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
coprocesador de la CPU principal, o host. En otras palabras, los datos paralelos,
cálculo intensivo de porciones de aplicaciones ejecutándose en el host son cargados
en el device. De forma más precisa, una parte de una aplicación que se ejecuta
muchas veces, pero con datos diferentes e independientes, puede ser aislada en una
función que es ejecutada en el device como muchos hilos independientes. Como
dicha función es compilada, la instrucción obtenida a partir del device (en nuestro
caso, la GPU) y el programa resultante, llamado kernel, se descargan en el device.
Tanto el host como el device mantienen su propia DRAM, referidas como memoria
del host y memoria del device respectivamente. Una puede copiar datos de una
memoria a la otra a través de llamadas a una API optimizada, que usa el Acceso
Directo a Memoria (DMA) del device [23].
Hilos, Bloques y Grids
El tratamiento por lotes de los hilos que ejecuta el kernel está organizado como
un grid de bloques de hilos, ilustrado en la figura 3.9. Un bloque de hilos es un lote
de hilos que pueden cooperar juntos compartiendo datos eficientemente a través de la
memoria compartida y sincronizar sus ejecuciones para coordinar los accesos a
memoria. De forma precisa, uno puede especificar puntos de sincronización en el
kernel, donde los hilos en un bloque están suspendidos hasta que todos ellos alcancen
el punto de sincronización. Cada hilo es identificado por su identificador de hilo
(thread ID), que es el número de hilo dentro de un bloque [23].
Hay un número máximo de hilos que un bloque puede contener (512 hilos
concretamente). Sin embargo, los bloques de misma dimensión y tamaño que
ejecutan el mismo kernel pueden ser tratados por lotes de forma conjunta, en un grid
de bloques, así que el número total de hilos puede ser lanzado en una única
invocación del kernel es mucho más grande. Esto se debe al gasto de reducir la
cooperación entre hilos, porque los hilos en diferentes bloques del mismo grid no
pueden comunicarse ni sincronizarse con los de los demás. Este modelo permite a los
kernels ejecutarse eficientemente sin recompilación en varios devices con diferentes
capacidades paralelas: un device puede ejecutar todos los bloques de un grid
secuencialmente si tiene poca capacidad, o en paralelo si tiene mucha, o
Trabajo Fin de Máster -35- Sergio Bernabé García