PolyGym: Polyhedral Optimizations as an Environment for Reinforcement Learning

The polyhedral model allows a structured way of defining semantics-preserving transformations to improve the performance of a large class of loops. Finding profitable points in this space is a hard problem which is usually approached by heuristics that generalize from domain-expert knowledge. Existi...

Celý popis

Podrobná bibliografie

Vydáno v:	2021 30th International Conference on Parallel Architectures and Compilation Techniques (PACT) s. 17 - 29
Hlavní autoři:	Brauckmann, Alexander, Goens, Andres, Castrillon, Jeronimo
Médium:	Konferenční příspěvek
Jazyk:	angličtina
Vydáno:	IEEE 01.09.2021
Témata:	Benchmark testing loop scheduling machine learning Machine learning algorithms Markov processes PolyGym polyhedral optimization Reinforcement learning Schedules Shape Time measurement
On-line přístup:	Získat plný text
Tagy:	Přidat tag Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!