使用机器学习进行编译器自动调优的调查
介绍机器学习与编译器优化的关系,并提供了特征、模型、训练和部署的主要概念。对目前不同的研究领域进行了全面调查和路线图,并讨论了该领域的未解决问题和潜在研究方向。本文提供了机器学习基础编译的易于理解的介绍和主要成果的详细文献。
May, 2018
本篇论文研究了常见机器学习模型的超参数优化,介绍了一些最先进的优化技术,并讨论了如何将它们应用于机器学习算法。同时,也提供了许多用于超参数优化问题的库和框架,并在基准数据集上进行了实验,以比较不同优化方法的性能,提供超参数优化的实际例子。该综述论文将帮助工业用户、数据分析师和研究人员通过有效地识别适当的超参数配置来更好地开发机器学习模型。
Jul, 2020
本文从最近使用机器学习来解决约束优化问题的尝试入手,重点调查了将组合求解器和优化方法与机器学习架构集成的工作。这些方法有望开发新的混合机器学习和优化方法,以快速预测组合问题的近似解并启用结构逻辑推理。本文概述了这一新兴领域的最新进展。
Mar, 2021
本文介绍了自动化机器学习技术(AutoML)的研究现状,重点评估了多种 AutoML 工具在不同数据集、不同数据段上的表现和优缺点。
Aug, 2019
本研究提出了一种新的基于学习的方法来对程序进行超优化,该方法利用无偏估计梯度来学习建议分布以提高程序性能,实验表明,该方法能够在超优化方面显着优于现有的基于规则和基于随机搜索的方法。
Nov, 2016
该论文提出了一种自适应神经编译框架来解决高效节目的学习问题,并展示了如何使用可微表示将程序编译为不同 iable 的表示,并通过考虑输入数据分布来优化这种表示,以实现为给定数据分布学习特定调整算法的目标。
May, 2016
CodeZero 是一个基于人工智能的编译优化工具,通过深度强化学习的方式训练智能代理,能够在单次试验中为每个程序即时生成有效的优化策略。在基准测试套件和生产级代码优化问题上的评估结果表明,CodeZero 具有超级编译器性能和零 - shot 泛化能力,超过了由编译器专家设计的内置优化选项。我们的方法为人工智能在工程领域的潜力提供了启示,并为在代码优化领域扩展机器学习技术铺平了道路。
Apr, 2024