题，无论对函数加速器，亦或GPU，都具有重要的指导意义。加速器设计空间探索与体系结构设计空间探索类似，其基本目标是，在可选的由不同设计参数（如GPU设计中块并发数有5个不同取值以及常量缓存的大小有6个不同的取值等）构成的大规模参数空间中找到满足设计需求的参数组合。然而，可选的参数组合常常数以百万计，单纯依靠模拟的方法难以应对其所带来的设计参数灾难问题和仿真时间长的挑战。为了缓解该问题，研究人员提出了基于排序学习的方法，即通过建立一个排序模型，对不同体系结构设计参数的系统配置进行性能/功耗排序。 为了构建准确的排序模型，本文提出了基于决策树的排序学习算法RankBoostTree。算法的基本思想是，每轮迭代构建一个预测准确率并非十分高的决策树，通过在每轮迭代的过程中，加大前一轮决策树预测错误的训练集样本的权重，使得本轮迭代更加关注预测错误的样本对，从而达到快速降低预测错误率的目标。 为了验证本文方法的有效性，我们在函数加速器和GPU设计空间上比较了RankBoostTree和RankBoost以及ANN的预测准确率。相比RankBoost算法，我们的算法能够提升5.92％-11.99％的准确率，平均提高10.23％。相比ANN，我们的方法可以提升10.38％-30.37％的预测准确率，平均提高20.85％。同时，在迭代效率方面，相比RankBoost算法，在达到相同准确率的情况下，我们的方法所需要的迭代次数降低了至少5倍以上，所需要的训练数据集样本减少了66.5％。有效地验证了本文方法用于加速器设计空间探索的有效性。