GPU Computation
CUDA SDK permite programatorilor să pună în aplicare un dialect simplificat special al algoritmilor de limbaj de programare C, executabil pe NVIDIA GPU și includ caracteristici speciale în textul programului în C. CUDA oferă dezvoltatorilor libertatea de a organiza accesul la un set de instrucțiuni și grafice de control accelerator de memorie lui, să-l organizeze în complexul de calcul paralel.
Motivul pentru care producătorii GPU nu se confruntă cu această problemă este foarte simplu: procesoarele centrale sunt proiectate pentru performanță maximă în fluxul de instrucțiuni, care este tratat cu diferite date (ca numere întregi și numere în virgulă mobilă), produc o memorie cu acces aleator, și așa mai departe. d. Până în prezent, dezvoltatorii încearcă să ofere o mai mare paralelismul instrucțiunilor - adică, pentru a efectua cel mai mare număr posibil de instrucțiuni în paralel. De exemplu, Pentium a venit de execuție superscalara că, în anumite condiții, a fost posibil să se execute două instrucțiuni pe ciclu de ceas. Pro Pentium a fost performanța extraordinară a instrucțiunilor va optimiza activitatea unităților de calcul. Problema este că execuția în paralel a fluxului de instrucțiuni secvențiale are limite evidente, astfel încât creșterea numărului de unități de calcul oarbe nu oferă câștiguri, deoarece cele mai multe ori ele sunt încă în așteptare.
GPU lucru este relativ simplu. Acesta constă în a lua un grup de poligoane pe de o parte și de generare a unui grup de pixeli pe de altă parte. Poligoane și pixeli independenți unul de altul, astfel încât acestea să poată fi prelucrate în paralel. Astfel, un GPU poate aloca o mare parte din cristal pe unitățile de calcul, care, spre deosebire de CPU, vor fi utilizate efectiv.
GPU este diferit de CPU-ul nu este numai acest lucru. Memorie cu acces la unitatea de procesare vizuală este foarte relevant - în cazul în care este citit Texel, apoi, după câteva cicluri vor fi citite texel învecinate; când se înregistrează pixelul, în câteva cicluri de ceas este înregistrată adiacent. organizarea de memorie inteligent, puteți obține aproape de performanță la capacitatea teoretică. Acest lucru înseamnă că unitatea de procesare vizuală, în contrast cu CPU, nu au nevoie de o memorie cache foarte mare, deoarece rolul său este de a accelera operațiunile de texturare. Tot ce trebuie este de câteva kilobytes, care conține mai multe texeli utilizate în filtre biliniare și Trilinear.
Primele calcule pe GPU
Aplicații calcule paralele pe GPU
Când transferați de calcul pe GPU, în multe probleme se realizează în 5-30 timp de accelerare, în comparație cu procesoare rapide universal. Cel mai mare număr (de ordinul a 100 de ori mai repede sau chiar mai mult!) Sunt realizate în cod, care nu este foarte potrivit pentru calculul folosind unități SSE, dar este potrivit pentru GPU.
Acestea sunt doar cateva exemple ale accelerației sintetice pe codul GPU împotriva codului SSE-vectorizat pe CPU (în conformitate cu NVIDIA):
• Microscopie fluorescenta: 12x.
• dinamică moleculară (non-lipit calc forță): 8-16x;
• Electrostatica (multi-nivel direct și însumării Coulomb): 40-120x și 7x.
Tabelul care NVIDIA, prezintă toate prezentările, care arată rata relativă GPU centrală.
Avantaje și limitări CUDA
Din punctul de vedere al programatorului, conducta grafica este un set de etape de prelucrare. Unitate de geometrie generează triunghiuri, și unitatea de rasterizare - pixelii afișate pe monitor. Modelul tradițional de programare GPGPU este după cum urmează:
avantaje CUDA peste abordarea tradițională a GPGPU de calcul
NVDIA CUDA în comunitatea științifică românească.