基于自适应静态数据布局策略的深度学习张量程序自动生成框架

如何确定静态数据布局是深度学习张量程序自动生成框架面临的重大挑战。Ansor作为目前应用最广泛、最具前景的此类框架,其根据预先指定的单一静态数据布局策略,训练性能预测模型,依据该模型搜索最佳性能的张量程序。但其存在单一策略非最优和性能预测模型不准确的问题。为此,本文提出基于自适应静态数据布局(AL)策略的深度学习张量程序自动生成框架AL-Ansor。AL-Ansor在搜索过程中自适应地选取多种静态数据布局策略,共同训练性能预测模型,从而搜索得到性能更高的张量程序。本文以32核Intel Xeon CPU为目标硬件平台,在多个卷积层上进行实验,结果表明,在同样的搜索次数下,相较于基于3种指定静态数据布局策略的Ansor,AL-Ansor生成的张量程序分别有13.81%、12.41%和16.59%的平均性能提升。

框架的并列运算和笛卡尔积运算——处理复杂系统的新思维系列之九

本系列论文基于《多边矩阵理论》,由东方整体性思维所启迪,试图提供并完善一套从整体到局部处理复杂系统多指标问题、非均匀性问题、非线性问题的强有力的数学工具,并对其进行严格的理论推导和证明。提出了框架的二种基本运算:并列和笛卡尔积,给出了张量框架和混合强度正交表的定义,探讨了框架本身及其并列运算和笛卡尔积运算的序指标的问题,推出了框架经这二种基本运算后和正交表、张量框架的关系。

多边矩阵框架的基阵表示和数据挖掘——处理复杂系统的新思维系列之二十七

作为系列论文的第27篇,介绍了多边矩阵框架的基阵表示概念,给出了多边矩阵框架的基阵表示的基本性质.作为应用,研究了多边矩阵框架的基阵表示和数据挖掘之间的关系.

Topological Structure and Topological Tensor Current of Gauss-Bonnet-Chern Theorem

We offer an intrinsic theoretical framework to reveal the inner relationships among three theories for Euler characteristic number, including Gauss Bonnet-Chern theorem, Hop-Poincaré theorem and Morse theory. Moreover, we consider the Gauss Bonnet-Chern （GBC） form imbedded in arbitrary higher-dimensional manifold, which suggests a Hodge dual tensor current. We show the brane structure inherent in the GBC tensor current and obtain the generalized Nambu action for the multi branes with quantized topological charge.