SparseMap：面向流式粗粒度可重构阵列的稀疏CNN循环映射
分布式、并行与集群计算
2024-12-17 v1
摘要
流式粗粒度可重构阵列（CGRA）因其灵活性、高吞吐量和高效的内存系统而成为数据/计算密集型应用的有前景架构。然而，在加速稀疏CNN时，稀疏CNN内部的不规则输入数据需求会导致操作间过多的缓存操作（COPs）和多周期内部依赖（MCIDs），从而降低流式CGRA的吞吐量。我们提出了一种面向流式CGRA的稀疏CNN映射方法SparseMap，该方法融合了高效的I/O数据管理以及操作调度与绑定，以减少COPs和MCIDs，从而确保流式CGRA的最优吞吐量。实验结果表明，SparseMap减少了92.5%的COPs和46.0%的MCIDs，同时启动间隔（II）与先前工作相比相同或更小。
引用
@article{arxiv.2412.11021,
title = {SparseMap: Loop Mapping for Sparse CNNs on Streaming Coarse-grained Reconfigurable Array},
author = {Xiaobing Ni and Mengke Ge and Jiaheng Ruan and Song Chen and Yi Kang},
journal= {arXiv preprint arXiv:2412.11021},
year = {2024}
}