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。