图重排序和铺瓦技术制造技术

本文描述了图重排序和铺瓦技术。在一个示例中，大图(例如，用于利用图神经网络进行推理)可以被重排序、铺瓦或者进行这两者，以实现最大限度的数据再利用和均匀的计算负载分布。在一个示例中，一种重排序方法涉及以最高度数的目的地节点作为根节点在图数据集上执行广度优先搜索(BFS)重编号，以生成重排序的图数据集。然后利用来自重排序的图的最后一级的候选节点再次执行BFS。可以选择具有最低带宽或最佳轮廓的第二重排序图数据集来进行进一步处理。在一个示例中，一种铺瓦的方法涉及将图数据集划分成瓦片以平衡预期计算时间。数据集划分成瓦片以平衡预期计算时间。数据集划分成瓦片以平衡预期计算时间。

【技术实现步骤摘要】
图重排序和铺瓦技术
[0001]相关申请
[0002]本申请要求2021年9月29日在印度专利局提交的标题为“METHOD AND APPARATUS FOR INFERENCING OF LARGE GRAPH NEURAL NETWORKS WITH MAXIMAL DATA REUSE AND UNIFORM COMPUTE LOAD DISTRIBUTION”的印度临时专利申请202141044106号的优先权，该申请的全部内容通过引用被完全并入在此。


[0003]本公开概括而言涉及神经网络，并且一些示例更具体而言地涉及用于利用大型图神经网络进行推理的图重排序和铺瓦(graph reordering and tiling)技术。

技术介绍

[0004]用于机器学习(machine learning，ML)的硬件的最近发展集中在优化密集计算，例如通用矩阵乘法(General Matrix Multiply，GEMM)和卷积神经网络(convolutional neural network，CNN)。对于常规CNN和递归神经本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种方法，包括：以表示图数据集的中心的节点作为根节点在所述图数据集上执行广度优先搜索，以生成重排序的图数据集，所述重排序的图数据集包括多个级别；从所述重排序的图数据集的最后一级选择节点的子集作为候选节点；以每个所述候选节点作为根节点，在所述重排序的图数据集上执行广度优先搜索以生成第二重排序图数据集；并且选择所述第二重排序图数据集之一来进行处理。2.如权利要求1所述的方法，其中，执行所述广度优先搜索包括：基于度数的升序向所述图数据集的节点指派号码。3.如权利要求2所述的方法，其中，基于度数的升序向所述节点指派号码包括：对于所述图数据集的根节点之后的每个当前级别：对于先前级别中的每个节点，按编号的递增顺序：识别所述当前级别中的与所述先前级别中的所述节点有连接的节点，并且按度数的升序向所述当前级别中的与所述先前级别中的所述节点有连接的节点指派号码。4.如权利要求1所述的方法，其中，从所述重排序的图数据集的最后一级选择候选节点包括：选择在所述重排序的图数据集的图的外围的节点。5.如权利要求1所述的方法，其中，从所述重排序的图数据集的最后一级选择候选节点包括：基于度数选择所述最后一级中的候选节点中的至少一者。6.如权利要求1所述的方法，其中，从所述重排序的图数据集的最后一级选择候选节点包括：选择所述最后一级中的编号第一的目的地节点作为所述候选节点之一。7.如权利要求1所述的方法，其中，从所述重排序的图数据集的最后一级选择候选节点包括：选择所述最后一级中的编号最后的目的地节点作为所述候选节点之一。8.如权利要求1所述的方法，其中，从所述重排序的图数据集的最后一级选择候选节点包括：选择：所述最后一级中的编号第一的目的地节点，所述最后一级中的编号最后的目的地节点，以及所述最后一级的最低度数的目的地节点。9.如权利要求1所述的方法，其中，选择所述第二重排序图数据集之一来进行处理包括：选择具有扩展宽度最低的邻近矩阵的第二重排序图数据集。10.如权利要求1所述的方法，还包括：在对所述重排序的图数据集执行广度优先搜索之前，从所述重排序的图数据集中去除离群者节点。11.如权利要求1所述的方法，还包括：使得所选择的第二重排序图数据集之一被利用图神经网络来处理。
12.如权利要求1所述的方法，还包括：将所述重排序的图数据集划分成瓦片，其中，每个所述瓦片包括所述重排序的图数据集的目的地节点的子集和与所述目的地节点的子集中的每一者相对应的一个或多个源节点。13.如权利要求12所述的方法，还包括：将所述瓦片组织成瓦片条带，其中，瓦片条带包括具有目的地节点的相同子集的瓦片；并且使得每个所述瓦片条带被利用图神经网络来同时处理。14.一种机器可读介质，其上存储有指令，所述指令被配置为要在一个或多个处理器上被执行以执行根据权利要求1至13中任一项所...

【专利技术属性】
技术研发人员：塔金德，
申请(专利权)人：英特尔公司，
类型：发明
国别省市：