申请/专利权人：南京理工大学

申请日：2024-01-09

公开（公告）日：2024-04-09

公开（公告）号：CN117851061A

主分类号：G06F9/50

分类号：G06F9/50;G06F15/78;G06N3/063;G06N3/082

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.26#实质审查的生效;2024.04.09#公开

摘要：本发明公开了一种面向CPU‑GPU异构片上系统的深度学习神经网络功耗优化调度方法，包括：修改神经网络的实现代码以拆分神经网络，允许定义神经网络的运行模式，选择每一层网络是在CPU上运行还是在GPU上运行，在相应的CPU‑GPU异构片上系统平台测试所有可能的运行模式的时间和功耗数据，并保存；针对电池供电的CPU‑GPU异构片上系统设备，设计电量感知的深度学习神经网络功耗元启发式优化调度算法，根据电量状态并结合任务的实时性要求，使用元启发式算法寻找最适合当前状态的切割方式。本发明能够权衡深度学习神经网络在CPU‑GPU异构边缘设备上运行的实时性和能耗，通过在低电量状态下采用网络层迁移技术和动态电压调整技术，提高异构边缘设备运行深度学习神经网络的续航时间。

主权项：1.一种面向CPU-GPU异构片上系统的深度学习神经网络功耗优化调度方法，其特征在于，包括以下步骤：步骤1，在深度学习神经网络上确立分割点，选择每一层在CPU上运行还是在GPU上运行，实现将网络层计算任务按需迁移至CPU上执行，在相应的CPU-GPU异构片上系统测试所有网络层在CPU和GPU上性能和功耗数据，并记录下来；步骤2，在CPU-GPU异构片上系统运行在电量受限的环境下时，在电池剩余电量发生改变时使用步骤1得到的数据，根据剩余电量，使用元启发式算法搜索可能的网络层切割方式，得到近似最优解并应用。

全文数据：

权利要求：

百度查询： 南京理工大学 面向CPU-GPU异构片上系统的深度学习神经网络功耗优化调度方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD