Implementación en GPU del algoritmo K-Means para ... - UMBC

Implementación en GPU del algoritmo K-Means para procesamiento paralelo
de imágenes de satélite disponibles en la herramienta Google Maps
aplicaciones científicas es el hecho de que la GPU está especializada para cómputo
intensivo, computación paralela elevada (exactamente sobre lo que trata el
renderizado de gráficos) y por tanto se designan más transistores dedicados al
procesamiento de datos, que a la recolección de datos y control de flujo como se
muestra en la figura 3.4.
Figura 3.4. La GPU proporciona más transistores para el procesamiento de datos.
Más específicamente, la GPU está especialmente pensada para direccionar
problemas que pueden ser expresados como computaciones de datos paralelos (el
mismo programa es ejecutado en muchos elementos de datos en paralelo) con gran
intensidad aritmética (el ratio de operaciones aritméticas respecto a operaciones de
memoria). Como el mismo programa es ejecutado para cada elemento de datos, hay
menos requisitos para un flujo de control sofisticado; y como es ejecutado en muchos
elementos de datos y tiene gran intensidad aritmética, la latencia de acceso a
memoria puede ser ocultada con cálculos, en vez de datos muy grandes de caché
[23].
El procesamiento de datos paralelos asocia los datos a elementos de proceso
paralelos. Muchas aplicaciones que procesan grandes conjuntos de datos como arrays
pueden usar un modelo de programación de datos paralelos para acelerar los
cálculos. En renderizado 3D los conjuntos de píxeles y vértices se asignan a hilos
paralelos. De la misma manera, aplicaciones de procesamiento de imágenes y
multimedia como postprocesado de imágenes renderizadas, codificación y
decodificación de vídeo, escalado de imágenes, visión estéreo, y patrones de
reconocimiento pueden asociar bloques de la imagen y píxeles a hilos de
Trabajo Fin de Máster -29- Sergio Bernabé García