的一部分机器学习与系统3（MLSys 2021）
利雅得巴格达迪、马西尼萨·梅鲁阿尼、穆罕默德·希坎·勒赫塔斯、卡迈勒·阿卜杜斯、塔哈·阿尔巴奥伊、卡里马·贝纳特克巴、萨曼·阿马拉辛格
使编译器能够自动优化代码是编译器社区的长期目标。有效解决这个问题需要使用精确的成本模型。这些模型预测应用一系列代码转换是否会缩短程序的执行时间。由于微体系结构的复杂性，在现代x86体系结构中很难建立这样的分析成本模型。本文提出了一种新的基于深度学习的自动代码优化成本模型。该模型集成在搜索方法中，并在Tiramisu编译器中实现，以选择最佳的代码转换。该模型的输入是一组表示未优化代码的简单特征和一系列代码转换。该模型预测了应用代码转换时预期的加速。与以前的模型不同，该模型适用于完整程序，不依赖于任何重特征工程。该模型在预测完整程序的加速比时，平均绝对百分比误差仅为16%。所提出的模型使Tiramisu能够自动找到与最新编译器匹配或优于最新编译器的代码转换，而不需要这些编译器所需的相同级别的重功能工程
在电子程序中更改姓名的请求将被接受，不会提出任何问题。然而，名称更改可能会导致书目跟踪问题。作者被要求仔细考虑这一点，并在要求在电子诉讼中更改姓名之前与合著者进行讨论。
使用“报告问题”链接请求更改名称。