模板操作在GPU上的实现与优化

doi:10.3969/j.issn.1007130X.2011.

J4 ›› 2011, Vol. 33 ›› Issue (3): 41-45.doi: 10.3969/j.issn.1007130X.2011.

模板操作在GPU上的实现与优化

方旭东,唐玉华,王桂彬,唐滔

（国防科学技术大学计算机学院，湖南长沙 410073）

收稿日期:2009-07-26 修回日期:2009-10-21 出版日期:2011-03-25 发布日期:2011-03-25
作者简介:方旭东(1985)，男,浙江诸暨人，硕士生，研究方向为计算机系统软件。方旭东(1985)，男,浙江诸暨人，硕士生，研究方向为计算机系统软件。王桂彬(1981),男，博士生，研究方向为计算机系统结构。唐滔(1984),男，博士生，研究方向为计算机系统结构。
基金资助:
国家自然科学基金资助项目（60621003）

Implementation and Optimization of Stencil Applications on GPUs

FANG Xudong,TANG Yuhua,WANG Guibin,TANG Tao

（School of Computer Science,National University of Defense Technology,Changsha 410073,China）

Received:2009-07-26 Revised:2009-10-21 Online:2011-03-25 Published:2011-03-25

摘要/Abstract

摘要：

随着GPU的快速发展，使用GPU来加速科学计算应用已成为必然趋势。本文抽取了SPEC2000中富含模板操作的Mgrid的两个典型子程序Rprj3和Interp，使用Brook+语言把它们移植到AMD GPU上运行。采用Brook+语言提供的线程调节机制，我们实现了不同线程粒度下的程序版本，并分析了加速比不同的原因，总结了线程粒度调节对模板程序移植的指导意义。我们使用AMD Radeon HD4870 GPU作为实验平台，对比Intel Xeon E5405 CPU上的运行结果发现，在最大规模下，Rprj3获得的相对于CPU版本的加速比为5.37×, Interp获得的相对于CPU版本的加速比为12.8×。

关键词: GPU, 优化, 模板

Abstract:

With the fast development of GPUs, using them to accelerate scientific computing applications is becoming an inevitable trend. In this paper, we port two typical subroutines Rprj3 and Interp from Mgrid which contains rich stencil operations in SPEC2000 to run on an AMD GPU using Brook+. Using a thread granularity tuning mechanism provided by Brook+, we implement different ported program versions and analyze their performances. We also conclude how to utilize thread granularity tuning to optimize stencil program transplantation. Our experimental results show that under the largest problem size, Rprj3 obtains a speedup of 5.37 over its CPU version while Interp gains a speedup of 12.8 over its CPU version.

Key words: GPU;optimization;stencil

方旭东,唐玉华,王桂彬,唐滔. 模板操作在GPU上的实现与优化[J]. J4, 2011, 33(3): 41-45.

FANG Xudong,TANG Yuhua,WANG Guibin,TANG Tao. Implementation and Optimization of Stencil Applications on GPUs[J]. J4, 2011, 33(3): 41-45.

[1]	陈侨安1，李峰1，曹越1，龙明盛1,2. 基于运行数据分析的Spark任务参数优化[J]. J4, 20160101, 38(01): 11-19.
[2]	周兰凤1，赵鹏飞1，彭俊杰2. 基于云环境下一种小文件传输策略研究[J]. J4, 20160101, 38(01): 20-27.
[3]	施禹, 董攀, 张利军. 一种不规则稀疏矩阵的SpMV方法[J]. 计算机工程与科学, 2024, 46(07): 1175-1184.
[4]	王堃, 李少波, 何玲, 周鹏. 基于改进北方苍鹰优化随机配置网络的网络流量预测模型[J]. 计算机工程与科学, 2024, 46(07): 1245-1255.
[5]	张永智, 何可人, 戈珏. 改进YOLOv7网络在低空遥感图像目标检测中的应用[J]. 计算机工程与科学, 2024, 46(07): 1269-1277.
[6]	徐慧玲, 刘升, 李安东. 基于双向局部开发和黄金正弦的异构导向的鲸鱼优化算法[J]. 计算机工程与科学, 2024, 46(06): 1128-1140.
[7]	王颍超. 鲸鱼优化算法研究与应用进展[J]. 计算机工程与科学, 2024, 46(05): 881-896.
[8]	卢明妤, 李陶深, 吕品. 无线携能通信下mmWave协作通信小单元的能效最优策略[J]. 计算机工程与科学, 2024, 46(04): 626-634.
[9]	梁昔明, 史兰艳, 龙文. 基于混合策略改进的蛇优化算法及其应用[J]. 计算机工程与科学, 2024, 46(04): 693-706.
[10]	王宇华, 何俊飞, 张宇琪, 徐悦竹, 崔环宇. DRM:基于迭代归并策略的GPU并行SpMV存储格式[J]. 计算机工程与科学, 2024, 46(03): 381-394.
[11]	刘向举, 李金贺, 方贤进, 王宇. 移动边缘计算中计算卸载与资源分配联合优化策略[J]. 计算机工程与科学, 2024, 46(03): 416-426.
[12]	刘振超, 苑迎春, 王克俭, 何晨. 融合特征权重与改进粒子群优化的特征选择算法[J]. 计算机工程与科学, 2024, 46(02): 282-291.
[13]	李雨恒, 高尚, 孟祥宇. 基于精英引导的改进哈里斯鹰优化算法[J]. 计算机工程与科学, 2024, 46(02): 363-373.
[14]	季俊豪, 张玉书, 赵若宇, 温文媖, 董理. 基于智能进化算法的可见水印对抗攻击[J]. 计算机工程与科学, 2024, 46(01): 63-71.
[15]	李中华, 袁杰, 郭振宇. 基于信息启发的目标导向Bi-RRT机器人路径规划[J]. 计算机工程与科学, 2023, 45(12): 2237-2245.

模板操作在GPU上的实现与优化

Implementation and Optimization of Stencil Applications on GPUs

PDF

可视化

摘要/Abstract

引用本文

使用本文

相关文章 15

编辑推荐

Metrics

本文评价