CN103106183A - 基于mapreduce的大规模稀疏矩阵乘法运算的方法 - Google Patents
基于mapreduce的大规模稀疏矩阵乘法运算的方法 Download PDFInfo
- Publication number
- CN103106183A CN103106183A CN2013100338846A CN201310033884A CN103106183A CN 103106183 A CN103106183 A CN 103106183A CN 2013100338846 A CN2013100338846 A CN 2013100338846A CN 201310033884 A CN201310033884 A CN 201310033884A CN 103106183 A CN103106183 A CN 103106183A
- Authority
- CN
- China
- Prior art keywords
- matrix
- key
- mapreduce
- value
- sparse
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Complex Calculations (AREA)
Abstract
本发明提供一种基于mapreduce的大规模稀疏矩阵乘法运算的方法,假设大规模稀疏矩阵为A和B,A和B的乘积矩阵为C,方法包括:步骤10、由一个mapreduce Job完成转置矩阵A,输出矩阵A’;步骤20、变换矩阵B,将矩阵B中以坐标点的存储方式变换为以稀疏向量的存储方式,输出矩阵B’;步骤30、连接矩阵A’与B’,计算乘积分量,通过连接操作,得到Cij在矩阵A列号k与矩阵B行号k上的乘积分量;步骤40、合并乘积分量,通过累加乘积分量Cij_k计算Cij。将大规模矩阵乘法运算转换为转置、变换、连接与合并等适合mapreduce计算的基本操作,从而解决单机大矩阵乘法运算的资源限制问题。
Description
技术领域
本发明涉及一种基于mapreduce的大规模稀疏矩阵乘法运算的方法。
背景技术
矩阵乘法是线性代数中常见的问题之一,许多数值计算问题都包含着矩阵乘法的计算。因此,提高矩阵乘法算法运行速度问题,多年来一直引起算法研究者们的高度重视。在研究界主要通过两种方式来达到目的:改进算法降低矩阵乘法的算法复杂度和矩阵乘法的算法并行化。
第一种方法的研究成果表明,在矩阵规模不大情况下,降低算法复杂度的好处非常明显,对于n×n与n×n的矩阵乘法运算,最优方法的算法复杂度接近下限n×n。但在当今数据急剧膨胀的互联网时代,单纯的降低矩阵乘法的算法复杂度仍无法满足大规模矩阵乘法的存储和计算要求。
第二种方法通过对大矩阵进行分块,在不同的机器下并行地完成分块的矩阵乘法运算,然后合并分块的运算结果得到最终运算结果。mapreduce是一种基于函数的编程模型,具有接口简单,健壮容错的特点,因此mapreduce非常适合大规模数据的批量处理。
本发明将大矩阵乘法问题转换为适合mapreduce的操作,解决大规模矩阵乘法运算因为维度过大,在单机环境下因资源限制导致执行性能低下甚至无法执行的问题。
发明内容
本发明要解决的技术问题,在于提供一种基于mapreduce的大规模稀疏矩阵乘法运算的方法,将大规模矩阵乘法运算转换为转置、变换、连接与合并等适合mapreduce计算的基本操作,从而解决单机大矩阵乘法运算的资源限制问题,特别适用于大规模稀疏矩阵E级维度的矩阵。
本发明是这样实现的:一种基于mapreduce的大规模稀疏矩阵乘法运算的方法,假设大规模稀疏矩阵为A和B,A和B的乘积矩阵为C,
A={(i,k,Aik)︱i∈[1,2…m],k∈[1,2…n],Aik≠0},
B={(k,j,Bkj)︱k∈[1,2…n],j∈[1,2…l],Bkj≠0},
求矩阵C={(i,j,Cij)︱i∈[1,2…m],j∈[1,2…l],Cij≠0},
所述方法包括:
步骤10、由一个mapreduce Job完成转置矩阵A,输出矩阵A’;
步骤20、变换矩阵B,将矩阵B中以坐标点的存储方式变换为以稀疏向量的存储方式,输出矩阵B’;
步骤30、连接矩阵A’与B’,计算乘积分量,通过连接操作,得到Cij在矩阵A列号k与矩阵B行号k上的乘积分量;
步骤40、合并乘积分量,通过累加乘积分量Cij_k计算Cij。
进一步的,所述步骤10的mapreduce的过程具体为:
步骤11、map函数读取矩阵A中的由记录位置与<i,k,Aik>构成的key-value对,然后输出由列号k与对应的稀疏向量partColumnVector<i,Aik>构成的key-value对到中间结果,其中partColumnVector由<i,Aik>为元素构成的稀疏向量;
步骤12、combine函数合并mapper端的中间结果,输出格式与map函数输出一致;
步骤13、reduce函数进一步合并combine函数输出的结果,将来自不同mapper的key相同的partColumnVector合并成完整的列向量columnVector,然后将由列号与columnVector构成的key-value对写到矩阵A’对应的文件路径;
步骤14、最终输出转置后的矩阵A’,其内容是由矩阵A的列号与列向量构成。
进一步的,所述步骤20的mapreduce的过程具体为:
步骤21、map函数读取矩阵B中的由记录位置与<k,j,Bkj>构成的key-value对,然后输出由行号k与对应的稀疏向量partRowVector<j,Bkj>构成的key-value对到中间结果,其中partRowVector由<j,Bkj>为元素构成的稀疏向量;
步骤22、combine函数合并mapper端的中间结果,输出格式与map函数输出一致;
步骤23、reduce函数进一步合并combine函数输出的结果,将来自不同mapper的key相同的partRowVector合并成完整的行向量rowVector,然后将由行号与rowVector构成的key-value对写到矩阵B’对应的文件路径;
步骤24、最终输出转置后的矩阵B’,其内容是由矩阵B的行号与行向量构成。
进一步的,所述步骤30的mapreduce的过程具体为:
步骤31、map函数将接收的key-value对直接输出到中间结果文件;
步骤32、reduce函数接收到key为k的记录,解析value-list提取columnVector与rowVector,然后将两个向量中的元素进行笛卡尔积连接,计算Cij在矩阵A列号k与矩阵B行号k上的乘积分量Cij_k,最后将<i,j>作为key,Cij_k作为value的键值对写到矩阵C’文件中。
进一步的,所述步骤40的mapreduce的过程具体为:
步骤41、map函数将接收的key-value对直接输出到中间结果文件;
步骤42、reduce函数接收到key为<i,j>的记录,对value-list中元素进行求和操作,所得到的和即为Cij,最后将<i,j>作为key,Cij作为value的键值对写到矩阵C文件中。
本发明具有如下优点:本发明提供了一种基于mapreduce的大稀疏矩阵乘法运算方法,将大矩阵乘法运算转换为转置、变换、连接与合并等适合mapreduce计算的基本操作。这种将矩阵计算问题转化为适合mapreduce的基本操作的方法,使其能够在mapreudce框架上的并行运行,降低了运行资源的限制,提高了计算速度;另外,本发明的方法采用稀疏矩阵与稀疏向量作为存储方式,不仅节约了存储空间,并且可以减少不必要的计算,提高运行速度。
附图说明
下面参照附图结合实施例对本发明作进一步的说明。
图1为本发明方法执行流程图。
具体实施方式
本发明是这样实现的:一种基于mapreduce的大规模稀疏矩阵乘法运算的方法,假设大规模稀疏矩阵为A和B,A和B的乘积矩阵为C,
A={(i,k,Aik)︱i∈[1,2…m],k∈[1,2…n],Aik≠0},
B={(k,j,Bkj)︱k∈[1,2…n],j∈[1,2…l],Bkj≠0},
求矩阵C={(i,j,Cij)︱i∈[1,2…m],j∈[1,2…l],Cij≠0},
所述方法包括:
步骤10、由一个mapreduce Job完成转置矩阵A,输出矩阵A’;其mapreduce的过程具体为:
步骤11、map函数读取矩阵A中的由记录位置与<i,k,Aik>构成的key-value对,然后输出由列号k与对应的稀疏向量partColumnVector<i,Aik>构成的key-value对到中间结果,使其更紧凑,其中partColumnVector由<i,Aik>为元素构成的稀疏向量;
步骤12、combine函数合并mapper端的中间结果,输出格式与map函数输出一致;
步骤13、reduce函数进一步合并combine函数输出的结果,将来自不同mapper的具有相同键值的partColumnVector合并成完整的列向量columnVector,然后将由列号与columnVector构成的key-value对写到矩阵A’对应的文件路径;
步骤14、最终输出转置后的矩阵A’,其内容是由矩阵A的列号与列向量构成,形如k:columnVector。
步骤20、变换矩阵B,将矩阵B中以坐标点的存储方式变换为以稀疏向量的存储方式,输出矩阵B’;其mapreduce的过程具体为:
步骤21、map函数读取矩阵B中的由记录位置与<k,j,Bkj>构成的key-value对,然后输出由行号k与对应的稀疏向量partRowVector<j,Bkj>构成的key-value对到中间结果,其中partRowVector由<j,Bkj>为元素构成的稀疏向量;
步骤22、combine函数合并mapper端的中间结果使其更紧凑,输出格式与map函数输出一致;
步骤23、reduce函数进一步合并combine函数输出的结果,将来自不同mapper的key相同的partRowVector合并成完整的行向量rowVector,然后将由行号与rowVector构成的key-value对写到矩阵B’对应的文件路径;
步骤24、最终输出转置后的矩阵B’,其内容是由矩阵B的行号与行向量构成,形如k:rowVector。
步骤30、连接矩阵A’与B’,计算乘积分量,通过连接操作,得到Cij在矩阵A列号k与矩阵B行号k上的乘积分量;该步骤目的是通过连接操作,将矩阵A’与B’中key相同的columnVector与rowVector进行笛卡尔积连接,得到Cij在矩阵A列号k与矩阵B行号k上的乘积分量,其mapreduce的过程具体为:
步骤31、map函数将接收的key-value对直接输出到中间结果文件;
步骤32、reduce函数接收到key为k的记录,解析value-list提取columnVector与rowVector,然后将两个向量中的元素进行笛卡尔积连接,计算Cij在矩阵A列号k与矩阵B行号k上的乘积分量Cij_k,最后将<i,j>作为key,Cij_k作为value的键值对写到矩阵C’文件中。
步骤40、合并乘积分量,通过累加乘积分量Cij_k计算Cij。该步骤目的是通过累加乘积分量Cij_k计算Cij,其mapreduce的过程具体为:
步骤41、map函数将接收的key-value对直接输出到中间结果文件;
步骤42、reduce函数接收到key为<i,j>的记录,对value-list中元素进行求和操作,所得到的和即为Cij,最后将<i,j>作为key,Cij作为value的键值对写到矩阵C文件中。
综上所述,本发明方法将大矩阵乘法运算转换为转置、变换、连接与合并等适合mapreduce计算的基本操作。这种将矩阵计算问题转化为适合mapreduce的基本操作的方法,使其能够在mapreudce框架上的并行运行,降低了运行资源的限制,提高了计算速度;另外,本发明的方法采用稀疏矩阵与稀疏向量作为存储方式,不仅节约了存储空间,并且可以减少不必要的计算,提高运行速度。
虽然以上描述了本发明的具体实施方式,但是熟悉本技术领域的技术人员应当理解,我们所描述的具体的实施例只是说明性的,而不是用于对本发明的范围的限定,熟悉本领域的技术人员在依照本发明的精神所作的等效的修饰以及变化,都应当涵盖在本发明的权利要求所保护的范围内。
Claims (5)
1.一种基于mapreduce的大规模稀疏矩阵乘法运算的方法,其特征在于:假设大规模稀疏矩阵为A和B,A和B的乘积矩阵为C,
A={(i,k,Aik)︱i∈[1,2…m],k∈[1,2…n],Aik≠0},
B={(k,j,Bkj)︱k∈[1,2…n],j∈[1,2…l],Bkj≠0},
求矩阵C={(i,j,Cij)︱i∈[1,2…m],j∈[1,2…l],Cij≠0},
所述方法包括:
步骤10、由一个mapreduce Job完成转置矩阵A,输出矩阵A’;
步骤20、变换矩阵B,将矩阵B中以坐标点的存储方式变换为以稀疏向量的存储方式,输出矩阵B’;
步骤30、连接矩阵A’与B’,计算乘积分量,通过连接操作,得到Cij在矩阵A列号k与矩阵B行号k上的乘积分量;
步骤40、合并乘积分量,通过累加乘积分量Cij_k计算Cij。
2.根据权利要求1所述的基于mapreduce的大规模稀疏矩阵乘法运算的方法,其特征在于:所述步骤10的mapreduce的过程具体为:
步骤11、map函数读取矩阵A中的由记录位置与<i,k,Aik>构成的key-value对,然后输出由列号k与对应的稀疏向量partColumnVector<i,Aik>构成的key-value对到中间结果,其中partColumnVector由<i,Aik>为元素构成的稀疏向量;
步骤12、combine函数合并mapper端的中间结果,输出格式与map函数输出一致;
步骤13、reduce函数进一步合并combine函数输出的结果,将来自不同mapper的key相同的partColumnVector合并成完整的列向量columnVector,然后将由列号与columnVector构成的key-value对写到矩阵A’对应的文件路径;
步骤14、最终输出转置后的矩阵A’,其内容是由矩阵A的列号与列向量构成。
3.根据权利要求1所述的基于mapreduce的大规模稀疏矩阵乘法运算的方法,其特征在于:所述步骤20的mapreduce的过程具体为:
步骤21、map函数读取矩阵B中的由记录位置与<k,j,Bkj>构成的key-value对,然后输出由行号k与对应的稀疏向量partRowVector<j,Bkj>构成的key-value对到中间结果,其中partRowVector由<j,Bkj>为元素构成的稀疏向量;
步骤22、combine函数合并mapper端的中间结果,输出格式与map函数输出一致;
步骤23、reduce函数进一步合并combine函数输出的结果,将来自不同mapper的key相同的partRowVector合并成完整的行向量rowVector,然后将由行号与rowVector构成的key-value对写到矩阵B’对应的文件路径;
步骤24、最终输出转置后的矩阵B’,其内容是由矩阵B的行号与行向量构成。
4.根据权利要求1所述的基于mapreduce的大规模稀疏矩阵乘法运算的方法,其特征在于:所述步骤30的mapreduce的过程具体为:
步骤31、map函数将接收的key-value对直接输出到中间结果文件;
步骤32、reduce函数接收到key为k的记录,解析value-list提取columnVector与rowVector,然后将两个向量中的元素进行笛卡尔积连接,计算Cij在矩阵A列号k与矩阵B行号k上的乘积分量Cij_k,最后将<i,j>作为key,Cij_k作为value的键值对写到矩阵C’文件中。
5.根据权利要求1所述的基于mapreduce的大规模稀疏矩阵乘法运算的方法,其特征在于:所述步骤40的mapreduce的过程具体为:
步骤41、map函数将接收的key-value对直接输出到中间结果文件;
步骤42、reduce函数接收到key为<i,j>的记录,对value-list中元素进行求和操作,所得到的和即为Cij,最后将<i,j>作为key,Cij作为value的键值对写到矩阵C文件中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013100338846A CN103106183A (zh) | 2013-01-29 | 2013-01-29 | 基于mapreduce的大规模稀疏矩阵乘法运算的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013100338846A CN103106183A (zh) | 2013-01-29 | 2013-01-29 | 基于mapreduce的大规模稀疏矩阵乘法运算的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103106183A true CN103106183A (zh) | 2013-05-15 |
Family
ID=48314049
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2013100338846A Pending CN103106183A (zh) | 2013-01-29 | 2013-01-29 | 基于mapreduce的大规模稀疏矩阵乘法运算的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103106183A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104077438A (zh) * | 2014-06-23 | 2014-10-01 | 中国能源建设集团广东省电力设计研究院 | 电网大规模拓扑结构构建方法与系统 |
CN104360985A (zh) * | 2014-10-20 | 2015-02-18 | 浪潮电子信息产业股份有限公司 | 一种基于mic实现聚类算法的方法及装置 |
CN104462023A (zh) * | 2014-12-31 | 2015-03-25 | 合一网络技术(北京)有限公司 | 基于mapreduce框架的超大规模稀疏矩阵乘法运算的方法 |
CN105426344A (zh) * | 2015-11-09 | 2016-03-23 | 南京大学 | 基于Spark的分布式大规模矩阵乘法的矩阵计算方法 |
CN107291666A (zh) * | 2017-06-27 | 2017-10-24 | 郑州云海信息技术有限公司 | 一种数据处理方法及处理装置 |
KR101858593B1 (ko) * | 2016-01-26 | 2018-05-17 | 한양대학교 산학협력단 | 단일 머신 기반의 대용량 희소행렬 곱셈을 위한 메모리 할당 장치 및 방법 |
CN108733348A (zh) * | 2017-04-21 | 2018-11-02 | 上海寒武纪信息科技有限公司 | 融合向量乘法器和使用其进行运算的方法 |
CN108875958A (zh) * | 2017-05-11 | 2018-11-23 | 广州异构智能科技有限公司 | 使用外积单元的原生张量处理器 |
CN109992372A (zh) * | 2017-12-29 | 2019-07-09 | 中国移动通信集团陕西有限公司 | 一种基于映射归约的数据处理方法及装置 |
CN110325988A (zh) * | 2017-01-22 | 2019-10-11 | Gsi 科技公司 | 关联存储器设备中的稀疏矩阵乘法 |
CN112364294A (zh) * | 2020-10-27 | 2021-02-12 | 中国核动力研究设计院 | 堆芯数值计算矩阵的自动转换方法、装置、设备及介质 |
WO2022068328A1 (zh) * | 2020-09-30 | 2022-04-07 | 华为技术有限公司 | 数据迁移的方法、装置、处理器和计算设备 |
WO2022143432A1 (zh) * | 2020-12-30 | 2022-07-07 | 华为技术有限公司 | 一种矩阵计算装置、方法、系统、电路、芯片及设备 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012116449A1 (en) * | 2011-03-01 | 2012-09-07 | International Business Machines Corporation | Systems and methods for processing machine learning algorithms in a mapreduce environment |
-
2013
- 2013-01-29 CN CN2013100338846A patent/CN103106183A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012116449A1 (en) * | 2011-03-01 | 2012-09-07 | International Business Machines Corporation | Systems and methods for processing machine learning algorithms in a mapreduce environment |
Non-Patent Citations (4)
Title |
---|
ZHENGGUO SUN等: "Large-Scale Matrix Factorization using MapReduce", 《2010 IEEE INTERNATIONAL CONFERENCE ON DATA MINING WORKSHOPS》 * |
刘猛: "云计算平台下神经网络方法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
张骏: "一种基于MapReduce并行框架的大规模矩阵乘法运算的实现", 《计算机应用与软件》 * |
虞乐: "基于Hadoop平台下回归算法的性能研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104077438B (zh) * | 2014-06-23 | 2017-11-10 | 中国能源建设集团广东省电力设计研究院有限公司 | 电网大规模拓扑结构构建方法与系统 |
CN104077438A (zh) * | 2014-06-23 | 2014-10-01 | 中国能源建设集团广东省电力设计研究院 | 电网大规模拓扑结构构建方法与系统 |
CN104360985A (zh) * | 2014-10-20 | 2015-02-18 | 浪潮电子信息产业股份有限公司 | 一种基于mic实现聚类算法的方法及装置 |
CN104462023A (zh) * | 2014-12-31 | 2015-03-25 | 合一网络技术(北京)有限公司 | 基于mapreduce框架的超大规模稀疏矩阵乘法运算的方法 |
CN104462023B (zh) * | 2014-12-31 | 2017-07-21 | 合一网络技术(北京)有限公司 | 基于mapreduce框架的超大规模稀疏矩阵乘法运算的方法 |
CN105426344A (zh) * | 2015-11-09 | 2016-03-23 | 南京大学 | 基于Spark的分布式大规模矩阵乘法的矩阵计算方法 |
KR101858593B1 (ko) * | 2016-01-26 | 2018-05-17 | 한양대학교 산학협력단 | 단일 머신 기반의 대용량 희소행렬 곱셈을 위한 메모리 할당 장치 및 방법 |
CN110325988A (zh) * | 2017-01-22 | 2019-10-11 | Gsi 科技公司 | 关联存储器设备中的稀疏矩阵乘法 |
CN110325988B (zh) * | 2017-01-22 | 2021-10-29 | Gsi 科技公司 | 关联存储器设备中的稀疏矩阵乘法 |
CN108733348A (zh) * | 2017-04-21 | 2018-11-02 | 上海寒武纪信息科技有限公司 | 融合向量乘法器和使用其进行运算的方法 |
CN108875958A (zh) * | 2017-05-11 | 2018-11-23 | 广州异构智能科技有限公司 | 使用外积单元的原生张量处理器 |
CN107291666A (zh) * | 2017-06-27 | 2017-10-24 | 郑州云海信息技术有限公司 | 一种数据处理方法及处理装置 |
CN109992372A (zh) * | 2017-12-29 | 2019-07-09 | 中国移动通信集团陕西有限公司 | 一种基于映射归约的数据处理方法及装置 |
WO2022068328A1 (zh) * | 2020-09-30 | 2022-04-07 | 华为技术有限公司 | 数据迁移的方法、装置、处理器和计算设备 |
CN112364294A (zh) * | 2020-10-27 | 2021-02-12 | 中国核动力研究设计院 | 堆芯数值计算矩阵的自动转换方法、装置、设备及介质 |
CN112364294B (zh) * | 2020-10-27 | 2022-12-27 | 中国核动力研究设计院 | 堆芯数值计算矩阵的自动转换方法、装置、设备及介质 |
WO2022143432A1 (zh) * | 2020-12-30 | 2022-07-07 | 华为技术有限公司 | 一种矩阵计算装置、方法、系统、电路、芯片及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103106183A (zh) | 基于mapreduce的大规模稀疏矩阵乘法运算的方法 | |
CN104915322A (zh) | 一种卷积神经网络硬件加速方法及其axi总线ip核 | |
CN102436438B (zh) | 基于gpu的稀疏矩阵数据存储方法 | |
Celledoni et al. | An introduction to Lie group integrators–basics, new developments and applications | |
CN103324850B (zh) | 基于多文件流的有限元两级分区两次缩聚并行方法 | |
CN103617150A (zh) | 一种基于gpu的大规模电力系统潮流并行计算系统及其方法 | |
CN105022670A (zh) | 一种云计算平台中的异构分布式任务处理系统及其处理方法 | |
CN103970720B (zh) | 基于大规模粗粒度嵌入式可重构系统及其处理方法 | |
CN103345580A (zh) | 基于格子Boltzmann方法的并行CFD方法 | |
CN103838626A (zh) | 一种处理串行任务的数据处理装置及方法 | |
CN104317751A (zh) | 一种gpu上数据流处理系统及其数据流处理方法 | |
CN111707262B (zh) | 基于最近点向量投影的点云匹配方法、介质、终端和装置 | |
Mohammadi et al. | A novel one-layer recurrent neural network for the l1-regularized least square problem | |
CN104142810A (zh) | 一种形成节点导纳矩阵的并行方法 | |
CN103049593A (zh) | 一种计算两条参数曲线间的Hausdorff距离的方法 | |
Benner et al. | Solving algebraic Riccati equations on parallel computers using Newton's method with exact line search | |
CN103544729A (zh) | 一种动画数据处理方法及系统 | |
CN104615437A (zh) | 一种基于gpu的软件体系架构及uml和adl结合描述的方法 | |
CN109446478A (zh) | 一种基于迭代和可重构方式的复协方差矩阵计算系统 | |
CN107423030A (zh) | 基于fpga异构平台的马尔科夫蒙特卡洛算法加速方法 | |
AU2023203387A1 (en) | Method and apparatus for determining degree of quantum entanglement, device and storage medium | |
CN102231202B (zh) | 面向向量处理器的sad向量化实现方法 | |
JP4052181B2 (ja) | 通信隠蔽型の並列高速フーリエ変換方法 | |
CN105045565A (zh) | 适合分布式并行计算的PBiCOR方法 | |
Xiao et al. | Transitivity of varietal hypercube networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20130515 |