PDF(1,9MB) - Está é a máquina do Professor Alfredo Goldman (this ...

More documents

Recommendations

Info

Figura 2: CPU vs. GPU - operações de ponto flutuante [3] Figura 3: CPU vs. GPU - largura de banda [3] 19
Por trás desta comparação existem diferentes abordagens e desafios: • Objetivo: o núcleo da CPU foi desenvolvido para executar, à veloci- dade máxima, uma única thread composta de instruções sequenciais. Já a GPU executa, paralelamente, milhares de threads o mais rápido possível. • Transistores: a CPU utiliza seus transistores com o intuito de melhorar o desempenho de execução em uma sequência de tarefas. A GPU é especializada em executar milhares de instruções paralelas. A maior parte de seus transistores trabalha no processamento do dado em si ao invés de ocupar-se no controle de fluxo. • Cache: a CPU possui grandes caches, cujo acesso é feito de forma aleatória. Tais estruturas são responsáveis por acelerar a execução e alguns poucos comandos e reduzir a latência de memória, embora consumam muita energia. Na GPU encontramos controladores de memória para vários canais e um cache pequeno e mais rápido, possibilitando maior largura de banda e o processamento de milhares de threads simultaneamente. O acesso a essas unidades é previsível: tanto a leitura quanto a escrita é feita sequencialmente, ou seja, o vizinho do dado lido/escrito, será o próximo na fila de processamento. • Multithreading: a CPU é capaz de executar 1 ou 2 threads por núcleo, e a mudança de uma thread para outra custa centenas de ciclos, enquanto que a GPU pode manter até 1024 por multiprocessador (há vários em uma GPU) além de tipicamente fazer trocas de thread a cada ciclo. Abaixo apresenta-se uma tabela comparativa entre um modelo de CPU e outro de GPU (dados de 2008): 20
Page 1 and 2: Um estudo do uso eficiente de progr
Page 3 and 4: Resumo Um estudo do uso eficiente d
Page 5 and 6: Sumário 1 Introdução 8 2 GPU Com
Page 7 and 8: 6.3.2 Capability characteristics .
Page 9 and 10: 1 Introdução O crescimento de pod
Page 11 and 12: 2 GPU Computing 2.1 Breve Históric
Page 13 and 14: esolveu entrar em vários segmentos
Page 15 and 16: Em resposta, a NVIDIA lançaria a G
Page 17 and 18: • Rasterização: determinação
Page 19: altamente paralelo, com um gigantes
Page 23 and 24: meses; desde sua introdução em 20
Page 25 and 26: Figura 4: Arquitetura Fermi [57] 24
Page 27 and 28: Várias melhorias foram feitas nest
Page 29 and 30: 2.5.7 Aritmetica de ponto flutuante
Page 31 and 32: 3 CUDA A NVIDIA, enxergando a oport
Page 33 and 34: 3.2.1 NVIDIA GeForce 8 Figura 7: Sh
Page 35 and 36: Figura 9: Tipos de memória do mult
Page 37 and 38: 3. CUDA driver que fornece a API pa
Page 39 and 40: Figura 11: Grid e bloco de threads
Page 41 and 42: Figura 12: Código sequencial é ex
Page 43 and 44: de memória (figuras 13, 14 e 15):
Page 45 and 46: A tabela abaixo compara as principa
Page 47 and 48: • gridDim - variável do tipo dim
Page 49 and 50: } C[ i ] = A[ i ] + B[ i ] ; // cod
Page 51 and 52: 4 Desempenho e otimização A chave
Page 53 and 54: multiprocessador terá pelo menos u
Page 55 and 56: 5 Trabalhos relacionados Com o obje
Page 57 and 58: 56 Figura 16: CUDA Occupancy Calcul
Page 59 and 60: compartilhada etc), dentre outras.
Page 61 and 62: 5.3 NVIDIA Parallel Nsight TM O NVI
Page 63 and 64: • SM - indica que o evento é col
Page 65 and 66: 5.7 TAU Performance System TAU Perf
Page 67 and 68: de extensão ao qual se conectar pa
Page 69 and 70: 6.2 JNI JNI (Java Native Interface)
Page 71 and 72:
• My shared memory count - quanti
Page 73 and 74:
6.3.5 GPU occupancy Figura 26: GPU
Page 75 and 76:
A figura 28 mostra um warning sendo
Page 77 and 78:
Referências Bibliográficas [1] Ow
Page 79 and 80:
[25] Reis, David; Conti, Ivan; Vene
Page 81 and 82:
[47] PAPI - Performance Application
show all

PDF(1,9MB) - Está é a máquina do Professor Alfredo Goldman (this ...

Create successful ePaper yourself

Delete template?

Save as template?