PDF-Version - freiesMagazin

PROGRAMMIERUNG
> M2=matrix(rnorm(n^2),ncol=n)
> system.time(M1%*%M2)
user system elapsed
35.642 0.056 35.758
> system.time(gpuMatMult(M1, M2))
user system elapsed
5.144 0.032 5.187
Das folgende Beispiel wurde auf der Amazon-
GPU-Instanz mit zwei Intel Xeon X5570 CPUs
und zwei NVIDIA „Tesla“ M2050 GPUs berechnet.
Hier erfolgt eine Matrixmultiplikation von zwei mit
normalverteilten Zufallszahlen gefüllten Matrizen
der Dimension 5000x5000:
> n=5000
> set.seed(100)
> M1=matrix(rnorm(n^2),ncol=n)
> M2=matrix(rnorm(n^2),ncol=n)
> system.time(M1%*%M2)
user system elapsed
161.930 0.140 162.036
> system.time(gpuMatMult(M1, M2))
user system elapsed
0.792 0.280 1.073
Bei beiden Szenarien wurde eine Überlegenheit
der GPU-gestützten Berechnung beobachtet.
Konnten schon beim lokalen Vergleich spürbare
Geschwindigkeitsvorteile, Faktor 6-8, beobachtet
werden, so zeigt die Nutzung der Tesla-GPU
eine massive Beschleunigung. Hier dauerte die
CPU-gestützte Berechnung 161,930 Sekunden,
die GPU-gestützte Berechnung jedoch nur 0,792
Sekunden.
Matrixmultiplikation mit CPU und GPU.
Diese Ergebnisse sind allerdings auch kritisch zu
hinterfragen. So sind diese Messungen natürlich
von der individuellen Systemkonfiguration und der
gewählten Aufgabenstellung abhängig. Zudem
konnte mit dem vorhandenen lokalen Testsystem
(unter Verwendung der NVIDIA Quadro 410) eine
Matrixmultiplikation mit Matrizen der Dimension
5000x5000 mangels Arbeitsspeichers schon nicht
mehr durchgeführt werden. Insofern müssen die
Komplexität beziehungsweise Dimensionen der
Tests immer auch an die Leistungsfähigkeit der
für die Tests verwendeten Grafikkarte angepasst
werden.
© freiesMagazin CC-BY-SA 3.0 Ausgabe 12/2013 20