GPU稀疏矩阵向量乘的性能模型构造

摘要：

稀疏矩阵向量乘(Sparse matrix-vector multiplication,SPMV)是广泛应用于大规模线性求解系统和求解矩阵特征值等问题的基本运算,但在迭代处理过程中它也常常成为处理的瓶颈,影响算法的整体性能.对于不同形态的矩阵,选择不同的存储格式,对应的算法往往会产生较大的性能影响.通过实验分析,找到各种矩阵形态在不同存储结构下体现的性能变化特征,构建一个有效的性能度量模型,为评估稀疏矩阵运算开销、合理选择存储格式做出有效的指导.在14组CSR,COO,HYB格式和8组ELL格式的测试用例下,性能预测模型和测量之间的差异低于9％.

关键词：GPU、稀疏矩阵向量乘、性能模型

所属期刊栏目：44

分类号：TP312(计算技术、计算机技术)

资助基金：国家自然科学基金面上项目61572377;国家自然科学基金青年项目61502154;湖北省教育厅项目2016179

在线出版日期：2017-05-16（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：182-187,206