《表1 向量化优化方法与加速情况》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《神威太湖之光加速计算在脑神经网络模拟中的应用》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

神经元更新是计算密集型，对神经元信息按序更新，且期间神经元之间相互独立，没有依赖．因此该计算易于并行与扩展，SIMD向量化技术非常适用于神经元更新．神经元更新优化主要利用浮点向量化进行，可实现4个神经元浮点数据向量化操作．为方便向量化优化，我们对SWsnn神经元数据进行整理，减少结构体使用，确保可向量化变量的连续访问．表1显示了SIMD向量化优化方法和加速情况．由表1可知，SIMD向量化在神经元更新的优化最明显，最高可加速约3倍．在神经元更新阶段，由于存在电流/电导更新和脉冲事件提取等串行计算，导致向量化未达到接近4倍的加速效果．