基于 FPGA-CPU 混合平台的稀疏 Tucker 张量分解

推荐系统、社交网络分析、医学成像与数据挖掘常涉及处理稀疏高维数据。此类高维数据自然表示为张量，且无法由常规矩阵或向量计算高效处理。稀疏 Tucker 分解是用于压缩与分析这些稀疏高维数据集的重要算法。当能效与数据隐私为主要考量时，资源受限平台上的硬件加速器对张量算法的部署变得至关重要。本工作中，我们提出一种包含 CPU 与 FPGA 的混合计算框架以加速稀疏 Tucker 分解。该算法含三个主要模块：张量-矩阵乘（TTM）、Kronecker 积，以及带列主元的 QR 分解（QRP）。此外，我们在 Xilinx FPGA 上加速前两个模块，在 CPU 上加速后一个模块。相比 CPU，我们的混合平台在合成与真实世界数据集上实现了 $23.6 \times \sim 1091\times$ 加速比以及超过 $93.519\% \sim 99.514\%$ 的能耗节省。