26、多核系统的运行时热管理

多核系统的运行时热管理

1. 互连能量计算

互连能量消耗在总能量消耗中占比显著,因此研究不同映射方式下的通信强度和互连能量消耗很有必要。由于考虑的是同构架构,且每个应用都会根据吞吐量约束进行减速,所以所有映射的计算能量消耗相近。

互连用于促进不同模块间的通信,消耗的能量即通信能量。当映射在两个模块上的任务需要相互通信时,就会产生通信。通信能量取决于数据量以及通信任务对的相对位置。对于映射到模块 i 和模块 j 并通过边 e 连接的通信任务对,通信能量 $E_{comm}(e)$ 按以下公式估算:
$E_{comm}(e) = \left\lfloor nrTokens[e] \times tokenSize[e] \right\rfloor \times E_{bit}(i, j)$ (9.9)
其中,$E_{bit}(i, j)$ 基于水平链路遍历、垂直链路遍历所需能量以及模块 i 和 j 之间路由器消耗的能量计算,公式如下:
$E_{bit}(i, j) = \left\lfloor E_{bit}^{horizontal} \times hops_{horizontal}(i, j) \right\rfloor + \left\lfloor E_{bit}^{vertical} \times hops_{vertical}(i, j) \right\rfloor + \left\lfloor E_{bit}^{router} \times numOfRouters(i, j) \right\rfloor$ (9.10)

在 3D IC 模型中,水平链路每比特能量 $E_{bit}^{horizontal}$ 为 0.127 PJ,垂直链路每比特

根据原作 https://pan.quark.cn/s/459657bcfd45 的源码改编 Classic-ML-Methods-Algo 引言 建立这个项目,是为了梳理和总结传统机器学习(Machine Learning)方法(methods)或者算法(algo),和各位同仁相互学习交流. 现在的深度学习本质上来自于传统的神经网络模型,很大程度上是传统机器学习的延续,同时也在不少时候需要结合传统方法来实现. 任何机器学习方法基本的流程结构都是通用的;使用的评价方法也基本通用;使用的一些数学知识也是通用的. 本文在梳理传统机器学习方法算法的同时也会顺便补充这些流程,数学上的知识以供参考. 机器学习 机器学习是人工智能(Artificial Intelligence)的一个分支,也是实现人工智能最重要的手段.区别于传统的基于规则(rule-based)的算法,机器学习可以从数据中获取知识,从而实现规定的任务[Ian Goodfellow and Yoshua Bengio and Aaron Courville的Deep Learning].这些知识可以分为四种: 总结(summarization) 预测(prediction) 估计(estimation) 假想验证(hypothesis testing) 机器学习主要关心的是预测[Varian在Big Data : New Tricks for Econometrics],预测的可以是连续性的输出变量,分类,聚类或者物品之间的有趣关联. 机器学习分类 根据数据配置(setting,是否有标签,可以是连续的也可以是离散的)和任务目标,我们可以将机器学习方法分为四种: 无监督(unsupervised) 训练数据没有给定...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值