[发明专利]一种稀疏矩阵向量乘运算时间预测方法及系统

权利要求书

1.一种稀疏矩阵向量乘运算时间预测方法，其特征在于，包括以下步骤：

构建卷积神经网络，卷积神经网络包括输入层、特征处理层、数据拼接层以及输出层，其中，输入层用于输入稀疏矩阵中的行特征矩阵的特征、列特征矩阵的特征、体系结构参数扩展矩阵的特征；特征处理层用于提取上一层中的特征；数据拼接层，用于对提取的行特征矩阵的特征、列特征矩阵的特征、体系结构参数扩展矩阵的特征进行拼接；输出层用于输出预测结果；

获取多组已知稀疏矩阵向量乘运算时间的稀疏矩阵作为样本数据，将样本数据输入至卷积神经网络以实现对卷积神经网络的训练；

将待分类的稀疏矩阵输入至训练完成的卷积神经网络，实现稀疏矩阵向量乘运算时间的预测。

2.根据权利要求1所述的方法，其特征在于，

所述输入层包括第一通道、第二通道以及第三通道，其中，第一通道接收由稀疏矩阵生成的行特征矩阵，第二通道接收由稀疏矩阵生成的列特征矩阵，第三通道接收体系结构参数扩展矩阵；特征处理层包括第一通道、第二通道以及第三通道，其中，特征处理层的第一通道用于提取行特征矩阵的特征，特征处理层的第二通道用于提取列特征矩阵的特征，特征处理层的第三通道用于提取体系结构参数扩展矩阵的特征。

3.根据权利要求1所述的方法，其特征在于，所述特征处理层的第一通道、特征处理层的第二通道和特征处理层的第三通道的结构相同，依次包括第一卷积层、第一ReLU激活函数层、第一池化层、第二卷积层、第二ReLU激活函数层、第二池化层、第三卷积层、第三ReLU激活函数层以及第三池化层。

4.根据权利要求1所述的方法，其特征在于，所述获取多组已知稀疏矩阵向量乘运算时间的稀疏矩阵作为样本数据，将样本数据输入至卷积神经网络以实现对卷积神经网络的训练步骤，包括：

将多组稀疏矩阵提取出预设尺寸为128×128的行特征矩阵及列特征矩阵，将所述稀疏矩阵应用yaspmv开源工具得到14维体系结构参数向量和稀疏矩阵向量乘运算时间，其中，体系结构参数向量加入稀疏矩阵非零元素个数，形成15维体系结构参数向量，扩展为128×128规模的体系结构参数扩展矩阵。

5.根据权利要求1所述的方法，其特征在于，所述将待分类的稀疏矩阵输入至训练完成的卷积神经网络，实现稀疏矩阵向量乘运算时间的预测步骤，包括：

将待分类的稀疏矩阵提取出预设尺寸大小的行特征矩阵及列特征矩阵，将预处理后的稀疏矩阵和体系结构参数扩展矩阵输入至训练完成的卷积神经网络中。

6.根据权利要求1所述的方法，其特征在于，所述将待分类的稀疏矩阵提取出预设尺寸大小的行特征矩阵及列特征矩阵具体为：采用直方采样方法分别提取稀疏矩阵的行特征和列特征，得到所述稀疏矩阵的行特征矩阵和列特征矩阵，并对所述行、列特征矩阵分别进行归一化处理，得到可作为卷积神经网络输入的行、列特征矩阵。

7.一种稀疏矩阵向量乘运算时间预测系统，其特征在于，包括：

构建单元，用于构建卷积神经网络，卷积神经网络包括输入层、特征处理层、数据拼接层以及输出层，其中，输入层用于输入稀疏矩阵中的行特征矩阵的特征、列特征矩阵的特征、体系结构参数扩展矩阵的特征；特征处理层用于提取上一层中的特征；数据拼接层，用于对提取的行特征矩阵的特征、列特征矩阵的特征、体系结构参数扩展矩阵的特征进行拼接；输出层用于输出预测结果；

获取单元，用于获取多组已知稀疏矩阵向量乘运算时间的稀疏矩阵作为样本数据，将样本数据输入至卷积神经网络以实现对卷积神经网络的训练；

预测单元，用于将待分类的稀疏矩阵输入至训练完成的卷积神经网络，实现稀疏矩阵向量乘运算时间的预测。