CN107632830B - 一种溢出优化的寄存器分配方法及系统 - Google Patents
一种溢出优化的寄存器分配方法及系统 Download PDFInfo
- Publication number
- CN107632830B CN107632830B CN201710849959.6A CN201710849959A CN107632830B CN 107632830 B CN107632830 B CN 107632830B CN 201710849959 A CN201710849959 A CN 201710849959A CN 107632830 B CN107632830 B CN 107632830B
- Authority
- CN
- China
- Prior art keywords
- variables
- overflow
- variable
- module
- spill
- 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.)
- Active
Links
Images
Landscapes
- Devices For Executing Special Programs (AREA)
Abstract
本发明涉及一种溢出优化的寄存器分配方法及系统,寄存器分配方法面向MLC STT‑RAM,MLC STT‑RAM具有四种写转换状态,包括以下步骤:根据变量的生命期构造冲突图;连续地从冲突图中将度小于或等于颜色数量的变量删除,并将该变量压入堆栈中,直到所有变量的度都大于颜色数量或者冲突图成为空图;对于冲突图成为空图的情况,将所有的变量按照与变量被删除的顺序相反的顺序进行着色;对于所有变量的度都大于颜色数量的情况,根据MLC STT‑RAM中各变量的写转换频率选择潜在溢出变量;对所有变量的度都大于颜色数量的图中的所有变量进行着色。本发明能够降低能源消耗和访问延迟,并能够提高寄存器的使用寿命。
Description
技术领域
本发明属于计算机存储技术领域,具体涉及一种面向MLC STT-RAM的溢出优化的寄存器分配方法及系统。
背景技术
多级自旋转移力矩磁性存储器(MLC STT-RAM)是一种新型的非易失性存储介质。不同于采用电荷方式来存储信息的SRAM,MLC STT-RAM利用自旋偏振电流通过磁隧道结(MTJ)改变自由层的磁层方向来存储信息,其具有抗电磁辐射、静态功耗低、非易失性和尺寸小等优势,可以在航天抗辐照环境下作为存储介质用于寄存器的设计中。
寄存器分配是寄存器设计中十分重要的编译优化技术之一。传统寄存器分配通常基于图着色模型。代码选择阶段生成的汇编指令通常不直接涉及物理寄存器,而是假定有无限数量的虚拟寄存器。寄存器分配问题是把这些虚拟寄存器映射到有限的物理寄存器,在不能完成时插入溢出代码,把结果放到存储器。由于SRAM的写操作不存在差异性,传统的基于SRAM的寄存器分配方法不需要考虑不同写状态转换对于程序的影响,而在没有溢出优先级的情况下启发式地选择潜在的溢出变量。如果将传统的寄存器分配方法直接运用于具有不均衡的写状态转换的MLC STT-RAM寄存器中,将大大限制寄存器分配的有效性。因此,需要一种面向MLC STT-RAM的寄存器分配方法。
发明内容
为了解决现有技术存在的上述问题,本发明提供了一种面向MLC STT-RAM的溢出优化的寄存器分配方法及系统,该方法及系统能够降低寄存器分配过程中的能源消耗和访问延迟。
本发明所采用的技术方案为:一种溢出优化的寄存器分配溢出优化方法面向MLCSTT-RAM,MLC STT-RAM具有四种写转换状态,其包括以下步骤:
根据变量的生命期构造冲突图;
连续地从冲突图中将度小于或等于颜色数量的变量删除,并将该变量压入堆栈中,直到所有变量的度都大于颜色数量或者冲突图成为空图;对于冲突图成为空图的情况,将所有的变量按照与变量被删除的顺序相反的顺序进行着色;
对于所有变量的度都大于颜色数量的情况,根据MLC STT-RAM中各变量的写转换频率选择潜在溢出变量,并把该变量压入堆栈中,继续删除变量直到冲突图变成空图;
将变量依次从堆栈中弹出,并把它们重新插入冲突图中;如果变量不能被着色,那么潜在溢出就变为实际溢出。
进一步地,所述步骤根据MLC STT-RAM中各变量的写转换频率选择潜在溢出变量的具体过程为:
收集MLC STT-RAM的每个状态的写数量,计算得到每个状态的写转换频率;
根据写状态转换频率构建溢出代价模型;
根据溢出代价模型计算得到每个变量的潜在溢出代价;
根据溢出代价对变量进行降序排列,将溢出代价最高的变量作为潜在溢出变量。
更进一步地,所述步骤计算得到每个状态的写转换频率的具体过程为:
MLC STT-RAM包含四个写转换状态,各状态之间的转换频率为:
F=∑jSji,i,j∈[0,3],
式中,Sji表示状态Sj到状态Si的转换。
更进一步地,所述步骤根据写状态转换频率构建溢出代价模型中的溢出代价模型为:
Cost=αF(ZT)+βF(ST)+γF(HT)+δF(TT),
式中,α,β,γ,δ表示每个写状态转换频率的权重,F(ZT)表示零转换频率,F(ZT)=∑jSji(ZT),F(ST)表示软转换频率,F(ST)=∑jSji(ST),F(HT)表示硬转换频率,F(HT)=∑jSji(HT),F(TT)表示两步转换频率,F(TT)=∑jSji(TT),其中,参数i,j∈[0,3]且i≠j。
更进一步地,所述权重α,β,γ,δ由状态转换的动态能耗EXT归一化为0-1获得,其中,状态转换的动态能耗EXT与每个转换的平均转换电流的平方和脉冲持续时间的乘积成正比,表示为:
EXT∝Iwirte(XT) 2·tpulse,XT∈[ZT,ST,HT,TT],
式中,Iwirte(XT)表示每个状态转换XT所需要的平均转换电流,tpulse表示脉冲持续时间。
进一步地,所述对所有变量的度都大于颜色数量的图中的所有变量进行着色的步骤中,如果潜在溢出变量不能被着色,则将潜在溢出变量标记为实际溢出变量。
一种溢出优化的寄存器分配系统包括构造模块、比较模块、删除模块、选择模块和着色模块,所述构造模块用于根据变量的生命期构造冲突图,所述比较模块用于将冲突图中各变量的度与颜色数量进行比较,所述删除模块用于删除冲突图中度小于或等于颜色数量的变量,所述选择模块用于根据写转换频率对所有变量的度都大于颜色数量的图中的溢出变量进行选择,所述着色模块用于对空图和所有变量的度都大于颜色数量的图中的所有变量进行着色。
进一步地,对于冲突图成为空图的情况,所述着色模块将所有的变量按照与变量被删除的顺序相反的顺序进行着色。
进一步地,对于所有变量的度都大于颜色数量的情况,如果潜在溢出变量不能被着色,则所述着色模块将潜在溢出变量标记为实际溢出变量。
进一步地,所述选择模块包括写转换频率计算模块、构建模块、溢出代价计算模块和排序模块,所述写转换频率计算模块用于计算MLC STT-RAM的每个状态的写转换频率,所述构建模块用于根据写状态转换频率构建溢出代价模型,所述溢出代价计算模块用于根据溢出代价模型计算得到每个变量的潜在溢出代价,所述排序模块用于根据溢出代价对变量进行降序排列,并将溢出代价最高的变量作为潜在溢出变量。
由于采用以上技术方案,本发明的有益效果为:本发明基于MLC STT-RAM非均匀的写转换因素构建溢出代价模型,通过溢出代价模型选择最有效的溢出变量,把转换能耗代价大的变量保存在内存中而不是保存在寄存器中,能够降低能源消耗和访问延迟,并提高寄存器的使用寿命。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例提供的一种溢出优化的寄存器分配方法的流程图;
图2是本发明一实施例提供的一种溢出优化的寄存器分配方法中建立代价模型的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将对本发明的技术方案进行详细的描述。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式,都属于本发明所保护的范围。
寄存器分配决定了哪些程序变量的值可以存放在哪个或者哪些寄存器中,是编译后端优化中必不可少的任务。如何最大限度地利用寄存器是编译优化的重要问题。现代编译器进行优化都是假设有无数个虚拟寄存器,但是实际编译过程中物理寄存器的数量是有限的。当计算过程中需要一个寄存器但是所有的寄存器都被占用时,正在被使用的寄存器中有一个必须被溢出到内存中。
寄存器分配算法有很多,现有技术中最典型的、最常用的方法是图着色。图着色问题是一个用于寄存器分配与管理寄存器溢出的系统化的方法,是非常著名的NP完全问题之一。
图着色的基本结构为冲突图G=(V,E),其中V是变量集合,E为边集合。其中每一个变量代表一个虚拟寄存器的活跃区间,对于任意两个变量,如果一个变量在另一个被定值的地方是活跃的,即两者存在生命周期相互冲突的活跃区间,那么两个变量之间就会有一条边相连接。图着色就是用颜色数量K种颜色对冲突图G中的V个变量进行染色,使得中间存在边的相邻变量为不相同的颜色。图着色的具体步骤为:
1)构造:根据变量的生命期构造一个冲突图G=(V,E)。
2)化简:从寄存器冲突图中不断地删除边数,即度小于颜色数量K的变量。当一个变量被删除时,与它关联的边也被删除,并将这个变量压入栈中。这种方式下有两种情况,一种情况是得到一个空图,另一种情况是得到一个每个变量都至少有颜色数量K个相邻变量的图。
第一种情况下,可以按照变量被删除的相反顺序进行着色,得到一个颜色数量K着色方案。第二种情况下,不能得到一个颜色数量K着色方案,此时需要将一个变量溢出。
3)溢出:将冲突图G中的潜在溢出变量v(v∈V)从冲突图G中进行删除,将溢出变量v压入堆栈S中。如果V不属于空图,则返回步骤2),继续化简步骤。
4)将压入堆栈S中的变量依次从堆栈中弹出,并将弹出的变量重新插入冲突图G中。在选择过程中,如果变量v不能被着色,则潜在溢出变为实际溢出。
寄存器分配的一个重要的过程是选择哪一个变量进行潜在溢出。现有技术中主要通过以下三种原则来选择潜在溢出变量:根据变量在编译器中间代码的顺序、变量的度和定义或使用变量的操作数。然而,现有技术都是基于写均匀分布的SRAM器件构造的寄存器,当MLC STT-RAM用于寄存器时,采用现有技术就不能选择出最有效的溢出变量。
MLC STT-RAM是指一个存储单元可以保存多个比特数据的STT-RAM。MLC STT-RAM的自由层包含两个区域:硬区域和软区域。由于这两个区域有自己独立的磁性方向,因此,每个存储单元可以保存2比特的数据。在MLC STT-RAM的两端加一个比较小的电流只改变软区域的磁性方向,而在MLC STT-RAM的两端加一个比较大的电流可以同时改变硬区域和软区域的磁性方向。由于改变这两区域所需的电流大小不同,MLC STT-RAM的写状态转换呈现不均衡性的特征。MLC STT-RAM的写转换主要分为以下四种:
硬转换(HT):硬区域与软区域的磁性方向均发生变化。例如,00→11,01→11,10→00以及11→00。
两步转换(TT):转换需要两步完成,包括一步硬转换和一步软转换。例如,00→10,01→10,10→01和11→01。
当改变状态或写入不同的变量时,MLC STT-RAM的能耗也会相应地发生改变。编译器溢出不同能量代价的变量,对程序性能的影响具有很大差异。考虑到由这种代价变化所引起的不同影响,本发明通过建立溢出代价模型来选择最佳的潜在溢出变量。
如图1所示,本发明提供了一种溢出优化的寄存器分配方法,其面向MLC STT-RAM,包括以下步骤:
S1、根据变量的生命期构造一个冲突图G=(V,E)。
S2、连续地从冲突图G中将度小于或等于颜色数量K的变量v删除,并将变量v压入堆栈S中,直到所有变量的度都大于颜色数量K或者冲突图G成为空图,将得到的图标记为图G’。
如果图G’是空图,则将所有的变量可以按照与变量被删除的顺序相反的顺序进行着色。
如果图G’中所有变量的度都大于颜色数量K,则进入步骤S3。
S3、如图2所示,根据MLC STT-RAM中各变量的写转换频率选择潜在溢出变量,其具体过程为:
S31、收集MLC STT-RAM的每个状态的写数量,计算得到每个状态的写转换频率。
由于MLC STT-RAM的每个单元有两位,因此状态集Sa包含22=4个状态。状态之间的转换频率可以通过程序特征分析得到,其计算公式为:
F=∑jSji,i,j∈[0,3],
式中,Sji表示状态Sj到状态Si的转换。
因此,零转换(ZT)、软转换(ST)、硬转换(HT)和两步转换(TT)这4种状态之间的转换频率(数量)为:
F(ZT)=∑jSji(ZT),i,j∈[0,3]且i≠j。
F(ST)=∑jSji(ST),i,j∈[0,3]且i≠j。
F(HT)=∑jSji(HT),i,j∈[0,3]且i≠j。
F(TT)=∑jSji(TT),i,j∈[0,3]且i≠j。
S32、根据写状态转换频率构建溢出代价模型。
每个变量的溢出代价模型可以表示为:
Cost=αF(ZT)+βF(ST)+γF(HT)+δF(TT),
式中,α,β,γ,δ表示每个写状态转换频率的权重,权重代表不同状态转换的执行能耗。
状态转换的动态能耗EXT与每个转换的平均转换电流的平方和脉冲持续时间的乘积成正比,可表示为:
EXT∝Iwirte(XT) 2·tpulse,XT∈[ZT,ST,HT,TT],
式中,Iwirte(XT)表示每个状态转换XT所需要的平均转换电流,tpulse表示脉冲持续时间。权重α,β,γ,δ是由状态转换的动态能耗EXT归一化为0-1而获得的。具体来说,将权重δ的最大值设置为1,权重α,β,γ表示为相对于权重δ的最大值1的归一化值。
S33、根据溢出代价模型计算得到每个变量的潜在溢出代价。
S34、根据溢出代价对变量进行降序排列,将溢出代价最高的变量进行潜在溢出,将溢出代价低的变量保存在寄存器中。
S4、对图G’中的所有变量进行着色,如果潜在溢出变量不能被着色,则将潜在溢出变量标记为实际溢出变量。
采用本发明寄存器分配方法能够降低寄存器分配过程中的能源消耗和访问延迟,并延长MLC STT-RAM的使用寿命。本发明基于MLC STT-RAM非均匀的写转换因素构建溢出代价模型,通过溢出代价模型选择最有效的溢出变量。溢出代价模型为选择潜在溢出变量提供了一个基本依据,把转换能耗代价大的变量保存在内存中而不是保存在寄存器中,能够避免昂贵的溢出进而降低程序的能耗。
本发明还提供了一种溢出优化的寄存器分配系统,其包括构造模块、比较模块、删除模块、选择模块和着色模块,构造模块用于根据变量的生命期构造冲突图,比较模块用于将冲突图中各变量的度与颜色数量进行比较,删除模块用于删除冲突图中度小于或等于颜色数量的变量,选择模块用于根据写转换频率对所有变量的度都大于颜色数量的图中的溢出变量进行选择,着色模块用于对空图和所有变量的度都大于颜色数量的图中的所有变量进行着色。进一步地,对于冲突图成为空图的情况,着色模块将所有的变量按照与变量被删除的顺序相反的顺序进行着色。对于所有变量的度都大于颜色数量的情况,如果潜在溢出变量不能被着色,则着色模块将潜在溢出变量标记为实际溢出变量。
上述实施例中,选择模块包括写转换频率计算模块、构建模块、溢出代价计算模块和排序模块。写转换频率计算模块用于计算MLC STT-RAM的每个状态的写转换频率,构建模块用于根据写状态转换频率构建溢出代价模型,溢出代价计算模块用于根据溢出代价模型计算得到每个变量的潜在溢出代价,排序模块用于根据溢出代价对变量进行降序排列,并将溢出代价最高的变量作为潜在溢出变量。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明所披露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (8)
1.一种溢出优化的寄存器分配方法,其面向MLC STT-RAM,MLC STT-RAM具有四种写转换状态,其特征在于,包括以下步骤:
根据变量的生命期构造冲突图;
连续地从冲突图中将度小于或等于颜色数量的变量删除,并将该变量压入堆栈中,直到所有变量的度都大于颜色数量或者冲突图成为空图;对于冲突图成为空图的情况,将所有的变量按照与变量被删除的顺序相反的顺序进行着色;
对于所有变量的度都大于颜色数量的情况,
收集MLC STT-RAM的每个状态的写数量,计算得到每个状态的写转换频率;
根据写状态转换频率构建溢出代价模型;
根据溢出代价模型计算得到每个变量的潜在溢出代价;
根据溢出代价对变量进行降序排列,将溢出代价最高的变量作为潜在溢出变量,并把该变量压入堆栈中,继续删除变量直到冲突图变成空图;
将变量依次从堆栈中弹出,并把它们重新插入冲突图中;如果变量不能被着色,那么潜在溢出就变为实际溢出。
2.如权利要求1所述的一种溢出优化的寄存器分配方法,其特征在于,所述步骤计算得到每个状态的写转换频率的具体过程为:
MLC STT-RAM包含四个写转换状态,各状态之间的转换频率为:
F=∑jSji,i,j∈[0,3],
式中,Sji表示状态Sj到状态Si的转换。
3.如权利要求1所述的一种溢出优化的寄存器分配方法,其特征在于,所述步骤根据写状态转换频率构建溢出代价模型中的溢出代价模型为:
Cost=αF(ZT)+βF(ST)+γF(HT)+δF(TT),
式中,α,β,γ,δ表示每个写状态转换频率的权重,F(ZT)表示零转换频率,F(ZT)=∑jSji(ZT),F(ST)表示软转换频率,F(ST)=∑jSji(ST),F(HT)表示硬转换频率,F(HT)=∑jSji(HT),F(TT)表示两步转换频率,F(TT)=∑jSji(TT),其中,参数i,j∈[0,3]且i≠j。
4.如权利要求3所述的一种溢出优化的寄存器分配方法,其特征在于,所述权重α,β,γ,δ由状态转换的动态能耗EXT归一化为0-1获得,其中,状态转换的动态能耗EXT与每个转换的平均转换电流的平方和脉冲持续时间的乘积成正比,表示为:
EXT∝Iwirte(XT)2·tpulse,XT∈[ZT,ST,HT,TT],
式中,Iwirte(XT)表示每个状态转换XT所需要的平均转换电流,tpulse表示脉冲持续时间。
5.一种溢出优化的寄存器分配系统,其特征在于,它包括构造模块、比较模块、删除模块、选择模块和着色模块,所述构造模块用于根据变量的生命期构造冲突图,所述比较模块用于将冲突图中各变量的度与颜色数量进行比较,所述删除模块用于删除冲突图中度小于或等于颜色数量的变量,所述选择模块用于收集所有变量的度都大于颜色数量的情况下MLC STT-RAM的每个状态的写数量,计算得到每个状态的写转换频率,根据状态写转换频率构建溢出代价模型,根据溢出代价模型计算得到每个变量的潜在溢出代价;根据溢出代价对变量进行降序排列,选择溢出代价最高的变量作为潜在溢出变量;所述着色模块用于对空图和所有变量的度都大于颜色数量的图中的所有变量进行着色。
6.如权利要求5所述的一种溢出优化的寄存器分配系统,其特征在于,对于冲突图成为空图的情况,所述着色模块将所有的变量按照与变量被删除的顺序相反的顺序进行着色。
7.如权利要求5所述的一种溢出优化的寄存器分配系统,其特征在于,对于所有变量的度都大于颜色数量的情况,如果潜在溢出变量不能被着色,则所述着色模块将潜在溢出变量标记为实际溢出变量。
8.如权利要求5所述的一种溢出优化的寄存器分配系统,其特征在于,所述选择模块包括写转换频率计算模块、构建模块、溢出代价计算模块和排序模块,所述写转换频率计算模块用于计算MLC STT-RAM的每个状态的写转换频率,所述构建模块用于根据写状态转换频率构建溢出代价模型,所述溢出代价计算模块用于根据溢出代价模型计算得到每个变量的潜在溢出代价,所述排序模块用于根据溢出代价对变量进行降序排列,并将溢出代价最高的变量作为潜在溢出变量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710849959.6A CN107632830B (zh) | 2017-09-19 | 2017-09-19 | 一种溢出优化的寄存器分配方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710849959.6A CN107632830B (zh) | 2017-09-19 | 2017-09-19 | 一种溢出优化的寄存器分配方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107632830A CN107632830A (zh) | 2018-01-26 |
CN107632830B true CN107632830B (zh) | 2020-07-10 |
Family
ID=61102013
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710849959.6A Active CN107632830B (zh) | 2017-09-19 | 2017-09-19 | 一种溢出优化的寄存器分配方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107632830B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108804222B (zh) * | 2018-04-13 | 2021-07-27 | 南京南瑞继保电气有限公司 | 一种临时变量的数据区分配方法 |
CN109800086B (zh) * | 2018-12-27 | 2022-12-06 | 芯海科技(深圳)股份有限公司 | 一种优化编译器ram空间的方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101710291A (zh) * | 2009-11-27 | 2010-05-19 | 中国科学院声学研究所 | 一种优化堆栈空间的寄存器分配方法 |
CN103870309A (zh) * | 2012-12-11 | 2014-06-18 | 辉达公司 | 用于集群多级寄存器堆的寄存器分配 |
CN105912304A (zh) * | 2016-03-31 | 2016-08-31 | 中国人民解放军国防科学技术大学 | 向量vliw体系结构图着色寄存器分组分配方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015005903A1 (en) * | 2013-07-09 | 2015-01-15 | Hewlett-Packard Development Company, L.P. | Write flow control for memory modules that include or interface with non-compliant memory technologies |
-
2017
- 2017-09-19 CN CN201710849959.6A patent/CN107632830B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101710291A (zh) * | 2009-11-27 | 2010-05-19 | 中国科学院声学研究所 | 一种优化堆栈空间的寄存器分配方法 |
CN103870309A (zh) * | 2012-12-11 | 2014-06-18 | 辉达公司 | 用于集群多级寄存器堆的寄存器分配 |
CN105912304A (zh) * | 2016-03-31 | 2016-08-31 | 中国人民解放军国防科学技术大学 | 向量vliw体系结构图着色寄存器分组分配方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107632830A (zh) | 2018-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Imani et al. | Acam: Approximate computing based on adaptive associative memory with online learning | |
Nazareth | Conjugate gradient method | |
CN102460420B (zh) | 存储器装置的内部处理器中的条件式操作 | |
CN103336758B (zh) | 一种采用带有局部信息的压缩稀疏行的稀疏矩阵存储方法及基于该方法的SpMV实现方法 | |
CN104571949B (zh) | 基于忆阻器实现计算与存储融合的处理器及其操作方法 | |
CN106775474A (zh) | 一种Nand Flash磨损均衡方法、装置及存储器 | |
CN107632830B (zh) | 一种溢出优化的寄存器分配方法及系统 | |
CN107622020A (zh) | 一种数据存储方法、访问方法及装置 | |
CN112767983A (zh) | 刷新控制电路及存储器 | |
CN104537003A (zh) | 一种Hbase数据库的通用高性能数据写入方法 | |
Chen et al. | 23.2 A 1920× 1080 30fps 611 mW five-view depth-estimation processor for light-field applications | |
CN111276176A (zh) | 一种三维堆叠闪存单元阈值电压分布模型构建方法 | |
CN106484532A (zh) | 面向sph流体模拟的gpgpu并行计算方法 | |
CN109710309A (zh) | 减少存储体冲突的方法 | |
CN105045767A (zh) | 一种快速存贮及读取电力系统稀疏矩阵数据的方法 | |
CN112817982B (zh) | 一种基于lsm树的动态幂律图存储方法 | |
CN102651120B (zh) | 用于影像处理的存储器存取方法及影像处理装置 | |
Li et al. | Friendship 3-hypergraphs | |
CN106155924A (zh) | 图片合并方法、装置及智能设备 | |
EP4390711A1 (en) | Performing an operation on an array of values at a processing unit | |
Sun et al. | Flash-based in-memory computing for stochastic computing in image edge detection | |
CN108460112A (zh) | 地图存储方法及系统 | |
CN110286851B (zh) | 一种基于三维存储器的可重构处理器 | |
Serrano | Efficient implementation of sparse matrix-sparse vector multiplication for large scale graph analytics | |
CN108809726B (zh) | 盒覆盖节点的方法和系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |