基于深度图网络的编译器向量化启发式算法

Using graph neural networks to enhance compiler code vectorization heuristics

冯晖 ¹王亚刚¹

扫码查看

作者信息

1. 西安邮电大学计算机学院,西安710121
折叠

摘要

针对现有的深度学习模型将程序代码考虑为一个串行序列而错失较大性能优化空间的问题,提出了一种新的基于深度图网络的程序启发式优化方法.该方法采用图神经网络对程序的数据和依赖图进行建模,自动从源代码中抽取有效程序特征,然后再将抽取的特征输入下游模型进行循环向量化参数预测.在LLVM循环向量测试集上,所提出的方法取得了2.08倍的加速比,与现有方法相比提高了12％的性能.

关键词

启发式优化/图神经网络/深度学习/编译器向量化

引用本文复制引用

基金项目

出版年

2021

计算机应用研究

四川省电子计算机应用研究中心

计算机应用研究

CSTPCDCSCD北大核心

影响因子：0.93

ISSN：1001-3695

被引量1

参考文献量3

段落导航