{rfName}
Co

Indexado en

Licencia y uso

Icono OpenAccess

Citaciones

2

Altmetrics

Análisis de autorías institucional

Alonso P.Autor o CoautorAlonso, PAutor o CoautorQuintana-Ortí, EsAutor o Coautor

Compartir

Publicaciones
>
Conferencia Publicada

Convolution Operators for Deep Learning Inference on the Fujitsu A64FX Processor

Publicado en:Proceedings - Symposium On Computer Architecture And High Performance Computing. 160-169 - 2022-01-01 (), DOI: 10.1109/SBAC-PAD55451.2022.00027

Autores: Dolz, MF; Martinez, H; Alonso, P; Quintana-Ortí, ES

Afiliaciones

Univ Cordoba - Autor o Coautor
Univ Jaume I Castellon - Autor o Coautor
Univ Politecn Valencia - Autor o Coautor

Resumen

The convolution operator is a crucial kernel for many computer vision and signal processing applications that rely on deep learning (DL) technologies. As such, the efficient implementation of this operator has received considerable attention in the past few years for a fair range of processor architectures. In this paper, we follow the technology trend toward integrating long SIMD (single instruction, multiple data) arithmetic units into high performance multicore processors to analyse the benefits of this type of hardware acceleration for latency-constrained DL workloads. For this purpose, we implement and optimise for the Fujitsu processor A64FX, three distinct methods for the calculation of the convolution, namely, the lowering approach, a blocked variant of the direct convolution algorithm, and the Winograd minimal filtering algorithm. Our experimental results include an extensive evaluation of the parallel scalability of these three methods and a comparison of their global performance using three popular DL models and a representative dataset.

Palabras clave

Arm-based a64fx processorConvolutional neural networksHigh performanceSimd arithmetic units

Indicios de calidad

Impacto bibliométrico. Análisis de la aportación y canal de difusión

Desde una perspectiva relativa, y atendiendo al indicador del impacto normalizado calculado a partir del Field Citation Ratio (FCR) de la fuente Dimensions, arroja un valor de: 2.27, lo que indica que, de manera comparada con trabajos en la misma disciplina y en el mismo año de publicación, lo ubica como trabajo citado por encima de la media. (fuente consultada: Dimensions Jun 2025)

De manera concreta y atendiendo a las diferentes agencias de indexación, el trabajo ha acumulado, hasta la fecha 2025-06-20, el siguiente número de citas:

  • Scopus: 2
  • OpenCitations: 3

Impacto y visibilidad social

Desde la dimensión de Influencia o adopción social, y tomando como base las métricas asociadas a las menciones e interacciones proporcionadas por agencias especializadas en el cálculo de las denominadas “Métricas Alternativas o Sociales”, podemos destacar a fecha 2025-06-20:

  • La utilización de esta aportación en marcadores, bifurcaciones de código, añadidos a listas de favoritos para una lectura recurrente, así como visualizaciones generales, indica que alguien está usando la publicación como base de su trabajo actual. Esto puede ser un indicador destacado de futuras citas más formales y académicas. Tal afirmación es avalada por el resultado del indicador “Capture” que arroja un total de: 3 (PlumX).

Es fundamental presentar evidencias que respalden la plena alineación con los principios y directrices institucionales en torno a la Ciencia Abierta y la Conservación y Difusión del Patrimonio Intelectual. Un claro ejemplo de ello es:

  • El trabajo se ha enviado a una revista cuya política editorial permite la publicación en abierto Open Access.

Análisis de liderazgo de los autores institucionales

Existe un liderazgo significativo ya que algunos de los autores pertenecientes a la institución aparecen como primer o último firmante, se puede apreciar en el detalle: Último Autor (Quintana Ortí, Enrique Salvador).