公开(公告)号：CN111831429B

公开(公告)日：2024-04-02

申请号：CN202010534263.6

申请日：2020-06-11

Applicant: 上海交通大学

Inventor： 江子山 ,  梁晓峣 ,  景乃锋 ,  官惠泽 ,  王雅洁 ,  张选 ,  宋卓然 ,  江昭明

IPC: G06F9/50 ,  G06F17/16

Abstract: 本发明提供一种基于SIMT编程模型的张量化并行计算方法，基于主机端、转换单元和设备端之间的交互，将设备端的数据处理单元由标量转换为张量元，实现对数据的张量化运算处理，拓展了SIMT编程模型所适用的异构平台的范围，提高了编程模型的通用性，灵活性和便捷性；以及在执行任务指令时，对检测到的为对张量元运算处理的任务指令，通过调用预先封装的小核函数进行运算处理，既提高了底层计算的效率，又方便了计算调度的实现。

公开(公告)号：CN111831429A

公开(公告)日：2020-10-27

申请号：CN202010534263.6

申请日：2020-06-11

Applicant: 上海交通大学

Inventor： 江子山 ,  梁晓峣 ,  景乃锋 ,  官惠泽 ,  王雅洁 ,  张选 ,  宋卓然 ,  江昭明

IPC: G06F9/50 ,  G06F17/16

Abstract: 本发明提供一种基于SIMT编程模型的张量化并行计算方法，基于主机端、转换单元和设备端之间的交互，将设备端的数据处理单元由标量转换为张量元，实现对数据的张量化运算处理，拓展了SIMT编程模型所适用的异构平台的范围，提高了编程模型的通用性，灵活性和便捷性；以及在执行任务指令时，对检测到的为对张量元运算处理的任务指令，通过调用预先封装的小核函数进行运算处理，既提高了底层计算的效率，又方便了计算调度的实现。

公开(公告)号：CN116050472A

公开(公告)日：2023-05-02

申请号：CN202211174991.6

申请日：2022-09-26

Applicant: 上海交通大学

Inventor： 杨立男 ,  张选 ,  宋卓然 ,  景乃锋 ,  梁晓峣

IPC: G06N3/0464 ,  G06N3/08 ,  G06N3/063 ,  G06F16/9535

Abstract: 本发明提供一种基于RRAM的深度学习推荐模型容错生成方法及设备，所述方法包括：应用于DLRM架构；所述DLRM架构包括内核，RRAM计算单元，稀疏索引数组基指针的寄存器，稀疏索引数组的寄存器，存储器；所述方法包括：在相同的方差下，采用不同的误差矩阵训练RRAM模型，获取所述RRAM模型的准确率，并求得平均准确率；在所述平均准确率收敛或不再继续升高时，获取在该方差时的误差下鲁棒性最强的RRAM模型；多次调整方差，得到每个方差下，鲁棒性最强的RRAM模型；根据通过神经网络映射之后的低维向量的重要性和电阻分布，交换所述低维向量映射到存储器。本发明可以针对RV和SF实现计紧耦合EL特性的容错方法。