未来的计算技术发展——异构化计算的API时代

让GPU进行通用计算已经显示出广泛的应用前景．NVIDIA和AMD都推出了相关的解决方案。随着OpenCL的发布。计算将迈上一个新台阶，它将掀起GPU和CPU革命的高潮。这就是异构化计算的API时代。NVIDIA、AMD．英特尔、微软……他们在这场革命中分别将扮演什么样的角色？     

流式缩减技术在GPU上的研究与应用

随着GPU通用计算技术应用的不断深入,如何把某些并行计算任务从传统的CPU平台向GPU平台转移,把串行编程模型向并行的流式编程模型转变等,已经成为了研究的热点.讨论了基于GPU的流式编程模型,探讨了基于流式编程模型的GPU与CPU编程之间的差别与联系,最后描述了一种在GPU上的流式缩减操作算法的设计与实现.为把图形处理器应用在通用计算领域提供参考和帮助.     

GPU通用计算研究

随着图形硬件的快速发展,GPU的通用计算已经成为了一个新的研究领域。本文分析GPU编程模型,介绍使用图形硬件进行通用计算的方法,并把一些常用的算法映射到了GPU上。通过这些算法与CPU上对应的算法进行比较,分析使用GPU进行通用计算的优势和劣势。     

3DMark11 DX11电脑的试金石

衡量任何事物都必然有标准，而且必须采用通用的基准才能确保其公平、公正。对于IT产品来说，这个道理自然也是成立的。DX11技术面世已近两年，在卖场中，DX11显卡和电脑早已经铺天盖地了。但时至今日，用户还是会为该如何选择DX11显卡和DX11电脑而烦恼。     

动态

索泰首发国内首款GTX480显卡 在万众期待中．NVJDIA最新款GTX480显卡终于发布。索泰作为顶级AIC厂商．第一时间发布了旗下GTX480显卡产品．引领全行业进入DX11时代。索泰GTX480显卡除了完整支持DX11图形规范外．更支持3D Vision立体幻镜显示技术．为用户带来逼真的视觉体验。     

MD模拟GPU并行计算现状研究

作为高性能科学计算的典型应用,利用GPU并行加速分子动力学模拟是2007年以来计算化学领域高性能计算的热点。本文概述了支持GPU加速的不同MD软件的特点和其研究进展,重点分析了Amber、GROMACS、ACEMD三个代表性软件的单GPU卡和多GPU卡计算性能,结果表明在配置相同数目GPU卡的情况下,单节点比多节点在计算性能上较有优势,桌面工作站配多块GPU卡是性价比相对较好的MD模拟计算模式。本文还考察了单精度和双精度GPU加速MD的模拟计算结果的准确性,与CPU的计算结果进行了比较,结果表明,GPU的计算结果总体而言是可信的。最后,本文对GPU并行加速MD模拟的研究现状进行总结并对未来发展做了展望。     

大论战：CPU、GPU谁更重要？

当PC进入视觉计算时代之后,人们开始发现Pc性能的提升对于GPU的依赖性已经超过了CPU。“CPU、GPU谁更重要”,“GPU是否会取代CPU成为PC核心”,“未来是CPU取代GPU,还是GPU取代CPU”等一系列的争论成为了最近人们讨论最多的话题。     

GPU编程原理及其在网络安全领域的应用算法分析

近年来,GPU在通用计算方面对传统的CPU应用发起了强有力的冲击,被广泛运用于各种高性能计算中,特别是网络安全领域.为了解决传统硬件加速存在的缺陷问题,首先介绍GPU的基本硬件架构及其并行计算原理,其次说明基于CUDA的GPU编程与通用CPU编程之间算法实现的性能差异,最后详细分析了几种典型的网络安全算法,并设计了相应的GPU并行加速试验进行性能测试.实验结果表明,在算法设计合理的前提下,GPU可以提升应用算法上百倍的计算性能.     

基于CUDA的BP算法并行化与实例验证

CUDA是应用较广的GPU通用计算模型,BP算法是目前应用最广泛的神经网络模型之一。提出了用CUDA模型并行化BP算法的方法。用该方法训练BP神经网络,训练开始前将数据传到GPU,训练开始后计算隐含层和输出层的输入输出和误差,更新权重和偏倚的过程都在GPU上实现。将该方法用于手写数字图片训练练实验,与在四核CPU上的训练相比,加速比为6．12～8．17。分别用在CPU和GPU上训练得到的结果识别相同的测试集图片,GPU上的训练结果对图片的识别率比CPU上的高0．05％～0．22％。     

基于图形处理器的层次聚类算法效率研究

鉴于Larsen等人利用图形处理器（GPU）的多纹理技术做矩阵运算操作,以实现GPU在矩阵相乘方面的通用计算,提出一种利用GPU和CPU的协同处理模式,应用在基于层次聚类的动态近邻选择模型的聚类算法（DNNS）中,将算法中比较耗时的邻接度矩阵计算步骤交由GPU完成,而算法其余步骤由CPU执行,从而使算法的聚类效率得到显著提高。在配有Pentium IV 3.4 G CPU和NVIDIA GeForce 7800GT显卡的硬件环境下经过实验测试,证明这种协同处理模式下的运算速度比完全采用CPU计算速度要快25%左右。这种改进的层次聚类算法适合在数据流环境下对大量数据进行实时高效聚类操作。     

基于图形处理器(GPU)的通用计算

伴随着PC级微机的崛起和普及，多年来计算机图形的大部分应用发生了从工作站向微机的大转移，这种转移甚至发生在像虚拟现实、计算机仿真这样的实时(中、小规模)应用中．这一切的发生从很大程度上源自于图形处理硬件的发展和革新．近年来，随着图形处理器(GPU)性能的大幅度提高以及可编程特性的发展，人们首先开始将图形流水线的某些处理阶段以及某些图形算法从CPU向GPU转移．除了计算机图形学本身的应用，涉及到其他领域的计算，以至于通用计算近2～3年来成为GPU的应用之一．并成为研究热点．文中从若干图形硬件发展的历史开始，介绍和分析最新GPU在通用计算方面的应用及其技术原理和发展状况，并结合作者自身的实践讨论和探索其发展前景。     

GPU通用计算在LBM方法中的应用

提出了一种结合GPU通用计算与计算流体力学中的LBM算法来模拟二维流场的方法.根据GPU通用计算和LBM方法的基本原理,利用OpenGL的离屏渲染技术FBO和Cg语言,基于LBM方法中的D2Q9模型对二维方腔流进行数值模拟,并设计出基于OpenGL的GPU通用计算的二维流场数值计算框架.实验结果表明,利用GPU模拟与CPU模拟流场的数值结果相当吻合,特别地,利用GPU进行数值模拟实验的速度是利用CPU的4倍左右.     

每月新技术之星

得益于高并行计算架构．GPU在执行流处理时效能远超CPU．其浮点计算性能往往达到同级CPU的十倍以上。这种趋势在未来将继续保持．伴随着软件环境的支持．GPU的应用范围将延伸到所有涉及高负载浮点计算的领域，通用性将不断增强．GPU在计算机中的地位也不断提升．并达到与CPU分庭抗礼的地步。     

基于虚拟化环境的多GPU并行通用计算平台研究

针对分布式多节点多GPU的系统环境,实现一种基于CUDA框架的多GPU通用计算虚拟化平台。应用程序可以如同使用本地GPU一样方便地使用多个远程GPU,原来的CUDA应用程序可以不经过修改或者只进行少量的修改就可以运行在该虚拟化GPU平台上,从而实现单机多GPU和多机多GPU在编程模式上的统一,并通过一个基于高斯混合模型的数据聚类程序来进行实验验证。实验结果表明,在不影响程序正确性的前提下,相对于原来使用CPU的程序,使用两个远程GPU可以获得十倍左右的加速比。     

CPU/GPU 异构环境下图像协同并行处理模型

随着GPU通用计算能力的不断发展,一些新的更高效的处理技术应用到图像处理领域.目前已有一些图像处理算法移植到GPU中且取得了不错的加速效果,但这些算法没有充分利用CPU/GPU组成的异构系统中各处理单元的计算能力.文章在研究GPU编程模型和并行算法设计的基础上,提出了CPU/GPU异构环境下图像协同并行处理模型.该模型充分考虑异构系统中各处理单元的计算能力,通过图像中值滤波算法,验证了CPU/GPU环境下协同并行处理模型在高分辨率灰度图像处理中的有效性.实验结果表明,该模型在CPU/GPU异构环境下通用性较好,容易扩展到其他图像处理算法.     

基于GPU的高效图像协方差矩阵算法与实现

为提高图像处理领域协方差矩阵的计算效率,满足其在实时要求下的应用,借助GPU通用计算技术,结合CUDA编程模型,对协方差矩阵的计算进行有针对性的并行化优化,设计并实现一种高效的并行图像协方差矩阵算法。为在通用PC平台上使用协方差矩阵并满足实时性需求的各种图像处理应用提供了一个可行的解决方法,对其它领域涉及到协方差矩阵的实时计算也有良好的借鉴作用。与原有的CPU实现方法相比,GPU的效率有了平均数千倍的提升。     

图形处理器CUDA编程模型的应用研究

由于图形处理器(GPU)最近几年的快速发展,基于 GPU 的通用计算已经成为一个新的研究领域.通过对nVIDIA 公司最新的通用计算 GPU 编程模型-CUDA 的研究,阐明了 CUDA 应用程序的结构和它本身特征,讨论和分析了 CUDA 编程方法与普通 CPU 编程的差别,并以 H.264 数字视频编解码中,以消除宏块边界锯齿为主要目的的去块滤波模块为实例.详细描述了 CUDA 编程的方法和特点,最后通过与 CPU 编程实现的去块滤波模块的性能比较,揭示了 CUDA 在计算能力上的优势,为进一步优化编解码器性能和 GPU 通用计算提供了新的方法和思路.     

GPU的通用计算应用研究

由于图形处理器（GPU）最近几年迅速发展,国内外学者已经将基于GPU的通用计算作为一个新的研究领域。本文在研究国外最新文献的基础上,分析了GPU本身的特性,阐明了基于GPU的应用程序的结构,研究了GPU在编程方法上与普通CPU的差别,并以高斯滤波为实例详细描述了GPU编程的方法和过程。     

LBM算法在GPU组中的应用

为提高大规模并行计算的并行效率,充分发挥CPU与GPU的功能特点,特别是体现GPU强大的运算能力,提出了用消息传递接口(MPI)将一组GPU连接起来。使GPU通用计算与计算流体力学中的LBM(latticeBoltzmannmethod)算法相结合。根据GPU通用计算与LBM算法的原理,使MPI作为计算分配的机制,CUDA(compute unified device architecture)作为主要的计算执行引擎,建立支持CUDA的GPU集群,在集群上对LBM算法中的D2Q9模型进行二维方腔流数值模拟。实验结果表明,利用GPU组模拟与CPU模拟结果一致,更充分发挥了GPU的计算能力,提高了并行效率。     

GPU乎？CPU乎？协处理器乎？

从去年下半年开始，NVIDIA开始大力推广视觉计算的概念，并且大胆的提出了“GPU和CPU，哪个对系统性能影响更大的问题”，而深感受到威胁的英特尔，则针锋相对地提出了通用处理器的概念，宣称衍生自CPU结构的通用处理器必将取代传统的GPU。