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

More documents

Recommendations

Info

Lista de Figuras 1 Pipeline Gráfico programável [42] . . . . . . . . . . . . . . . . 17 2 CPU vs. GPU - operações de ponto flutuante [3] . . . . . . . . 19 3 CPU vs. GPU - largura de banda [3] . . . . . . . . . . . . . . 19 4 Arquitetura Fermi [57] . . . . . . . . . . . . . . . . . . . . . . 24 5 Arquitetura do multiprocessador na Fermi [57] . . . . . . . . . 25 6 Alocação de transistores na CPU e GPU [3] . . . . . . . . . . 31 7 Shaders separados e o Unified Shader [33] . . . . . . . . . . . 32 8 Arquitetura da NVIDIA G80 . . . . . . . . . . . . . . . . . . . 33 9 Tipos de memória do multiprocessador [3] . . . . . . . . . . . 34 10 Panorama do CUDA [5] . . . . . . . . . . . . . . . . . . . . . 35 11 Grid e bloco de threads [3] . . . . . . . . . . . . . . . . . . . . 38 12 Código sequencial é executado no host e código paralelo no device [3] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40 13 Tipos de memória [4] . . . . . . . . . . . . . . . . . . . . . . . 41 14 Memórias e threads [3] . . . . . . . . . . . . . . . . . . . . . . 43 15 Memória global e grids [3] . . . . . . . . . . . . . . . . . . . . 43 16 CUDA Occupancy Calculator . . . . . . . . . . . . . . . . . . 56 17 Visual Profiler . . . . . . . . . . . . . . . . . . . . . . . . . . . 58 18 Visual Profiler - detalhamento de um kernel . . . . . . . . . . 59 19 Parallel Nsight . . . . . . . . . . . . . . . . . . . . . . . . . . 60 20 Eclipse SDK [53] . . . . . . . . . . . . . . . . . . . . . . . . . 66 21 Plug-in - visão geral . . . . . . . . . . . . . . . . . . . . . . . 68 22 Entrada de dados . . . . . . . . . . . . . . . . . . . . . . . . . 69 23 Capability characteristics . . . . . . . . . . . . . . . . . . . . . 70 24 Allocation per thread block . . . . . . . . . . . . . . . . . . . . 70 25 Maximum thread blocks per multiprocessor . . . . . . . . . . . 71 26 GPU occupancy . . . . . . . . . . . . . . . . . . . . . . . . . . 72 27 Informações adicionais da GPU . . . . . . . . . . . . . . . . . 73 28 Plug-in - warnings . . . . . . . . . . . . . . . . . . . . . . . . 74 7
1 Introdução O crescimento de poder computacional deixou de se basear no aumento da velocidade dos processadores para dar lugar ao acréscimo de núcleos. O desenvolvimento de CPUs (Central Processing Unit), tendo atingido limites físicos e de consumo energético, passou a tirar proveito da computação paralela ao deixar de ter apenas um núcleo. A GPU (Graphic Processing Unit), por outro lado, desde o princípio possui suporte ao processamento paralelo, em virtude de originalmente ser concebida para aplicações gráficas. Tal tipo de aplicação exige que milhões de cálculos sejam realizados, sobre milhares de dados independentes, ao mesmo tempo, formando uma classe particular de aplicações notoriamente diferente em comparação com a CPU, tanto em arquitetura quanto em modelo de pro- gramação. O aumento da demanda por GPUs cada vez mais eficientes e flexíveis deu início à uma nova abordagem, a GPU Computing (também chamada GPGPU - General-Purpose computation on GPU ), conceito que visa explo- rar as vantagens das placas gráficas modernas com aplicações de propósito geral altamente paralelizáveis que exigem intenso fluxo de cálculos. Com seu crescente potencial no futuro dos sistemas computacionais, várias aplicações com particularidades semelhantes tem sido identificadas e mapeadas com su- cesso na execução em GPUs [1] Embora disponível desde 2002, foi somente em 2007, com o lançamento oficial da arquitetura CUDA, que a GPU Computing ganhou notoriedade e passou a ser largamente utilizada na computação de alto desempenho. Acrônimo para Compute Unified Device Architecture, o CUDA é um modelo de programação paralela para uso geral de GPUs criado pela NVIDIA e inicialmente disponível nas suas placas da série GeForce 8. Estas modernas 8
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: 6.3.2 Capability characteristics .
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 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 ...

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

Delete template?

Save as template?