A unified framework for benchmarking sparse matrix-vector multiplication methods

Name: A unified framework for benchmarking sparse matrix-vector multiplication methods
Author: Sarılı, Erdem

İsim	A unified framework for benchmarking sparse matrix-vector multiplication methods
Yazar	Sarılı, Erdem
Basım Tarihi:	2019-10-01
Konu	Sparse matrix vector multiplication, SpMV, Sparse linear algebra
Tür	Belge
Dil	İngilizce
Dijital	Evet
Yazma	Hayır
Kütüphane:	Özyeğin Üniversitesi
Kayıt Numarası	c0bed0db-52e2-4cdf-868b-09d3dee8358e
Lokasyon	Department of Computer Science
Tarih	2019-10-01
Örnek Metin	Sparse matrix-vector multiplication (SpMV) is an important sparse linear algebra kernel that has a wide range of application domains, including computational science, graph analytics, machine learning and many more. Due to its significance, numerous studies have been conducted and are still being proposed to improve the performance of SpMV. Most of the studies evaluate the performance of their method in a custom experimental environment, which weakens the reproducibility of the empirical results, and also makes it hard to compare the proposed method to a wide range of existing methods. In this study, we address this problem by introducing an easy-to-integrate benchmarking framework that is able to unify SpMV methods in a single experimental environment to obtain consistent evaluation results. As a proof-of-concept, we have integrated several state-of-the-art CPU and GPU-based SpMV methods in our framework. We make the framework available as an open-source software for the convenience of researchers., Seyrek matris-vektör çarpımı (SpMV) hesaplama bilimi, çizge analitiği ve makine öğrenmesi de dahil pek çok kullanım alanı olan önemli bir seyrek doğrusal cebir çekirdeğidir. Bu önemi sebebiyle pek çok çalışma SpMV performansını arttırmayı hedeflemektedir. Yapılan çalışmaların çoğu, önerdikleri metotların performansını özel deney ortamlarında değerlendirmektedir. Özel deney ortamlarının kullanılması, değerlendirme sonuçlarının tekrar edilebilirliğini olumsuz etkilemekte ve önerilen metotların mevcut metotlarla kıyaslanmasını zorlaştırmaktadır. Sunduğumuz bu çalışmada, tutarlı deney sonuçları elde etmek için SpMV metotlarını tek bir deney ortamında birleştiren, kolay entegre edilebilir bir performans değerlendirme çerçevesi oluşturarak problemi çözmeyi hedefledik. Bu kavramın bir kanıtı olarak, en gelişmiş CPU ve GPU tabanlı metotlarını sunduğumuz çerçeveye entegre ettik. Geliştirdiğimiz çerçeveyi açık kaynak bir yazılım olarak araştırmacıların kullanımına sunuyoruz.

Kaynağa git Özyeğin Üniversitesi

Aramaya Dön

Özyeğin Üniversitesi

Kaynağa git

A unified framework for benchmarking sparse matrix-vector multiplication methods

Yazar Sarılı, Erdem

Basım Tarihi 2019-10-01

Konu Sparse matrix vector multiplication, SpMV, Sparse linear algebra

Tür Belge

Dil İngilizce

Dijital Evet

Yazma Hayır

Kütüphane Özyeğin Üniversitesi

Kayıt Numarası c0bed0db-52e2-4cdf-868b-09d3dee8358e

Lokasyon Department of Computer Science

Tarih 2019-10-01

Örnek Metin Sparse matrix-vector multiplication (SpMV) is an important sparse linear algebra kernel that has a wide range of application domains, including computational science, graph analytics, machine learning and many more. Due to its significance, numerous studies have been conducted and are still being proposed to improve the performance of SpMV. Most of the studies evaluate the performance of their method in a custom experimental environment, which weakens the reproducibility of the empirical results, and also makes it hard to compare the proposed method to a wide range of existing methods. In this study, we address this problem by introducing an easy-to-integrate benchmarking framework that is able to unify SpMV methods in a single experimental environment to obtain consistent evaluation results. As a proof-of-concept, we have integrated several state-of-the-art CPU and GPU-based SpMV methods in our framework. We make the framework available as an open-source software for the convenience of researchers., Seyrek matris-vektör çarpımı (SpMV) hesaplama bilimi, çizge analitiği ve makine öğrenmesi de dahil pek çok kullanım alanı olan önemli bir seyrek doğrusal cebir çekirdeğidir. Bu önemi sebebiyle pek çok çalışma SpMV performansını arttırmayı hedeflemektedir. Yapılan çalışmaların çoğu, önerdikleri metotların performansını özel deney ortamlarında değerlendirmektedir. Özel deney ortamlarının kullanılması, değerlendirme sonuçlarının tekrar edilebilirliğini olumsuz etkilemekte ve önerilen metotların mevcut metotlarla kıyaslanmasını zorlaştırmaktadır. Sunduğumuz bu çalışmada, tutarlı deney sonuçları elde etmek için SpMV metotlarını tek bir deney ortamında birleştiren, kolay entegre edilebilir bir performans değerlendirme çerçevesi oluşturarak problemi çözmeyi hedefledik. Bu kavramın bir kanıtı olarak, en gelişmiş CPU ve GPU tabanlı metotlarını sunduğumuz çerçeveye entegre ettik. Geliştirdiğimiz çerçeveyi açık kaynak bir yazılım olarak araştırmacıların kullanımına sunuyoruz.