PDF-Version - freiesMagazin

PROGRAMMIERUNG
PU, cudaBayesreg, WideLM). Zwei weitere Pakete
(magma, HiPLARM) setzen auf den Ersatz des
Standard-Algebra-Pakets LAPACK durch GPUfähige
Bibliotheken. Alle genannten Pakete basieren
auf der CUDA-Plattform von NVIDIA, funktionieren
also auch nur mit einer GPU dieses Herstellers.
Das OpenCL-Paket nutzt die plattformunabhängige
Schnittstelle OpenCL, allerdings ist der
Funktionsumfang recht begrenzt und nicht selbsterklärend.
Das Paket gputools, das der Artikel genauer
vorstellen will, hat sich als das momentan
am einfachsten zu installierende und in der Praxis
nützlichste und vielseitigste erwiesen. Allerdings
basiert auch dieses Paket auf der proprietären,
wenngleich kostenlosen CUDA-Plattform.
Das Paket gputools und Anwendungsszenarien
Das Paket gputools bietet Altenativimplementierungen
für einige grundlegende Matrixoperationen
und rechenintensive statistische Verfahren.
Die Prozedurbezeichnungen halten sich syntaktisch
an die bekannten (CPU-) Funktionen in R;
es ist lediglich jeweils das Präfix gpu dem Namen
der Funktion vorangestellt.
Das Paket bietet Funktionen aus den folgenden
Bereichen:
Matrixoperationen: Als GPU-Matrixmultiplikationen
stehen Multiplikation (gpuMatMult) und
Inverse (gpuSolve) zur Verfügung, sowie die
der Inversion nahe stehende QR-Zerlegung
und das der Multiplikation nahestehende
Kreuzprodukt. Einfache lineare Operationen
wie Spaltensummen oder Multiplikation mit
einem Skalar sind leider nicht implementiert.
Versuche und Beispielsimulationen haben gezeigt,
dass hierbei die GPU keinen Geschwindigkeitsvorteil
erzielen kann: Die GPU kann
ihren Geschwindigkeitsvorteil immer nur dann
zum Tragen bringen, wenn der Zeitaufwand
für das Kopieren der Daten vom Arbeitsspeicher
in den Arbeitsspeicher der GPU und umgekehrt
im Vergleich zur eigentlichen Berechnung
lediglich einen kleinen Teil einnimmt.
Das ist bei solchen einfachen Befehlen offensichtlich
noch nicht der Fall. Erfahrungswerte
haben aber gezeigt, dass allein diese
beiden Matrixfunktionen in Prozeduren mit
vielen Operationen großer Matrizen zweistellige
Beschleunigungsfaktoren erzielen können,
obwohl ein Großteil des Codes immer noch
ganz normal auf der CPU verarbeitet wird.
Lineare Regression und kleinste Quadrate:
gputools bietet mit den Befehlen gpuLm und
gpuGlm lineare und generalisierte lineare
Modelle an, also zum Beispiel lineare Regression
und multinomiale Regressionsmodelle.
Diese Funktionen berechnen das gesamte
Modell auf der GPU und nicht nur einzelne,
isolierte Matrixoperationen. Daher sind die
Funktionen effizienter und schneller, als wenn
man sie mit den Matrixoperationen nachbaut.
Distanzen und Clustering: Clustering ist ein
Verfahren, bei dem eine Anzahl von Objekten
(Beobachtungen, Befragte) in Klassen
mit ähnlichen Eigenschaften zerlegt wird.
Grundlage der Berechnung ist ein Distanzmaß,
das die Unähnlichkeit zweier Objekte
als eine Zahl beschreibt. Mit der Funktion
gpuDist kann man solche Distanzen berechnen.
Es stehen dabei verschiedene Metriken
zur Auswahl. Anschließend kann mit
gpuHclust ein hierarchisches Clustering auf
Basis der Distanzen ausgeführt werden. Der
Befehl gpuDistClust vereinigt beide Funktionalitäten
in einer Prozedur.
Bevor in der Beispielanwendung näher auf
das Paket gputools eingegangen wird, folgt zunächst
eine exemplarische Installationsanleitung
für das CUDA-Toolkit und die entsprechenden R-
Komponenten.
Installation NVIDIA CUDA-Toolkit
Bei der Installation des CUDA-Toolkits gilt es zu
beachten, dass diese ausschließlich auf Kommandozeilenebene,
d. h. nur mit deaktiviertem
Displaymanager, möglich ist. Hierzu muss man
den jeweils laufenden Displaymanager stoppen.
Beispielsweise lässt sich der GNOME Displaymanager
„gdm“ nach einem Wechsel nach tty1
( Strg + Alt + F1 ) mit dem Befehl
# gdm stop
anhalten.
Zu Beginn geht es an die Installation notwendiger
Abhängigkeiten. Die folgenden Compiler und Bibliotheken
sind vorab zu installieren (die Namen
© freiesMagazin CC-BY-SA 3.0 Ausgabe 12/2013 16