[发明专利]一种基于目标众核的对抗网络移植与优化的方法及系统

说明书

本发明公开了一种基于目标众核的对抗网络移植与优化的方法，方法包括：编写对抗网络代码并移植到目标众核；编写基于目标众核的对抗网络编译文件；通过目标众核主核串运行对抗网络的功能模型，对功能模型进行分析，对功能模型的热点函数进行定位，获取热点函数的统计结果；根据热点函数的统计结果，对热点函数的特征和参数进行分析，编写热点函数的主核加速代码和热点函数的从核加速代码；通过加速库对热点函数的主核加速代码和热点函数的从核加速代码的加速可行性进行测试；当热点函数的主核加速代码和热点函数的从核加速代码的加速可行性通过测试时，通过加速库生成功能模型的优化策略。

技术领域

本发明涉及高性能计算技术领域，更具体地，涉及一种基于目标众核的对抗网络移植与优化的方法及系统。

背景技术

随着我国海洋科技的发展，海洋已经成为高质量的发展战略要地，同时海洋科技也是建设海洋强国的重要支撑。作为人类生存发展的重要空间，海洋蕴藏着人类可持续发展的宝贵财富，而我国拥有丰富的海洋空间、海洋生物、海洋矿产等资源，具有巨大的开发潜力。然而，由于我国经济和科技发展水平等因素的制约，我国海洋开发起步较晚、开发能力有待提高，加上复杂多变的水下环境，致使成像质量差，分辨率低，细节模糊，这些特点对后续图像的解析和识别带来了极大的挑战。

而随着计算机信息技术的飞速发展，深度学习在计算机视觉等多个领域提出了各种丰富结构的网络模型并取得重要突破，而GAN是深度学习领域的新热点，也是目前最广泛研究的生成模型，在过去的几年中，生成对抗网络在各种任务中的实现了创造性的应用，比如图像生成，图像去模糊，以及图像超分辨率重建等，而将这些功能应用在海洋领域中，可以极大的促进海洋强国的建设。

然而，GAN网络的训练需要大量的时间资源和计算资源，目前，GAN的训练几乎都是依托于GPU上的图形计算，在国产众核架构平台上暂时没有灵活性以及扩展性较强的GAN网络。而国产众核平台是我国自主研发的高性能计算集群，以国产众核处理器为核心，支持多种宽度SIMD,为GAN提供其所需的主要计算能力，并通过GAN的网络结构，支持数据级和线程级并行,支持更加灵活、丰富的算法实现机制，同时，通过从核Cache的使用，支持复杂的超参数调优、训练迭代等。

但是由于国产众核架构的独特性，使用常用的人工智能框架搭建GAN网络并不能在短时间内获得需求的模型，而将基于国产众核的GAN移植成功后，对算法进行主从核并行加速和相关优化后，可以充分调用国产众核处理器的计算资源，获得巨大的性能和效率的提升。目前用户对GAN的移植与优化的需求主要体现在三方面：

(1)由于水下成像噪声多，质量差，而GAN在图像修复、图像生成等方面具有天然优势，但又需要极长的训练时间以及巨大的计算资源才可实现较好的效果，如何在更短的时间内获取到相同或者更优的训练结果一直都是人们所关注的重点。

(2)GAN是一个非线性网络模型，计算复杂度超高，要求计算机的性能极高，而众核作为现代超级计算机的新型计算机资源，基于新型体系结构的并行化方法是实现深度学习神经网络算法并行加速的最佳选择。

(3)目前针对GAN的研究几乎都是基于python以及GPU计算的方式实现，而国产众核处理器暂时还没有一种扩展性高、适用性强的可并行加速的对抗神经网络，因此，实现GAN的移植、并行加速与优化必不可少。

因此，需要一种技术，以实现基于目标众核的对抗网络移植与优化。

发明内容