申请/专利权人:合肥工业大学
申请日:2024-04-03
公开(公告)日:2024-06-18
公开(公告)号:CN118211611A
主分类号:G06N3/042
分类号:G06N3/042;G06N3/063;G06N3/08
优先权:
专利状态码:在审-公开
法律状态:2024.06.18#公开
摘要:本申请涉及深度学习领域,公开了硬件卷积加速核下面向pytorch框架的GAT模型的加速方法,包括以下步骤:S1、确定耗时较高的scatter_add算子;S2、对scatter_add算子进行原型分析;S3、根据scatter_add算子的操作,准备相应的数据;S4、设计并实现一个优化后的scatter_add算子,该算子利用硬件卷积加速核的多核计算能力和分布式存储技术,以提高在进行矩阵运算时的计算效率和响应速度;S5、将优化后的scatter_add算子应用于GAT模型中,以实现网络训练的加速效果。本发明通过多核计算和分布式存储技术,利用dsp芯片的性能优势,提高算子在进行矩阵运算时的计算效率和响应速度,进而实现网络训练加速的效果。
主权项:1.硬件卷积加速核下面向pytorch框架的GAT模型的加速方法,其特征在于,包括以下步骤:S1、确定在GAT模型中耗时较高的scatter_add算子;S2、对scatter_add算子进行原型分析以确定其在三维张量和二维张量中的操作;S3、根据scatter_add算子的操作,准备相应的数据,包括index矩阵、src矩阵和out矩阵,并将其保存以便于进一步处理;S4、设计并实现一个优化后的scatter_add算子,该算子利用硬件卷积加速核的多核计算能力和分布式存储技术,以提高在进行矩阵运算时的计算效率和响应速度;S5、将优化后的scatter_add算子应用于GAT模型中,以实现网络训练的加速效果。
全文数据:
权利要求:
百度查询: 合肥工业大学 硬件卷积加速核下面向pytorch框架的GAT模型的加速方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。