On-the-Fly Data Layout Conversion for GEMM on AI Accelerators
Notice bibliographique
Résumé
GEMM accelerators used for AI typically require special layouts of their input and output data. Pre- and post-conversion to such layouts from and to standard row-major or column-major layouts degrades performance. This is particularly the case when conversion overhead cannot be amortized over multiple GEMM executions, as in, for example, LU factorization, a key computation in HPC.We propose a novel on-the-fly data layout conversion approach for GEMM used for LU factorization on Huawei’s DaVinci AI Core. The approach alleviates the bulk of conversion through the use of DMA and Vector engines to convert data layout as data moves through the memory hierarchy, and as it is processed. The approach reduces conversion overhead, but requires more use of the DMA and Vector engines, compared to when data is already in the accelerator’s required data layout.We experimentally evaluate the approach on an Ascend 910 AI processor with 32 DaVinci cores used to accelerate GEMM. We show that the approach reduces layout conversion time by 74% and that the additional use of the DMA/Vector engines reduces compute efficiency by no more than 15%. The result is an improvement in GEMM’s end-to-end performance— over explicit pre-/post-conversion—by up to ∼2X, and on average by 1.6X. In the context of LU factorization, where GEMM is repeatedly used for shrinking matrix sizes, our approach improves GEMM performance by up to 1.6X and on average by 1.4X.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».