学习可泛化的程序与架构表示以用于性能建模
机器学习
2024-08-26 v3 硬件体系结构
摘要
性能建模是许多领域的重要工具，包括性能表征/优化、设计空间探索以及资源分配问题等。然而，现有性能建模方法存在局限，如离散事件模拟器计算成本高、硬件仿真器灵活性窄，或分析/数据驱动模型准确性/通用性受限。为克服这些局限，本文提出 PerfVec，一种基于深度学习的新型性能建模框架，可学习高维且独立/正交的程序与微架构表示。一旦习得，程序表示可用于预测其在任意微架构上的性能；同理，微架构表示可应用于任意程序的性能预测。此外，PerfVec 产生一个捕获指令性能本质的基础模型，开发者可直接将其用于众多性能建模相关任务而无需承担其训练成本。评估表明 PerfVec 比先前方法更具通用性与高效性。
引用
@article{arxiv.2310.16792,
title = {Learning Generalizable Program and Architecture Representations for Performance Modeling},
author = {Lingda Li and Thomas Flynn and Adolfy Hoisie},
journal= {arXiv preprint arXiv:2310.16792},
year = {2024}
}
备注
To appear in SC 2024