CUDA在教学软件开发中的应用

可编程图形处理器GPU已经演化成高并行度、多线程、拥有强大计算能力和极高存储器带宽的多核处理器,图形处理器通用计算技术GPGPU把个人计算机上的显卡用于通用计算,代替CPU完成计算工作,可以大大提升计算效率。采用CUDA技术编程,利用GPU运行教学软件,效果良好,较大地提高了软件的计算能力和运行效率,在CPU价格昂贵,大规模并行计算需求旺盛的今天,CUDA技术可以提高软件运行效率,提高计算能力,同时可减少硬件购置成本,为学校或科研单位节约预算。     

基于GPU的Spark大数据技术在实验室的开发应用

在大数据时代,兼顾大数据处理与高性能计算是目前对计算机系统的迫切需求。针对Spark大数据处理与基于GPU的高性能计算,分析了基于GPU的Spark技术。它主要通过构建CPU和GPU的异构并行,使计算机获得强大的计算能力,并在实验室环境下探讨了Spark-GPU技术的实现,阐述了算法实现的技术流程。在此基础上,通过仿真实验评估了Spark和Spark-GPU技术的性能。实验表明,Spark-GPU技术可以达到上百倍的加速比,这对图像处理以及信息检索等领域的发展都具有重要推动作用。     

CPU/GPU协同运算技术在舰载警戒雷达实验室模拟仿真中的应用

针对舰载警戒雷达实验室建设雷达模拟仿真过程中模拟数据计算量大、模拟数据类型多、更新速度快及雷达回波显示难的问题,在分析雷达模拟数据处理特点的基础上,介绍了CPU/GPU协同运算技术的基本情况,提出了CPU/GPU协同运算技术在雷达模拟数据生成与回波显示方面的具体应用方法,明确了CPU/GPU协同运算基本流程与各自任务分工,建立了CPU雷达模拟仿真数据组织与生成模型,给出了GPU雷达回波渲染与显示方法,并采用向量元素的遍历查找算法完成雷达回波数据获取和雷达回波纹理数据更新。通过在通用计算机对传统CPU运算和CPU/GPU协同运算两种方法进行仿真,仿真结果证明了这一技术应用的可行性与先进性,这种技术的应用对于提高舰载警戒雷达模拟仿真效率与逼真度有着重要意义。     

在GPU加速的集群上应用一个消息驱动的并行程序

GPU因其高性能和硬件灵活性,以及各种通用上的用于科学计算的GPU软件开发工具的产生,已经被成为加速科学运算速度的有效手段。然而在集群中高效地使用GPU却带来很多软件开发和系统集成方面的拐点。我们给出了一种分解和调度CPU计算和GPU内核执行的策略。我们的报告指出这种技术应用在NAMD（一种广泛使用的并行分子动态模拟程序包）,在一个由64个64核GPU组成的集群上所体现出来的优势。     

基于VS2012的并行计算实验平台搭建与实现

结合最新的并行计算技术,基于VS2012搭建了Open MP、MPI、C++AMP、CUDA 6.0等四个并行实验平台,并对不同实验平台实现PI值计算。实验结果说明这种并行计算环境具有良好的性能与可扩展性;Open MP与MPI等CPU计算加速效果与CPU内核数目成比例,C++AMP与CUDA 6.0等GPU计算加速效果与GPU物理计算核心数目成正比;同等条件下GPU物理计算核心数目远多于CPU核心数目,用GPU进行计算往往可获得更高的性价比。     

基于HLSL的Shadow Map实时阴影实现

为提高三维场景实时阴影渲染性能,通过图形硬件编程方法,采用HLSL实现Shadow Map。实验表明,GPU的渲染速度远远大于CPU,在计算负载由传统的CPU转移到GPU处理之后,算法的运行效率得到明显提升。     

HPC集群编程模型研究

高性能计算是计算科学的一个分支,研究并行算法和开发相关软件,并致力于开发高性能计算机。目前较为流行的并行程序设计模型为基于消息传递M P I（Message Passing interface）的编程模式,基于共享内存的O p e n M P模式和结合MPI＋OpenMP的混合编程模型,以及利用GPU作为并行数据计算设备（GPU计算的模式就是在异构协同处理计算模型中,将CPU与GPU结合起来加以利用,应用程序的串行部分在CPU上运行,而计算任务繁重的部分则由GPU来加速）的MPI＋OpenMP＋CUDA的三级混合编程模型。本文基于中国科学院近代物理研究所超算中心的深腾7000G集群,进行GPU通用计算能力和并行编程模型的研究,采用MPI＋CUDA多粒度混合编程模型,节点间使用MPI进行通信,     

基于GPU加速的光线跟踪渲染算法研究

分析了光线跟踪渲染算法在GPU上实现的流程;设计了CUDA平台上基于BVH加速结构的光线跟踪渲染引擎,针对CUDA架构的特点重新设计了BVH遍历算法和间接反射计算算法;并在四个场景和两种分辨率下针对GPU和CPU实现进行了详细对比测试。通过分析实验结果,基于GPU加速的光线跟踪算法在不同复杂度的场景下相比其CPU实现都有较高的性能提升。     

运用OpenMP和CUDA优化蒙特卡洛算法

本文采用OpenMP和CUDA技术,对蒙特卡洛算法进行并行化改进,以充分利用多核处理器和GPU的计算能力,通过对比算法改进前后的性能表现,可以看到采用OpenMP和CUDA技术,能够极大提高计算性能。借鉴该方法,我们可以在个人计算机上改进相关软件计算性能。     

基于GPU的异构并行环境下程序优化策略研究

由CPU＋GPU组成的异构并行环境可以有效地提高计算系统的运算速度和处理能力。本文设计了几种有效的优化策略。首先依据计算情况和数据规模对并行计算单元进行合理的资源动态分配;然后通过共享存储器优化、指令优化及内存合并技术,对算法进一步优化,将其改造成为适用于异构环境处理的并行模式,以提高算法的运行速度。论文通过基于异构分布并行环境的蛋白质折叠结构预测算法进行实验,结果证明此优化方法是可行的、有效的,算法的运行速度有很大的提高,获得了较好的加速比。     

移动平台GPU通用计算研究综述

近年来,由于ARM、高通和三星等公司的大力推动,嵌入式平台使用的图形处理器（Graphic Processing Unit,GPU）也日趋具有强大的计算能力,越来越多的研究者将其应用于图像处理和数据挖掘等通用计算领域。对国内外在嵌入式和移动平台上的GPU通用计算进行了总结和归纳,发现GPU加速能力和低功耗特性是目前研究的重点。最后以Android操作系统为例,给出了基于开放计算语言（Open Computing Language,OpenCL）的并行计算环境构建思路。     

GPU虚拟化技术及应用研究

GPU即图形处理器,在构建高性能计算系统中占有重要地位。为更好地利用GPU的计算优势,GPU虚拟化技术受到关注。系统介绍了GPU虚拟化技术,并对独占使用、设备模拟和应用层接口等3种虚拟化技术进行了研究。从虚拟化桌面应用、GPU通用计算虚拟化和GPU虚拟化的安全问题等方面探讨了GPU虚拟化研究的需求及目标,给出了GPU虚拟化市场应用的可行方案。     

桌面遥感图像处理系统并行处理架构选择与实验分析

介绍了桌面遥感影像处理系统对高性能计算的需求及其现状,针对多核CPU与GPU这两种当前单机系统中最重要计算资源的结构与功能差异,总结不同并行架构所具有的运算特点及适用范围,以遥感影像多项式几何校正为例,对比分析了同时代多核CPU与GPU在进行高计算密集度且运算逻辑较简单算法的高性能处理之间的性能差异,探讨了并行处理架构选择的实践准则。     

基于CUDA的快速检测直线和圆算法

由于GPU(Graphic Processing Unit)在图像处理方面的良好性能,国内外已经有很多专家学者在应用GPU进行图像的并行处理.基于CUDA(Compute Unified Device Architecture)这种并行计算平台,利用GPU的强大计算功能对Hough变换中最耗时的部分进行计算.实验表明,这种方法对Hough变换的并行化有很好的加速效果.     

网络化高清非编实验室的建设

以HDV作为高清视频编码格式,采用CPU+GPU+I/O的构架,以及用千兆以太网和基于iSCSI的IP SAN作为网络结构,对如何构建适合高校教学的网络化高清非编室作了设计.以HDV为核心编码的非线性编辑系统既能满足当前仍有较大需求的标清节目制作,又能为高清节目制作做好充分地准备;CPU+ GPU+ I/O的构架有效利用CPU和GPU的处理能力,简化了非线性编辑系统,进一步降低了影视制作的门槛,从而有利于在高校和其他教育机构中推动影视技术教学;基于iSCSI的IP SAN的构架无论从成本上还是实施难度上,都极具竞争力,它基于成熟的以太网技术,随着万兆以太网的出现,它的应用将更为广泛.     

基于容器云的分布式深度学习实验平台构建

该文针对神经网络模型训练过慢、集群部署缺乏弹性问题,采用CPU+GPU混合架构,利用Docker和Kubernetes系统搭建底层容器云基础,以TensorFlow作为上层机器学习框架,构建了分布式深度学习实验平台,并详述了GPU镜像制作、计算节点GPU支持、Kubernetes集群搭建、TensorFlow集群部署等...     

SRIM的GPU化工作进展

计算物理已经成为物理学的一个重要分支,经常需要对海量的数据进行复杂的计算。在普通的计算机上研究人员很难通过简单的计算公式对复杂运动进行建模,而精确地模拟却由于巨大的计算量而无法实现。计算机业界正处于并行计算的革命中,强大并且低成本的GPU集群计算能力使得研究者们能够进行快速的实验。     

基于GPU加速的快速字符串匹配算法

如何提高字符串实际匹配效率一直是信息匹配领域中非常重要的研究课题。在分析字符串匹配并行规律的基础上,结合GPU并行体系结构,对Sunday算法实现并行化。在CPU和GPU不同计算平台上分别做了对比实验,实验结果显示基于GPU并行实现的Sunday算法比传统Sunday算法具有更高的匹配速度。     

AI驱动和思政融合的“计算硬件”课程建设与实践探索

针对计算机系列硬件课程教学内容旧,与智能硬件时代的新需求不相适应等问题,提出以人工智能产业为支点,多维度重构课程体系,实现从CPU到GPU、从控制到计算的转变,最终具备智能计算软硬件教与学的能力。同时,以案例形式阐释了课程蕴涵的丰富思政内涵。实践证明,AI驱动的课程更能激发学习兴趣,有助于提高学生的工程实践能力和就业竞争力,值得进一步深入探究。     

被错认的GPU

GPU的中文全称是“图形处理器”，是一个专门针对图形的核心处理器。它能使显卡减少对CPU的依赖进行部分原本是CPu的工作，尤其是在电脑对3D，(又称二了佳业_沐图形，比女洲橄一比;l)’等)进行处理时。我们可以把GPU和类电弓画杆找的画向CPU简单地理解”为:CPU是电脑的“大脑”