面向DCU的LDS访存向量化优化

在深度计算器(DCU)中,本地数据共享(LDS)是相较于全局内存延迟更低、带宽更高的关键存储部件。随着异构程序对LDS的使用越来越频繁,LDS访存效率低下成为限制异构程序性能的重要因素。此外,LDS访问过程中存在bank冲突的特性,使LDS的访问应遵循一定原则才能高效利用,当线程间的数据访问呈现重叠的访存特征时,访问向量化指令会因此产生延迟。针对此问题,提出面向DCU的LDS访存向量化优化方法。通过实现连续数据访问的向量化,减少LDS的访问次数,降低访存耗时,由此提高程序访存效率。在此基础上,通过设计访存特征的判断方法,提出能够有效解决数据重叠的LDS访存向量化方法,实现一种面向国产通用加速器的LDS高效访存技术,确保向量化方法对访存效率的有效提升。实验结果表明:在使用LDS的异构程序中,LDS访存向量化实现后程序性能平均提升了22.6%,验证了所提方法的有效性;同时,向量化方法能够实现LDS线程间访存数据重叠问题的优化,使异构程序得到平均30%的性能提升。

程序向量化中非规则访存问题研究

现有的程序向量化方法通常仅支持连续访存模式,而不支持非连续的内存访问。为实现更多程序的向量并行,提出一种向量化非规则访存处理方法。对访存特征进行检测分类,针对不同特征给出对应的向量化方案,同时设计收益分析方法,以保证向量化的有效性。实验结果表明,该方法可有效提高向量化能力,实现复杂访存形式的程序向量化。

Seven Qualitative-Soft Communicative Characteristics of Human Voice

The study has its theme communicative characteristics of the human voice, having utility in the journalistic interview. It finds, first, that there is no convergence in the number of characteristics of the human voice： M. L. Knapp talks about three characteristics, T. O. Meservy and J. K. Burgoon about three, F. Poyatos about eight, and P Glenn about seven features. Our thesis discuss that the human voice has nine identity-communicative features： two quantitative-hard communicative characteristics （fundamental frequency--Fo and vocal register） and seven qualitative-soft characteristics： tone height, intonation, volume, accent, diction, timbre of phonation, and average verbal flow.