PDF-Version - freiesMagazin

PROGRAMMIERUNG
Dennoch machen diese Ergebnisse mit Nachdruck
deutlich, dass Matrixmultiplikationen durch
entsprechende Hardware und gputools extrem beschleunigt
werden können und man somit in der
Lage ist, stunden- oder tagelange Rechenprozeduren
deutlich zu verkürzen. Nun muss nur noch
abgewogen werden, ob dieser Geschwindigkeitsvorteil
die monetären Kosten ausgleicht.
Hier schließt sich dann der Kreis zu der Empfehlung,
die CUDA-basierte Entwicklung, wenn möglich,
lokal durchzuführen. Unter Minderung der
Dimensionen kann bei einer Vielzahl von Aufgabenstellungen
ohne den Kostendruck, der durch
die Anmietung eines Hochleistungssystems entstehen
würde, ausgiebig getestet werden.
Fazit
Die Nutzung von GPUs für statistische Berechnungen
in R ist eine interessante Option. Da auf
den meisten Desktop-Rechnern Grafikkarten installiert
sind, benötigt man für den Einstieg oft
nicht einmal neue Hardware. Wem die Heim-
Grafikkarte nicht ausreicht, dem werden Cloud-
Angebote für Gelegenheitsprojekte empfohlen.
Die Einrichtung ist allgemein recht unproblematisch.
In R selbst kann man entweder auf einige
bereits existierende Pakete zurückgreifen oder
auch eigene Bibliotheken schreiben. Da der Funktionsumfang
der verfügbaren Pakete leider noch
sehr übersichtlich ist, wird man schnell das Bedürfnis
entwickeln, letztere Option auszuprobieren.
Dennoch können allein die verfügbaren Pakete
beachtliche Geschwindigkeitsvorteile mit sich
bringen. Die Beschleunigungsfaktoren bei speziellen
Operationen liegen im dreistelligen Bereich.
Ein paar Mankos sollten allerdings nicht unerwähnt
bleiben:
NVIDIAs CUDA-Plattform ist momentan dominierend.
Wünschenswert wäre eine stärkere
Öffnung hin zu offenen Plattformen (OpenCL).
GPU-Einsatz lohnt sich nur dann, wenn die Fixkosten
durch die Übertragung zwischen dem
Arbeitsspeicher der GPU und der CPU im Vergleich
zum Gesamtzeitverbrauch der Berechnung
klein ist. Der Einsatz lohnt sich also nur
bei rechenintensiven Aufgaben.
Da der Arbeitsspeicher einer GPU recht knapp
bemessen ist, passen sehr große Daten nur
scheibchenweise dort hinein. Die Programmierung
wird dann zusätzlich aufwändig.
Wünschenswert wäre ein noch stärkeres Engagement
der R-Entwicklergemeinschaft, entsprechende
Funktionalitäten über fertige Pakete auch
Laien verfügbar zu machen. Dies wäre für viele
R-Nutzer eine große Bereicherung.
LINKS
[1] https://developer.nvidia.com/cuda-gpus
[2] https://developer.nvidia.com/
[3] http://www.r-project.org/
[4] https://aws.amazon.com/de/ec2/instancetypes/
[5] http://cran.r-project.org/web/packages/
gputools/
[6] http://www.khronos.org/opencl/
[7] https://de.wikipedia.org/wiki/GPL
[8] http://www.netlib.org/lapack/
[9] https://de.wikipedia.org/wiki/Satz_von_Bayes
[10] http://www.tldp.org/HOWTO/Module-
HOWTO/x73.html
[11] https://www.kernel.org/doc/Documentation/
filesystems/ramfs-rootfs-initramfs.txt
[12] https://developer.nvidia.com/cudadownloads
[13] http://developer.download.nvidia.com/
compute/cuda/5_0/rel-update-1/installers/
cuda_5.0.35_linux_64_ubuntu11.10-1.run
[14] http://cran.r-mirror.de/bin/
[15] http://cran.r-mirror.de/sources.html
[16] http://www.rstudio.com/
[17] http://www.rstudio.com/ide/docs/
[18] http://cran.r-project.org
[19] http://cran.r-project.org/src/contrib/gputools_
0.28.tar.gz
Autoreninformation
Markus Lilienthal und Markus
Herrmann sind beide in der Marktforschung
tätig. Lilienthal hat über
den Einsatz von Cloud Computing
promoviert und arbeitet intensiv mit R.
Herrmann ist im Bereich Computational
Statistics beschäftigt.
Diesen Artikel kommentieren
© freiesMagazin CC-BY-SA 3.0 Ausgabe 12/2013 21