原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
第1期电子学报Vol.52No.1
2024年1月ACTAELECTRONICASINICAJan.2024
面向现代GPU的Winograd卷积加速研究
112
童敢，黄立波，吕雅帅
（1.国防科技大学计算机学院，湖南长沙410073；2.华为技术有限公司，北京100031）
摘要：卷积运算是现代卷积神经网络中必不可少的组成部分，同时也是最耗时的.为了解决卷积算子的性能
问题，包括快速傅里叶变换（FastFourierTransform，FFT）和Winograd在内的快速卷积算法被提出.Winograd卷积可被
用于提高小卷积核的推理性能，是目前卷积神经网络中的主流实现方法.然而，Winograd卷积在许多高度优化的深度
神经网络库和深度学习编译器中的实现比较低效.由于Winograd卷积的四个阶段的复杂数据依赖关系，面向GPU对
其进行优化非常具有挑战性.本文针对现代GPU体系结构优化了Winograd卷积算子的性能.本文提出了Winograd计
算阶段的等价变化及其利用TensorCore进行计算的无同步实现，并进一步提出了利用不同GPU内存层级的部分计算
核融合方法PKF（PartialKernelFusion）.基于张量虚拟机（TensorVirtualMachine，TVM）和代码重构器PKF-Reconstruc⁃
tor（PartialKernelFusionReconstructor），实现了高性能的Winograd卷积.对真实应用中卷积神经网络的卷积算子的评
估表明，与cuDNN相比，本文所提算法实现了7.58~13.69倍的性能提升.
关键词：Winograd卷积；低精度；部分计算核融合；卷积加速；GPU内存层级；TensorCore
基金项目：国家自然科学基金（No）
中图分类号：TP183文献标识码：A文章编号：0372-2112(2024)01-0244-14
电子学报URL:http://www.DOI:10.12263/DZXB
ResearchonWinogradConvolutionAccelerationforModernGPU
112
TONGGan,HUANGLi-bo,LYUYa-shuai
（1.CollegeofComputerScienceandTechnology，NationalUniversityofDefenseTechnology，Changsha，Hunan410073，China;
2.HuaweiTechnologiesCorporationLimited，Beijing100031，China）
Abstract:Convolutionoperati
文档评论（0）