一种基于多数据流和高带宽内存的GCN推理加速方法

本申请涉及图卷积网络技术领域，尤其涉及一种基于多数据流和高带宽内存的GCN推理加速方法，依据多数据流计算引擎和有效的聚合组合阶段结合顺序，探索多通道HBM的PCs映射策略，分层分类的混合定点量化策略，设计基于决策树的多数据流计算引擎的自适应选择器，根据数据集的特性以及GCN模型的特点来选择最合适的数据流计算引擎以适应现实世界中不同规模大小和稀疏度的图结构数据集，提高GCN的推理速度；本发明提出的GCN推理加速方法在几乎没有精度损失的情况下减少GCN模型的计算量和参数量，可获得高效的GCN加速器，兼具具备高灵活性和低能耗的优点。