A Systolic Array Optimizing Compiler
Monica S. Lam
แแแ. 2012 ยท The Springer International Series in Engineering and Computer Science แฌแแแแ 64 ยท Springer Science & Business Media
4,5star
4 แแแแแฎแแแแreport
แแแฌแแแแ
202
แแแแ แแ
reportแ แแแขแแแแแแ แแ แแแแแฎแแแแแแ แแแฃแแแกแขแฃแ แแแแแแ ย แจแแแขแงแแแ แแแขแ
แแ แแแฌแแแแแก แจแแกแแฎแแ
This book is a revision of my Ph. D. thesis dissertation submitted to Carnegie Mellon University in 1987. It documents the research and results of the compiler technology developed for the Warp machine. Warp is a systolic array built out of custom, high-performance processors, each of which can execute up to 10 million floating-point operations per second (10 MFLOPS). Under the direction of H. T. Kung, the Warp machine matured from an academic, experimental prototype to a commercial product of General Electric. The Warp machine demonstrated that the scalable architecture of high-peiformance, programmable systolic arrays represents a practical, cost-effective solu tion to the present and future computation-intensive applications. The success of Warp led to the follow-on iWarp project, a joint project with Intel, to develop a single-chip 20 MFLOPS processor. The availability of the highly integrated iWarp processor will have a significant impact on parallel computing. One of the major challenges in the development of Warp was to build an optimizing compiler for the machine. First, the processors in the xx A Systolic Array Optimizing Compiler array cooperate at a fine granularity of parallelism, interaction between processors must be considered in the generation of code for individual processors. Second, the individual processors themselves derive their performance from a VLIW (Very Long Instruction Word) instruction set and a high degree of internal pipelining and parallelism. The compiler contains optimizations pertaining to the array level of parallelism, as well as optimizations for the individual VLIW processors.
แจแแคแแกแแแแแ แแ แแแแแฎแแแแแแ
4,5
4 แแแแแฎแแแแ
แจแแแคแแกแแ แแก แแแฌแแแแ
แแแแแฎแแ แแ แแฅแแแแ แแแ แ.
แแแคแแ แแแชแแ แฌแแแแแฎแแแกแแแ แแแแแแจแแ แแแแ
แกแแแ แขแคแแแแแ แแ แขแแแแแขแแแ
แแแแแแกแขแแแแ แแ Google Play Books แแแ Android แแ iPad/iPhone แแแฌแงแแแแแแแแแแกแแแแก. แแก แแแขแแแแขแฃแ แแ แแแแแฎแแ แชแแแแแแก แกแแแฅแ แแแแแแชแแแก แแฅแแแแก แแแแแ แแจแแแ แแ แกแแจแฃแแแแแแก แแแแชแแแ, แฌแแแแแแฎแแ แกแแกแฃแ แแแแ แแแแขแแแขแ แแแแแกแแแแ แแแแแแแก, แ แแแแ แช แแแแแแ, แแกแ แฎแแแแแ แแจแ แ แแแแแจแ.
แแแแขแแแแแ แแ แแแแแแฃแขแแ แแแ
Google Play-แจแ แจแแซแแแแแ แแฃแแแแฌแแแแแแแก แแแกแแแแ แแฅแแแแ แแแแแแฃแขแแ แแก แแแ-แแ แแฃแแแ แแก แแแแแงแแแแแแ แจแแแแซแแแแ.
แแแฌแแแแแแฎแแแแแแ แแ แกแฎแแ แแแฌแงแแแแแแแแแ
แแแแฅแขแ แแแฃแแ แแแแแแก แแแฌแงแแแแแแแแแแ แฌแแกแแแแแฎแแ, แ แแแแ แแชแแ Kobo eReaders, แแฅแแแ แฃแแแ แฉแแแแขแแแ แแแ แคแแแแ แแ แแแแแแขแแแแ แแแ แแฅแแแแก แแแฌแงแแแแแแแแจแ. แแแฎแแแ แแแแก แชแแแขแ แแก แแแขแแแฃแ แ แแแกแขแ แฃแฅแชแแแแแก แแแฎแแแแแ แแแแแแขแแแแ แคแแแแแแ แแฎแแ แแแญแแ แแ แแแฌแแแแแแฎแแแแแแแ.
