Current Location:home > Detailed Browse
Article Detail
CPU/ATI GPU 混合体系结构上DGEMM 的性能研究
Abstracts
| 本文报道了我们在CPU/ATI GPU 混合体系结构上优化双精度矩阵乘法（DGEMM）的工作。在真实应用中， CPU 与图形处理器（GPU）之间的数据传输是影响性能的关键因素。由于软件流水可以降低数据传输开销，我们提出了三种软件流水算法，分别是双缓存（Double Buffering）、数据重用（Data Reuse）和数据存储优化（Data Placement）。在AMD 公司的图形处理器（GPU）ATI HD5970 上，优化后DGEMM性能达到758 GFLOP/s，对应效率为82%，是ACML-GPU v1.1 性能的两倍。在Intel Westmere EP 和ATIHD5970 组成的异构系统上，性能达到844 GFLOP/s，效率为80%。我们进一步考察了多个CPU 和多个GPU上DGEMM 的扩展性，详细分析了体系结构方面的影响因素。分析表明，PCIe 总线和内存总线的竞争是异构系统上程序性能降低的重要影响因素。 |
Download
Comment
Subject:
Computer Science
>>
Computer Software
Journal:信息技术快报
Cite as:
chinaXiv:201606.00051
(or this versionchinaXiv:201606.00051V1)
Recommended references：
李佳佳,李兴建,谭光明.(2016).CPU/ATI GPU 混合体系结构上DGEMM 的性能研究.信息技术快报.[ChinaXiv:201606.00051] (Click&Copy)
| Version History | ||||
|---|---|---|---|---|
| [V1] | 2016-06-08 16:48:35 | chinaXiv:201606.00051V1 | Download | |
| Related Paper |
|---|
1. 一种基于BERT和文本相似度的先进的ICD9术语标准化方法 2020-10-27
2. 基于span分类模型的医学概念抽取方法 2020-10-27
3. 融合基于注意力机制的span特定和上下文语义表示的基于span的实体和关系联合抽取 2020-10-26
4. 基于难样本挖掘的孪生网络目标跟踪 2020-09-28
5. 基于非对称双分支交互神经网络的水下生物识别 2020-09-28
6. 基于生成式对抗网络的画作的图像合成方法 2020-09-28
7. 基于深度残差反投影注意力网络的图像超分辨率 2020-09-28
8. 鲁棒可预测判别字典学习人脸识别方法 2020-09-28
9. 基于改进注意力迁移的实时目标检测方法 2020-09-28
10. 基于增强特征融合网络的行人再识别 2020-09-28
Copyright@2016 National Science Library，Chinese Academy of Sciences Address:33 Beisihuan Xilu,Zhongguancun,Beijing P.R.China,100190
京ICP备05002861号-25