موضوع فارسی :تمایز الگوریتم الحاقی GPU شتاب
موضوع انگلیسی :<!--StartFragment -->
GPU-accelerated adjoint algorithmic differentiation✩
تعداد صفحه :12
فرمت فایل :PDF
سال انتشار :2015
زبان مقاله : انگلیسی
بسیاری از مسائل علمی مانند آموزش طبقه بندی و یا بازسازی تصاویر پزشکی می تواند به عنوان حداقل رساندن مشتقپذیر توابع هزینه واقعی ارزش بیان و حل با روش های مبتنی بر گرادیان تکرار شونده. تمایز الگوریتم الحاقی (AAD) را قادر می سازد محاسبه شیب از جمله توابع هزینه اجرا به عنوان برنامه های کامپیوتری خودکار می باشد. به backpropagate الحاقی مشتقات، حافظه بیش از حد است به طور بالقوه مورد نیاز برای ذخیره مشتقات جزئی میانی در یک ساختار داده اختصاص داده شده، به عنوان '' نوار '' با اشاره به. موازی مشکل است زیرا موضوعات نیاز به همگام سازی دسترسی خود را در طول مداخله و پس انتشار خطا. این وضعیت برای معماری های چند هسته ای، مانند گرافیک واحد پردازش (GPU ها) تشدید، به دلیل تعداد زیادی از موضوعات سبک وزن و اندازه حافظه محدود به طور کلی و همچنین هر موضوع. ما نشان دهد که چگونه این محدودیت ها می توان به واسطه اگر تابع هزینه با استفاده از عملیات بردار و ماتریس GPU شتاب که به عنوان توابع ذاتی توسط نرم افزار AAD ما به رسمیت شناخته بیان شده است. ما این رویکرد با پیاده سازی ساده و بی تکلف و برداری برای پردازنده مقایسه کنید. ما با استفاده از چهار توابع هزینه به طور فزاینده پیچیده به منظور ارزیابی عملکرد با توجه به مصرف حافظه و زمان انجام محاسبات شیب. با استفاده از vectorization، CPU و مصرف حافظه GPU می تواند به طور قابل توجهی در مقایسه با مرجع پیاده سازی ساده و بی تکلف حتی منظور از پیچیدگی کاهش می یابد، در برخی موارد. vectorization استفاده از اجازه از کتابخانه های موازی، بهینه در طول جلو و عقب پاس که در مقایسه با مرجع پیاده سازی ساده و بی تکلف در تند بالا برای نسخه CPU برداری. نسخه GPU به دست آورد تسریع اضافی از
7.5 ± 4.4، نشان دادن که قدرت پردازش GPU های را می توان برای AAD استفاده از این مفهوم استفاده شده است.
علاوه بر این، ما نشان می دهد که چگونه این نرم افزار می توان به طور سیستماتیک برای مشکلات پیچیده تر مانند بازسازی جذب غیرخطی توموگرافی-فلورسانس واسطه افزایش یافته است.
دانلود مقاله ISI تمایز الگوریتم الحاقی GPU شتاب