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

More documents

Recommendations

Info

A figura 5 mostra em detalhes a arquitetura de um multiprocessador na Fermi com seus 32 núcleos CUDA, memória compartilhada e cache (L1). Figura 5: Arquitetura do multiprocessador na Fermi [57] 25
Várias melhorias foram feitas nesta nova arquitetura e algumas das mais significativas são descritas nos tópicos seguintes. 2.5.1 Endereçamento virtual de 64-bits As GPUs tradicionalmente utilizam endereçamento virtual de 32-bits, que limita o tamanho da memória (DRAM) da placa em 4 gigabytes, sendo mais que suficiente para as aplicações gráficas. As CPUs, por outro lado, possuem endereçamento de 64-bits há anos. A arquitetura Fermi adota o mesmo estilo da CPU possibilitando que a GPU incorpore mais que 4 gigabytes de memória virtual. O principal benefício é a possibilidade de os kernels CUDA operarem grandes conjuntos de dados, além de ser possível mapear as memórias físicas da CPU e GPU em um espaço virtual compartilhado de endereços, permitindo que todas as variáveis da aplicação possuam um endereço único. 2.5.2 Caches Um dos principais argumentos para o tamanho limitado do cache (por ser um recurso caro) na GPU é utilizar a paralelização com suas milhares de threads, compensando a latência no acesso à memória (DRAM). Tal fato, porém, é verdadeiro apenas para uma parcela de programas, não sendo suficiente para outros que não possuem paralelismo de dados suficiente ou que possuem padrões imprevisíveis de reuso de dados. A Fermi possui 64KB de memória cache privativo por multiprocessador (L1) e 768KB para uso compartilhado (L2). 2.5.3 ECC - Error Correcting Codes Foi introduzida a proteção de memória ECC, melhorando a integridade dos dados em sistemas com grande número de GPUs. Ele permite integrar mi- 26
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 and 20: altamente paralelo, com um gigantes
Page 21 and 22: Por trás desta comparação existe
Page 23 and 24: meses; desde sua introdução em 20
Page 25: Figura 4: Arquitetura Fermi [57] 24
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 ...

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?