基于机器学习的编译器自动调优技术研究
| 摘要 | 第1-4页 |
| Abstract | 第4-10页 |
| 第1章 引言 | 第10-16页 |
| ·编译器的性能调优 | 第10页 |
| ·迭代编译技术 | 第10-12页 |
| ·机器学习方法 | 第12-14页 |
| ·Open64 编译器 | 第14页 |
| ·论文的组织 | 第14-16页 |
| 第2章 对迭代编译工具的改进 | 第16-20页 |
| ·FCO 和ICI 工具 | 第16页 |
| ·完善功能 | 第16-17页 |
| ·提高迭代速度 | 第17-20页 |
| 第3章 对软件流水的自动调优 | 第20-28页 |
| ·对软件流水训练用例的收集和分析 | 第20-21页 |
| ·对软件流水收益函数的机器学习 | 第21-24页 |
| ·决策树学习方法 | 第22-23页 |
| ·基于实例的学习方法 | 第23-24页 |
| ·两种学习方法对训练用例的分类效果 | 第24-26页 |
| ·两种学习方法对新实例的预测性能 | 第26-28页 |
| 第4章 对循环展开的自动调优 | 第28-34页 |
| ·对循环展开训练用例的收集和分析 | 第28-29页 |
| ·对循环展开因子选择函数的机器学习 | 第29-30页 |
| ·两种学习方法对训练用例的分类效果 | 第30-32页 |
| ·两种学习方法对新实例的预测性能 | 第32-34页 |
| 第5章 对区域构造的自动调优 | 第34-38页 |
| ·对区域构造训练用例的收集和分析 | 第34-35页 |
| ·对区域构造的机器学习 | 第35-36页 |
| ·两种学习方法对训练用例的分类效果 | 第36-37页 |
| ·两种学习方法对新实例的预测性能 | 第37-38页 |
| 第6章 对条件转换的自动调优 | 第38-46页 |
| ·Open64 中的条件转换 | 第38-39页 |
| ·遗传编程方法 | 第39-43页 |
| ·遗传编程的实验结果和分析 | 第43-46页 |
| 第7章 结论与展望 | 第46-47页 |
| ·论文总结 | 第46页 |
| ·工作展望 | 第46-47页 |
| 参考文献 | 第47-50页 |
| 致谢 | 第50-51页 |
| 作者简历 | 第51页 |
