Page 71 - 《软件学报》2026年第6期

软件学报 ISSN 1000-9825, CODEN RUXUEW E-mail: jos@iscas.ac.cn
2026,37(6):2390−2410 [doi: 10.13328/j.cnki.jos.007619] [CSTR: 32375.14.jos.007619] http://www.jos.org.cn
©中国科学院软件研究所版权所有. Tel: +86-10-62562563

*
面向 RISC-V 架构的深度学习算子测试

刘佳玮 1,2 , 高 岩 1,2 , 张犬俊 3 , 尚 也 1,2 , 房春荣 1,2 , 陈振宇 1,2

(计算机软件新技术全国重点实验室 (南京大学), 江苏 南京 210046)
1
2
(南京大学 软件学院, 江苏 南京 210093)
3
(南京理工大学 计算机科学与工程学院 (人工智能学院、软件学院), 江苏 南京 210094)
通信作者: 房春荣, E-mail: fangchunrong@nju.edu.cn

摘 要: 随着边缘计算和端侧智能软件的发展, RISC-V 架构因其开源、模块化及低成本优势在学术界和产业界受
到广泛关注. 然而, 将智能软件部署到 RISC-V 架构上面临诸多挑战. 智能软件的运行依赖于执行卷积、矩阵乘法、
归一化等基本张量运算的深度学习算子, 一旦算子出现问题, 将直接影响上层大量智能软件的执行效率、准确性
和可靠性, 因此算子质量的评估至关重要. 现有算子测试方法主要针对 x86 架构, 难以刻画不同计算复杂度对
RISC-V 架构下受限内存、功耗与系统资源使用行为的影响差异. 为此, 提出 RIVdoo, 一种面向 RISC-V 架构的深
度学习算子质量评估方法. RIVdoo 通过基于算子输入空间复杂度的分组策略系统性地覆盖不同计算负载, 结合多
维度指标评估精度、执行效率、内存占用及系统开销, 并引入复杂度放大系数的差分测试机制, 有效识别性能异
常及架构适配问题. 在覆盖计算密集型、内存密集型和轻量型的 47 个算子的实验中, RIVdoo 揭示了不同算子库
和优化策略在 RISC-V 架构下呈现出的显著性能权衡与适配差异: TFLite 以 1.5–2 倍内存开销换取 30%–50% 速度
提升的策略在资源受限场景下面临内存瓶颈; TVM 的动态存储调度因 RISC-V 有限的 TLB 和缓存容量导致缺页
率比 TFLite 高 60%–150%; RVV 向量化在部分算子和低复杂度场景下因软件模拟和启动开销导致性能劣化, 说明
现有优化策略缺乏对 RISC-V 平台特性的针对性设计. 实验结果表明, 不同算子实现和优化策略在 RISC-V 架构下
的运行行为具有明显的复杂度相关特征, 仅依赖输出正确性验证难以全面反映其真实部署表现. RIVdoo 为面向
RISC-V 架构的算子适配性分析与优化提供了一种系统化的评估手段.
关键词: 深度学习算子; 差分测试; RISC-V; 算子部署
中图法分类号: TP311

中文引用格式: 刘佳玮, 高岩, 张犬俊, 尚也, 房春荣, 陈振宇. 面向RISC-V架构的深度学习算子测试. 软件学报, 2026, 37(6):
2390–2410. http://www.jos.org.cn/1000-9825/7619.htm
英文引用格式: Liu JW, Gao Y, Zhang QJ, Shang Y, Fang CR, Chen ZY. Deep Learning Operator Testing for RISC-V Architecture.
Ruan Jian Xue Bao/Journal of Software, 2026, 37(6): 2390–2410 (in Chinese). http://www.jos.org.cn/1000-9825/7619.htm

Deep Learning Operator Testing for RISC-V Architecture
1,2
1,2
3
1,2
1,2
LIU Jia-Wei , GAO Yan , ZHANG Quan-Jun , SHANG Ye , FANG Chun-Rong , CHEN Zhen-Yu 1,2
1
(State Key Laboratory for Novel Software Technology (Nanjing University), Nanjing 210046, China)
2
(Software Institute, Nanjing University, Nanjing 210093, China)
3
(School of Computer Science and Engineering (School of Artificial Intelligence & School of Software), Nanjing University of Science &
Technology, Nanjing 210094, China)

* 基金项目: 国家重点研发计划 (2024YFF0908004); 国家自然科学基金 (U24A20337, 62372228); 深港澳科技计划 (C 类) (SGDX
20230821091559018)
本文由“RISC-V 与人工智能系统软件前沿进展”专题特约编辑武延军研究员、谢涛教授、侯锐研究员、宋威研究员、邢明杰高级工
程师推荐.
收稿时间: 2025-09-08; 修改时间: 2025-10-20, 2025-12-08, 2025-12-15; 采用时间: 2025-12-17; jos 在线出版时间: 2025-12-26
CNKI 网络首发时间: 2026-04-02