MARC

 008260126s2024        us                              c    eng  d
■001000017360621
■00520260202105556
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798265403469
■035    ▼a(MiAaPQ)AAI32315898
■035    ▼a(MiAaPQ)GeorgiaTech75219
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a005.13
■1001  ▼aZhou,  Tong.
■24510▼aHigh-Level  Compiler  Optimizations  for  Python  Programs
■260    ▼a[Sl]▼bGeorgia  Institute  of  Technology▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a157  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  B.
■500    ▼aAdvisor:  Sarkar,  Vivek.
■5021  ▼aThesis  (Ph.D.)--Georgia  Institute  of  Technology,  2024.
■520    ▼aAs  Python  becomes  the  de  facto  high-level  programming  language  for  many  data  analyt-  ics  and  scientific  computing  domains,  it  becomes  increasingly  critical  to  build  optimizing  compilers  that  are  able  to  generate  efficient  sequential  and  parallel  code  from  Python  pro-  grams  to  keep  up  with  the  insatiable  demands  for  performance  in  these  domains.  Programs  written  in  high-level  languages  like  Python  often  make  extensive  use  of  arrays  as  a  core  data  type,  and  mathematical  functions  applied  on  the  arrays,  in  conjunction  with  general  loops  and  element-level  array  accesses.  Such  a  programming  style  poses  both  challenges  and  opportunities  for  optimizing  compilers.  We  recognize  that  current  compilers  are  limited  in  their  ability  to  make  effective  use  of  the  high-level  operator  and  loop  semantics  to  generate  efficient  code  on  modern  parallel  architectures.This  dissertation  presents  three  pieces  of  work  that  demonstrate  that  compilers  that  leverage  high-level  operator  and  loop  semantics  can  deliver  improved  performance  for  Python  programs  on  CPUs  and  GPUs,  relative  to  past  work.  On  the  CPU  front,  we  present  Intrepydd,  a  Python  to  C++  compiler  that  compiles  a  broad  class  of  Python  language  constructs  and  NumPy  array  operators  to  sequential  and  parallel  C++  code  on  CPUs.  On  the  GPU  front,  we  present  APPy  (Annotated  Parallelism  for  Python),  which  enables  users  to  parallelize  generic  Python  loops  and  tensor  expressions  for  execution  on  GPUs  by  simply  adding  compiler  directives  (annotations)  to  Python  code.  Then  for  programs  consisting  of  sparse  tensor  operators,  we  introduce  ReACT,  which  consists  of  a  set  of  code  generation  techniques  that  achieve  greater  redundancy  elimination  than  state-of-the-art.
■590    ▼aSchool  code:  0078.
■650  4▼aC  plus  plus
■650  4▼aBenchmarks
■650  4▼aMathematical  functions
■650  4▼aData  science
■650  4▼aLibraries
■650  4▼aPython
■650  4▼aSemantics
■650  4▼aMathematics
■690    ▼a0800
■690    ▼a0405
■71020▼aGeorgia  Institute  of  Technology.
■7730  ▼tDissertations  Abstracts  International▼g87-05B.
■790    ▼a0078
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17360621▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서