[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

说明书

本发明提供了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，通过概率图模型对任意部件的近似技术组合进行快速评估和选择，在保证输出质量的前提下，最大化地减少功耗并提高性能。所述方法至少包括：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；基于结构学习，建立高效精确的依赖子图，同时根据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；根据变量消元推断算法，基于贝叶斯网络和条件概率表，精确求解所需边缘概率，输出误差分布情况。

技术领域

本发明涉及专用加速器中多种近似技术的快速评估方法以及概率图模型的建立技术领域，特别是涉及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。

背景技术

能源的功耗问题推动了新的近似技术的出现，通过降低图像处理、数据挖掘、模式识别等应用的输出结果质量，近似计算、存储和通信等方面都能在功耗和性能上得到大大提高，以便设计用于具有抗错能力的应用加速器。这种近似技术可以应用于指定应用加速器的不同组件，但在不同的层次上具有不同的质量/功耗(或性能)权衡。

为了在可接受的输出质量内最大限度地节省功率或提高性能，近似加速器的误差评估对于选择合适的近似技术是至关重要的。有两种方法常被用来评估近似技术对最终输出质量的误差影响。首先是蒙特卡罗仿真，使用大量的模拟器来获得精确的统计结果，在近似体系结构中常被用来捕捉应用程序精确的执行动态，该方法提供了可靠的评估，但也耗费大量的时间。另一种是通过快速分析建模来计算底层近似架构的应用输出质量，其用几个公式就能快速计算出近似配置的输出质量，但这种分析建模的方法通常局限于特定部件，例如近似加法器或乘法器只能用于计算部件、近似SRAM/DRAM/SSD/PCM只能用于存储部件，近似数据传输只能用于通信部件。特别是对于特定的近似组件，还存在精度/性能的权衡。因此，该方法在从局部组件直接扩展到整个体系结构时速度快，但难度大。

从以上分析来看，分析建模比蒙特卡罗仿真更快，并且更适合于近似加速器的早期设计，而概率论的方法是实现分析建模很好的一种选择。最近虽然又提出了几种近似加法器或精确标度的概率方法用于误差评估，但多种近似技术的混合使用可以更好地实现精确的质量/功耗权衡，目前却尚未被考虑。

发明内容

鉴于以上所述现有技术存在的不足，本发明的目的在于提供一种基于概率图模型的多种近似技术误差评估方法，通过概率图模型对多种近似技术进行快速统一的评估，以选择最佳的近似技术组合，在保证输出质量的前提下，实现功耗节省和性能提高的最大化。

为实现上述目的及其他相关目的，本发明提供一种基于概率图模型的多种近似技术误差评估方法，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；

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；

根据变量消元推断算法，基于贝叶斯网络和条件概率表，精确求解所需边缘概率，输出误差分布情况，其中该算法对比蒙特卡罗仿真，大大降少了时间的消耗，更适合近似加速器的早期设计。

本发明的优选实施方式中，所述映射规则包括：

(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，例如，与输入变量a有关的Xvar_a节点；