|
|
|
|
بررسی تاثیر تنظیمات پارامترهای سخت افزاری بر انرژی مصرفی در الگوریتم ضرب برداری ماتریس های تنک بر روی پردازنده های گرافیکی
|
|
|
|
|
|
|
|
نویسنده
|
عاشوری مینا ,خون جوش فرشاد
|
|
منبع
|
فناوري اطلاعات و ارتباطات ايران - 1396 - دوره : 9 - شماره : 31-32 - صفحه:77 -88
|
|
چکیده
|
ضرب برداری ماتریس های تنک الگوریتمی ساده اما بخش بسیار مهمی از برنامه های جبر خطی و علمی در حوزه ی ریاضی و فیزیک است و به دلیل طبیعت قابل موازی سازی آن، پردازنده های گرافیکی یکی از گزینه های بسیار مناسب و مهم برای انتخاب بستر اجرایی آن است. در طی سال های اخیر با توجه به تاکید محققان برای در نظر گرفتن انرژی مصرفی به عنوان یکی از اهداف اصلی طراحی در کنار کارآیی، تلاش های بسیار کمی جهت بهبود انرژی مصرفی این الگوریتم بر روی پردازنده ی گرافیکی انجام شده است. در این مقاله از منظر بهینگی مصرف انرژی در کارآیی به دست آمده، به این مسئله پرداخته شده است.با بهره وری از قابلیت تنظیم پیکربندی که در پردازنده های گرافیکی مدرن معرفی شده است، با بررسی آماری رفتار این الگوریتم هنگام استفاده از قالب های مختلف ذخیره سازی ماتریس تنک و تنظیمات مختلف سخت افزاری برای بیش از 200 ماتریس نمونه ی تنک، بهترین تنظیمات پیکربندی برای الگوریتم ضرب برداری ماتریس تنک با قالب های مختلف ذخیره سازی بر روی پردازنده ی گرافیکی به دست آمده است. این پیکربندی برای هر قالب ذخیره سازی، به گونه ای انتخاب شده است که در تمام نمونه های بررسی شده به عنوان بهترین پیکربندی نتیجه داده باشد.
|
|
کلیدواژه
|
ضرب برداری ماتریس های تنک، انرژی مصرفی، کارآیی، قالب های ذخیره سازی تنک، پردازنده ی گرافیکی
|
|
آدرس
|
دانشگاه شیراز, ایران, دانشگاه شیراز, دانشکده مهندسی برق و کامپیوتر, ایران
|
|
پست الکترونیکی
|
khunjush@shirazu.ac.ir
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Investigating the Effect of Hardware Parameters Adjustments on Energy Consumption in Thin Matrix Multiplication Algorithm on GPUs
|
|
|
|
|
Authors
|
ashouri mina ,Khunjush Farshad
|
|
Abstract
|
Multiplication of thin algorithmic matrices is a simple but very important part of linear and scientific algebra programs in mathematics and physics, and due to its parallel nature, GPUs are one of the most suitable and important options. To select its executive platform. In recent years, due to the emphasis of researchers to consider energy consumption as one of the main design goals along with efficiency, very little effort has been made to improve the energy consumption of this algorithm on the GPU. In this article, this issue is addressed from the perspective of energy efficiency in efficiency obtained.Utilizing the configuration capability introduced in modern GPUs, by statistically examining the behavior of this algorithm when using different thin matrix storage formats and different hardware settings for more than 200 matricesSlim example, the best configuration settings for the thin matrix multiplication algorithm with different storage formats on the GPU are obtained. This configuration for each storage format is selected to give the best configuration in all samples tested.
|
|
Keywords
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|