Algorithmes de la morphologie mathématique pour - Pastel - HAL

Jaromír BRAMBOR9.6. ESTIMATION DE LA COMPLEXITÉ ET DES PERFORMANCES POUR LES GPUparallèle pourra être exprimée comme :C N ′ (τ + µ)KMN + (π − µ)L= Θ(E+ α(K)MN ) (9.7)PIl est évident que nous obtenons les meilleures performances vis-à-vis du temps de calcul dans le cas oùle traitement sur toutes les unités parallélisées de notre chaîne est équilibré.9.6 Estimation de la complexité et des performances pour les GPUMême s’il n’est pas très difficile de décrire la complexité des algorithmes pour les GPU à l’aide deO() en se basant sur les éléments traités, la prévision des performances, comme nous le faisons pour lesGPP à l’aide de Θ() n’est pas simple à effectuer.C’est la combinaison des processeurs GPP - GPU qui rend cette estimation difficile. Dans cettecombinaison, il s’agit d’une machine distribuée, avec tous les phénomènes qui sont propres au calculdistribué, dont les plus importants sont les délais dûs au transfert de données d’entrée et de sortie et lesdélais dûs au temps de synchronisation et au passage des commandes graphiques qui peuvent avoir unestructure complexe et représenter un volume de données important.Il faut également percevoir le GPU lui-même comme une structure de multiples processeurs, cf.fig. 3.18, page 52. Puisqu’il s’agit d’une structure architecturale qui est chaînée, la performance finale estfortement dépendante du type des algorithmes que nous effectuons et de la manière dont nous utilisonsles unités exécutives de cette chaîne. Chacune de ces unités est constituée d’un matériel informatiquespécialisé et est caractérisée par un niveau de parallélisation différent. Ce qui se traduit par des capacitésde calcul différentes d’une unité à l’autre. Si une des unités est saturée par le traitement, tout le pipelineest saturé et on parle, dans le domaine de la programmation des GPU, du traitement limité par cetteunité. Les capacités des ces unités sont optimisées par le fabricant pour les applications de la synthèsegraphique, elles peuvent s’avérer non-optimales ou complètement inadaptées au traitement d’analysed’images que nous visons dans cette thèse. L’optimisation des programmes pour obtenir un bon équilibredu calcul entre ces unités et pour augmenter ainsi la performance est même le sujet de nombreux articlesque l’on peut trouver dans la littérature CW02, Spi03 .9.6.1 Transfert de donnéesLe premier facteur très limitant pour notre traitement est représenté par les temps que nous perdonslors du transfert de données et cela dans les deux sens (GPP↔GPU). Notons que les articles traitant dutransfert de données du point de vue de la programmation, un sujet particulier mais important, ont étédéjà présentés et nous les recommandons au lecteur Ake03 .Le bus AGP que nous avions à disposition est asymétrique. Le débit dans le sens GPP→GPU estsupérieur (théoriquement jusqu’à 2.1 Go/s pour AGP 8x) à celui dans le sens opposé (théoriquement 266Mo/s, ce qui est équivalent à "1x").Nous présentons les temps obtenus expérimentalement pour le transfert de données GPU→GPP surla fig. 9.1. Ces temps correspondent à AGP 1x et nous montrent les temps excessivement longs pourun travail en temps réel : par exemple, le transfert d’une image 256 2 × 4 bits prend 1.5 ms, ce qui estsupérieur dans certains cas à la durée du traitement de ces données par le processeur graphique, commenous l’avons pu voir dans les résultats expérimentaux du chapitre 5, page 123, notamment sur le tempsd’exécution de 0.65 ms de la dilatation par un disque en 4-voisinage de taille 1 pour une image de 1 Mo.Ces données représentent un aspect linéaire de croissance pour un volume de données transféréesgrandissant, cf. fig. 9.1(a), avec une déviation pour les images relativement petites (128 2 × 4) qui estperceptible à échelle logarithmique, cf. fig. 9.1(a).L’utilité du bus AGP pour le calcul GPGPU est discutable. Ce bus devint obsolète avec l’arrivée dunouveau bus PCI Express. Il s’agit d’un bus sériel (AGP était un bus parallèle), il est symétrique et plus183