基于图神经网络的OpenCL程序自动优化启发式方法

物联网的发展与普及促使计算机异构架构迅速发展，开放运算语言（open computing language,OpenCL）作为首个跨平台异构并行计算框架，具有标准化、可移植性等优点，但因不同平台下软硬件的复杂性和多样性，使OpenCL在性能上的移植性存在一定的缺陷.现有的方法通过深度学习构建优化模型来提高程序运行效率，但所构建的预测模型仅考虑代码的顺序依赖关系，忽略了语法语义信息，导致代码优化效果不明显.为解决上述问题，提出了一种基于多关系图神经网络的OpenCL程序自动优化启发式方法.该方法首先把OpenCL代码转换成多关系代码图，能够提取代码的深度结构与语法语义特征；然后利用改进后的图神经网络模型，将构建的代码图编码为高维的特征向量；最后使用决策网络完成任务预测.为验证方法的有效性，分别在异构设备映射和线程粗化因子预测2个任务上进行实验评估.结果表明，在异构设备映射任务中，最优设备预测准确率能够达到88.7%，相较于现有最先进的方法，加速比可提高7.6%；在线程粗化任务中，加速比相较于现有最优的方法可提高5.2%.