PDF-Version - freiesMagazin

PROGRAMMIERUNG
GPU-Computing mit R
von Markus Lilienthal und Markus Herrmann
Dieser Artikel bietet eine Einführung
in GPU-Computing mit dem Statistikprogramm
R. Besitzer von Grafikkarten
mit NVIDIA-Chipsatz haben unter Nutzung
des „NVIDIA CUDA-Toolkits“ und des
R-Pakets „gputools“ die Möglichkeit, parallelisierbare
Rechenaufgaben auf ihrer GPU
auszuführen. Entsprechende Installationsanleitungen
versetzen den Leser in die Lage,
eine R-CUDA-Schnittstelle zu implementieren
und für einfache mathematisch-statistische
Rechenoperationen zu nutzen.
GPUs – ungenutzte Rechenkraft!
General Purpose Computing On Graphics Processing
Units (GPGPU) – die Verwendung von GPUs
zur Erledigung allgemeiner (Rechen-)Aufgaben –
war lange Zeit eine Domäne von Profi-Anwendern
in Grafik-, Video- und wissenschaftlichen Bereichen.
Mittlerweile bietet sie auch in abgespeckter
Form auf herkömmlichen Arbeitsplatzrechnern
bei parallelisierbaren Anwendungen oft erstaunliche
Geschwindigkeitsvorteile im Vergleich zu einer
CPU.
Die Gründe hierfür liegen in der unterschiedlichen
Architektur und Funktionsweise der beiden
Recheneinheiten. GPUs sind generell für einen
schnellen Datenfluss und auf die vielfach parallele
Berechnung von Gleitkommazahlen konzipiert,
während die maximale Leistung einer CPU nur
auf eine begrenzte Anzahl gleichzeitiger Threads
verteilt werden kann. GPU-Rechenkapazität für
mathematisch/statistische Aufgabenstellungen zu
nutzen, bietet sich also immer dann an, wenn eine
Vielzahl an Berechnungen gleichzeitig ausgeführt
werden kann, wobei die jeweiligen Rechenoperationen
voneinander unabhängig sind (z. B.
bei Matrixmultiplikationen oder Distanzmessungen
zwischen Vektoren). Derartige Problemstellungen
werden auch als „embarrassingly parallel“
bezeichnet.
Insbesondere Besitzer von Grafikkarten mit einem
geeigneten „CUDA-fähigen“ NVIDIA-Chipsatz [1]
können so mit Hilfe von NVIDIAs CUDA-Toolkit [2]
und der Statistik-Software R [3] einfache statistische
Methoden effizient umsetzen, insofern die
Datenmengen ein bestimmtes Maß nicht überschreiten.
Einer der limitierenden Faktoren ist hierbei
der Arbeitsspeicher der Grafikeinheit. Werden
Objekte geladen, die die Größe des Arbeitsspeichers
überschreiten, entstehen massive Kosten
durch den ständigen Datenfluss von und zu den
beteiligten Speicherbausteinen. Insbesondere einfachere
Grafikkarten mit weniger als 512 MB RAM
kommen dabei, trotz zum Teil über hundert nutzbaren
CUDA-Kernen, schnell an die Grenzen ihrer
Leistungsfähigkeit und bieten sich deshalb besser
für Entwicklungsaufgaben an.
Der Kauf hochperformanter Grafikkarten, wie zum
Beispiel der NVIDIA „Tesla“-Reihe, ist aber für den
Gelegenheitsanwender meist wenig rentabel, da
selbst bei kleineren GPU-Clustern durchaus der
Gegenwert eines Kleinwagens aufkommen kann.
Bei umfangreichen Rechenoperationen mit erhöhtem
Datenfluss besteht allerdings auch die Möglichkeit,
auf Internetdienste wie z. B. Amazon Web
Services (AWS) auszuweichen [4]. Dort können
beispielsweise GPU-Cluster-Instanzen mit zwei
NVIDIA „Tesla“ M2050 GPU-Recheneinheiten angemietet
werden („cg1.4xlarge“ GPU-Instanz).
Die Abrechnung erfolgt dort auf Stundenbasis, der
Satz beträgt momentan 2,10 US-Dollar. Dies mag
im ersten Augenblick zwar nicht gerade günstig
erscheinen, allerdings erhält man dafür auch die
Leistung von zwei Grafikkarten mit jeweils drei GB
GDDR5-Arbeitsspeicher und 448 CUDA-Kernen
sowie ein weitgehend vorkonfiguriertes Systemabbild.
Amazon hat über das AWS-Blog bereits angekündigt,
das Angebot an GPU-Instanzen weiter
ausbauen zu wollen und stellt zukünftig auch eine
„g2.2xlarge instance“ mit einer NVIDIA „Kepler“
GK104 GPU (1536 CUDA-Kerne und vier GB Arbeitsspeicher)
zur Anmietung bereit.
Die Installation des CUDA-Toolkits obliegt allerdings
weiterhin dem Nutzer. Um unnötige Kosten
bei der Anmietung von GPU-Instanzen zu vermeiden,
wird daher empfohlen, innerhalb der Webdienste
möglichst nur produktiv tätig zu werden
und den Code vorab lokal zu entwickeln. Die Kosten
der Anmietung sollte man auf diese Weise so
gering wie möglich halten können.
© freiesMagazin CC-BY-SA 3.0 Ausgabe 12/2013 14