Many investigations reduce the simu

Many investigations reduce the simulation costs for DSE by analyzing program characteristics.
Hamerly et al. [2006] simulated only some representative program phases
rather than the whole program. From the perspective of program, Joshi et al. [2006]
found a reduced representative subset of programs by cluster analysis based on inherent
microarchitecture-independent characteristics. Moreover, statistical simulation
was employed to construct a synthesized shorter program to emulate the execution
characteristics of the original program [Genbrugge and Eeckhout 2009]. Unlike the
above approaches, predictive modeling techniques reduce simulated design configurations
by learning the relationship between design parameters and processor responses.
Following the supervised learning framework, the preceding task was accomplished by
linear regression model [Joseph et al. 2006] or Artificial Neural Networks (ANNs) [¨Ipek
et al. 2006; Khan et al. 2007; Cho et al. 2007; Dubach et al. 2011], where ANNs
are most widely used. Inspired by active learning, ¨Ipek et al. [2006] proposed the
intelligent sampling technique to enhance the accuracy of the supervised ANN
approach. This technique repeatedly updates an ensemble of 10 ANNs trained
by 10-fold cross validation over the labeled design configurations, and iteratively
labels (simulates) the unlabeled configurations on which the ANNs present largest
disagreements. Benefited from these techniques, architects no longer need to simulate
an excessively large number of design configurations. However, since the usefulness
of unlabeled design configurations is ignored, the above approaches still suffer from
either high simulation costs (for achieving high accuracies) or low prediction accuracy
(given limited computational resources).

ผลลัพธ์ (ไทย) 1:

สืบสวนจำนวนมากลดต้นทุนการจำลองสำหรับ DSE โดยการวิเคราะห์ลักษณะของโปรแกรมHamerly et al. [2006] จำลองโปรแกรมพนักงานบางระยะเท่านั้นดี กว่าโปรแกรมทั้งหมด จากมุมมองของโปรแกรม al. et Joshi [2006]พบพนักงานลดชุดย่อยของโปรแกรม โดยแบ่งตามแต่กำเนิดลักษณะสถาปัตยกรรมไมโครอิสระ นอกจากนี้ การจำลองทางสถิติหยุดสร้างสังเคราะห์สั้นโปรแกรมจำลองการทำงานลักษณะของโปรแกรมต้นฉบับ [Genbrugge และ Eeckhout 2009] ซึ่งแตกต่างจากการเหนือแนวทาง เทคนิคการสร้างโมเดลการคาดการณ์ลดค่าออกแบบจำลองโดยการศึกษาความสัมพันธ์ระหว่างพารามิเตอร์ออกแบบและการประมวลผลตอบสนองต่อการเรียนรู้มีกรอบ งานก่อนหน้านี้ได้สำเร็จโดยแบบจำลองถดถอยเชิงเส้น [โจเซฟ et al. 2006] หรือเครือข่ายประสาทเทียม (ANNs) [¨Ipekร้อยเอ็ด al. 2006 Khan et al. 2007 ช่อ et al. 2007 Dubach et al. 2011], ที่ ANNsส่วนใหญ่ใช้ แรงบันดาลใจจากการเรียนรู้ที่ใช้งานอยู่ ¨Ipek et al. [2006] เสนอเทคนิคการสุ่มตัวอย่างอัจฉริยะเพื่อเพิ่มประสิทธิภาพความถูกต้องของแอนน์มีแนวทางการ เทคนิคนี้ปรับปรุงเพลิดเพลิน 10 ANNs ฝึกซ้ำ ๆโดยตรวจสอบไขว้ 10-fold มากกว่าค่าออกแบบป้าย และซ้ำ ๆป้ายชื่อ (จำลอง) ไม่กำหนดค่าที่ ANNs แสดงที่ใหญ่ที่สุดความขัดแย้ง รับประโยชน์จากเทคนิคเหล่านี้ สถาปนิกไม่ต้องจำลองหมายเลขมีขนาดใหญ่มากเกินไปค่าออกแบบ อย่างไรก็ตาม เนื่องจากความมีประโยชน์ออกแบบไม่ กำหนดค่าถูกละเว้น วิธีข้างบนยังทรมานจากต้นทุนสูงการจำลอง (สำหรับบรรลุ accuracies สูง) หรือความถูกต้องในการทำนายต่ำ(ให้ทรัพยากรคอมพิวเตอร์จำกัด)

ผลลัพธ์ (ไทย) 2:

การตรวจสอบหลายคนลดค่าใช้จ่ายการจำลองสำหรับ DSE โดยการวิเคราะห์ลักษณะโปรแกรม
Hamerly และคณะ [2006] จำลองเพียงบางส่วนขั้นตอนโปรแกรมที่เป็นตัวแทน
มากกว่าโปรแกรมทั้งหมด จากมุมมองของโปรแกรม Joshi และคณะ [2006]
พบตัวแทนย่อยที่ลดลงของโปรแกรมโดยการวิเคราะห์กลุ่มตามธรรมชาติ
ลักษณะสถาปัตยกรรมอิสระ นอกจากนี้แบบจำลองทางสถิติ
ถูกจ้างมาเพื่อสร้างโปรแกรมสั้นสังเคราะห์ที่จะเลียนแบบการดำเนินการ
ลักษณะของโปรแกรมเดิม [Genbrugge และ Eeckhout 2009] ซึ่งแตกต่างจาก
วิธีการข้างต้นเทคนิคการสร้างแบบจำลองการคาดการณ์ลดการตั้งค่าการออกแบบจำลอง
โดยการเรียนรู้ความสัมพันธ์ระหว่างพารามิเตอร์การออกแบบหน่วยประมวลผลและการตอบสนอง
ต่อการเรียนรู้กรอบการกำกับดูแลที่งานก่อนได้รับการประสบความสำเร็จโดย
รูปแบบการถดถอยเชิงเส้น [โจเซฟและคณะ 2006] หรือโครงข่ายประสาทเทียม (ANNs) [İpek
และคณะ 2006; ข่านและคณะ 2007; cho และคณะ 2007; Dubach และคณะ 2011] ที่ ANNs
มีการใช้กันอย่างแพร่หลาย แรงบันดาลใจจากการเรียนรู้การใช้งานİpekและคณะ [2006] ที่นำเสนอ
เทคนิคการสุ่มตัวอย่างที่ชาญฉลาดเพื่อเพิ่มความถูกต้องของ ANN ดูแล
วิธีการ เทคนิคนี้ซ้ำแล้วซ้ำอีกปรับปรุงชุด 10 ANNs ผ่านการฝึกอบรม
โดยการตรวจสอบข้าม 10 เท่ากว่าการกำหนดค่าการออกแบบที่มีข้อความและซ้ำ
ป้าย (จำลอง) การกำหนดค่าที่ไม่มีป้ายกำกับที่ใหญ่ที่สุด ANNs ปัจจุบัน
ความขัดแย้ง ได้รับประโยชน์จากเทคนิคเหล่านี้สถาปนิกที่ไม่จำเป็นต้องจำลอง
จำนวนมากเกินไปของการกำหนดค่าการออกแบบ อย่างไรก็ตามเนื่องจากประโยชน์
ของการกำหนดค่าการออกแบบที่ไม่มีป้ายกำกับถูกละเว้นวิธีการดังกล่าวข้างต้นยังคงทุกข์ทรมานจาก
ทั้งค่าใช้จ่ายสูงจำลอง (เพื่อให้บรรลุความถูกต้องสูง) หรือความถูกต้องทำนายต่ำ
(ให้ทรัพยากรที่มี จำกัด ในการคำนวณ)

ผลลัพธ์ (ไทย) 3:

การลดต้นทุนสำหรับการจำลองหลาย dse โดยการวิเคราะห์ลักษณะโปรแกรม .
hamerly et al . [ 2006 ] ) แต่บางโปรแกรมตัวแทนขั้นตอน
มากกว่าโปรแกรมทั้งหมด จากมุมมองของโปรแกรม Joshi et al . [ 2006 ]
เจอลดลงตัวแทนย่อยของโปรแกรม โดยจัดกลุ่มตามลักษณะโดยธรรมชาติ
สถาปัตยกรรมไมโครอิสระ . นอกจากนี้
สถิติถูกนำมาใช้สร้างแบบจำลองที่สังเคราะห์โปรแกรมสั้นเลียนแบบการประหารชีวิต
ลักษณะของเดิม และ eeckhout genbrugge โปรแกรม [ 2009 ] ซึ่งแตกต่างจาก
ข้างบนแนวทาง เทคนิคการสร้างแบบจำลองพยากรณ์ลดการออกแบบแบบจำลอง
โดยการเรียนรู้ความสัมพันธ์ระหว่างพารามิเตอร์การออกแบบและการตอบสนองการประมวลผล .
ต่อไปนี้การเรียนรู้แบบมีผู้สอนกรอบก่อนหน้านี้งานที่ประสบความสำเร็จโดย
แบบ [ การถดถอยเชิงเส้นโจเซฟ et al . 2006 หรือประดิษฐ์โครงข่ายประสาท ( แอนน์ ) [ ตั้งก เป็ก
et al . 2006 ; ข่าน et al . 2007 ; โช et al . 2007 ; dubach et al . 2011 ] ที่แอนน์
ส่วนใหญ่ใช้กันอย่างแพร่หลาย แรงบันดาลใจจากการเรียนรู้งานตั้งก เป็ก et al . [ 2006 ] เสนอ
ฉลาดเทคนิคการสุ่มตัวอย่างเพื่อเพิ่มความถูกต้องของการแอน
)เทคนิคนี้ซ้ำ ๆการปรับปรุงการรวมวงของแอนน์ ฝึก 10
10 โฟลดผ่านป้ายออกแบบการกำหนดค่าและซ้ำ
ป้าย ( จำลอง ) ให้ใกล้เคียงแบบที่ใหญ่ที่สุด
แอนน์ ปัจจุบันความขัดแย้ง ประโยชน์จากเทคนิคเหล่านี้ สถาปนิกไม่ต้องจำลอง
จํานวนมากเกินไปขนาดใหญ่ของรูปแบบการออกแบบ อย่างไรก็ตามเนื่องจากประโยชน์
ของการกำหนดค่าออกแบบใกล้เคียงจะถูกละเว้น วิธีข้างต้นยังประสบจาก
ให้ต้นทุนจำลองสูง ( เพื่อความถูกต้องสูง ) หรือ
ความถูกต้องทำนายต่ำ ( ให้ทรัพยากรคอมพิวเตอร์จำกัด