Βελτιστοποίηση πολλαπλασιασμού αραιού πίνακα με διάνυσμα σε κάρτες γραφικών με τη χρήση Συνελικτικών Νευρωνικών Δικτύων

Αναστασιάδης, Πέτρος; Anastasiadis, Petros

dc.contributor.author	Αναστασιάδης, Πέτρος	el
dc.contributor.author	Anastasiadis, Petros	en
dc.date.accessioned	2018-10-12T07:55:06Z
dc.date.available	2018-10-12T07:55:06Z
dc.date.issued	2018-10-12
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/47786
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.15844
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	SpMV	en
dc.subject	Deep learning	en
dc.subject	Βελτιστοποίηση	el
dc.subject	Αραιοί πίνακες	el
dc.title	Βελτιστοποίηση πολλαπλασιασμού αραιού πίνακα με διάνυσμα σε κάρτες γραφικών με τη χρήση Συνελικτικών Νευρωνικών Δικτύων	el
heal.type	bachelorThesis
heal.classification	Επιστήμη υπολογιστών/πληροφορική	el
heal.classification	Machine learning	en
heal.classificationURI	http://data.seab.gr/concepts/77de68daecd823babbb58edb1c8e14d7106e83bb
heal.classificationURI	http://id.loc.gov/authorities/subjects/sh85079324
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2018-07-05
heal.abstract	Σκοπός της παρούσης διπλωματικής εργασίας είναι η υλοποίηση μιας μεθόδου πρόβλεψης για τον πολλαπλασιασμό αραιού πίνακα με διάνυσμα σε επεξεργαστές γραφικών. Η προϋπάρχουσα έρευνα έχει δείξει πως η πρόβλεψη βέλτιστης μεθόδου για τον πολλαπλασιασμό αραιού πίνακα με διάνυσμα δεν είναι εύκολη, και η ακρίβεια πρόβλεψης που μπορούν να προσφέρουν τα υπάρχοντα μέσα δεν είναι αρκετά ικανοποιητική. Μια και η πλειοψηφία των επαναληπτικών μεθόδων και άλλων τεχνικών της γραμμικής άλγεβρας εμπεριέχουν πάρα πολλούς συνεχόμενους πολλαπλασιασμούς αραιού πίνακα με διάνυσμα, ακόμα και κάποια χρονοβόρα μέθοδος πρόβλεψης θα μπορούσε να οδηγήσει σε σημαντική αύξηση απόδοσης. Με αυτο ως βάση, σε αυτή τη διπλωματική εργασία θα εξερευνήσουμε και αξιολογήσουμε τη χρήση Συνελικτικών Νευρωνικών Δικτύων για την πιο ακριβή πρόβλεψη της βέλτιστης μεθόδου πολλαπλασιασμού αραιού πίνακα με διάνυσμα σε επεξεργαστές γραφικών.	el
heal.abstract	This thesis focuses on implementing a method of format prediction for Sparse Matrix-Vector multiplication in GPUs. Previous research has shown that SpMV format prediction is not an easy task, and the prediction rates it can achieve with normal means are not satisfactory enough. We believe that with the majority of iterative solvers and other linear algebra operations requiring a lot of consecutive SpMV kernel launches, even time consuming methods of prediction could lead to a noticeable increase in performance. To this end, in this thesis we will explore, train and evaluate Convolutional Neural Networks in order to predict the best SpMV format for GPUs with satisfactory accuracy.	en
heal.advisorName	Γκούμας, Γεώργιος	el
heal.committeeMemberName	Γκούμας, Γεώργιος	el
heal.committeeMemberName	Κοζύρης, Νεκτάριος	el
heal.committeeMemberName	Παπασπύρου, Νικόλαος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	95 σ.
heal.fullTextAvailability	true