[发明专利]专用加速器中基于概率图模型的多种近似技术误差评估方法

权利要求书

1.一种专用加速器中基于概率图模型的多种近似技术误差评估方法，其特征在于，所述方法包括以下步骤：

步骤一：根据预先定义的映射规则，将指定应用的数据流图转化为概率图模型的贝叶斯网络，其中，所述数据流图可通过开源工具LLVM编译应用的C/C++源码获得，且所述贝叶斯网络包括两种状态的近似配置节点和三种状态的输入节点；

其中所述映射规则包括以下步骤：

(1)数据流图中的每个输入都被转换为具有{P(精确)、A(近似)、U(不可接受)}三种状态的X型节点，以跟踪错误传播；

(2)数据流图中的每个操作符变成一个相应的变量节点X1+，其拥有一个具有三种状态{P，A，U}的计算结果和一个具有两种状态{P，A}的近似配置节点X*1+，{X1,X*1},{X1,X*1}是左移操作符和右移操作符的节点对，其中数字1表示相同操作的计数，用于在贝叶斯网络中定位，同时保持输入和操作符变量间边的连接，另外还添加了从操作符配置节点到操作符变量节点的粗体新边；

(3)插入非计算类型近似节点，并为其构建有向边连接到每个输入，不同的输入和常量通常分开处理；

步骤二：根据贝叶斯网络结构，基于结构学习任务，建立高效精确的依赖子图，即贝叶斯表达式，同时根据其父节点的信息及不同近似技术的配置，基于节点参数学习，确定每个节点的条件概率表；

其中所述结构学习任务指针对已知贝叶斯网络结构和应用的信息提取，将数据流图转换为更加精确的贝叶斯表达式，为进一步的边缘概率推断提供最基本最精确的图信息；

所述节点参数学习包括：

首先，节点参数主要是指结构图中每个节点对应的条件概率表，对于X*型的根节点，其条件概率表只有两种情况，如果它被配置为P(精确)，就X*1而言,则P(X*1＝P)＝1,P(X*1＝A)＝0，如果选择近似加法，则P(X*1+＝P)＝0,P(X*1+＝A)＝1；而对于其余X型节点的条件概率表，则需要依赖其父节点确定。