1 / 25

ARQUITECTURA CUDA

ARQUITECTURA CUDA. Integrantes: Jose D Apollo 08-10272 Ricardo Rosa 08-11005. ¿De donde viene CUDA?.

zody
Download Presentation

ARQUITECTURA CUDA

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. ARQUITECTURA CUDA Integrantes: Jose D Apollo 08-10272 Ricardo Rosa 08-11005

  2. ¿De donde viene CUDA? • Nvidia Corporation es una compañía global de tecnología americana con base en California, fabrica unidades de procesamiento grafico (GPU), teniendo también una gran participación en la fabricación de unidades de Sistemas en un Chip (SOC) para el mercado de computo móvil. Su línea primaria de GPUs fue nombrada como “GeForce”. • Aparte de la fabricación de GPUs, Nvidia provee capacidades de procesamiento paralelo a investigadores y científicos que les permiten correr de manera eficiente aplicaciones de alto rendimiento, ellos están desplegados alrededor del mundo.

  3. Un poco de historia… • La unidad de procesamiento gráfico (GPU), fue inventada por Nvidia en 1999 y es uno de los procesadores paralelos mas dominantes hasta la fecha. • Se ha tratado de explotar la GPU con aplicaciones no gráficas desde el 2003, los primeros esfuerzos utilizaron APIs gráficos para el cómputo general eran conocidos como programas GPGPU.

  4. GPGPU • GPGPU demostró grandes aceleraciones, pero se enfrentó a varios inconvenientes: • Requería que el programador tuviese un profundo conocimiento de la API gráfica y arquitectura GPU. • Los problemas tenían que ser expresados ​​en términos de coordenadas de vértices, texturas y programas de sombreado, aumentando la complejidad del programa. • Las características básicas de programación tales como lecturas y escrituras aleatorias de la memoria no eran soportados, restringiendo en gran medida el modelo de programación. • La falta de soporte de doble precisión (hasta hace poco) significaba algunas aplicaciones científicas no podrían ejecutarse en la GPU.

  5. GPGPU • Para hacer frente a estos problemas, NVIDIA introdujo dos tecnologías clave: • La G80 arquitectura gráfica y de computo unificada (introducida en GeForce 8800 ®, Quadro FX 5600 ® y Tesla C870 ® GPUs). • CUDA, una arquitectura de software y hardware. Juntas, estas dos tecnologías representaban una nueva forma de utilizar la GPU.

  6. CPU vs GPU

  7. CPU vs GPU • Ejemplo: Mithbusters

  8. ¿Qué es CUDA? • Compute UnifiedDeviceArchitecture • CUDA™ es una plataforma de computación en paralelo y modelo de programación que permite un gran aumento en el rendimiento de computo aprovechando la potencia de la unidad de procesamiento de gráficos (GPU).

  9. CUDA es un conjunto de herramientas de desarrollo para crear aplicaciones que se ejecutaran en la GPU. • CUDA fue presentado por nVidia en 2006 y sale al mercado el 15 de febrero de 2007, para PC y la versión beta para Mac OS X, el 19 de agosto de 2008. • CUDA permiteal programador escribir programas en C con extensiones CUDA y dirigirse a un propósito general. Llamamos a esta nueva forma de programación de GPU "GPU Computing“ esto significó un apoyo más amplio de aplicaciones, soporte más amplio para lenguajes de programación.

  10. Modelo de Programación • SIMT (Single InstructionMultipleThreads). • Los hilos corren en grupos de 32 llamados “Warps”. • Cada hilo en un “warp” ejecuta la misma instrucción a mismo tiempo.

  11. Modelo de Programación • Un solo kernel ejecutado por varios hilos • Los hilos están agrupados en “bloques” • El kernel lanza un “grid” de bloques de hilos

  12. Hilos y bloques tienen identificadores únicos. • Todos los hilos en un bloque pueden compartir datos a través de “Memoria compartida”.

  13. Block (0,0) Block (1,0) Shared Memory Shared Memory Registers Registers Registers Registers Thread (0,0) Thread (0,0) Thread (1,0) Thread (1,0) Local Memory Local Memory Local Memory Local Memory Global Memory Host Constant Memory Texture Memory Modelo de Memoria

  14. Modelo de Memoria • Cada Bloque contiene: • Conjunto de registros locales por hilo • Una memoria compartida por todos los hilos • Una cache constante de solo lectura, que es compartida por todos los hilos • Una cache de textura de solo lectura, que es compartida por todos los procesadores

  15. Modelo de Memoria • Memoria Local: • Se encuentra en al alcance de cada hilo • El compilador la ubica como memoria global, pero lógicamente es tratada como una unidad independiente • Tiempo de vida de un hilo

  16. Modelo de Memoria • Registro: • El mas rápido • Solo son accesibles mediante los hilos • Tiempode vida de un hilo • Memoria Compartida: • Puede ser tan rápida como un registro si no hay conflictos de lecturas en la misma dirección • Accesible por cualquier hilo perteneciente al bloque que la creo • Tiempo de vida de un bloque

  17. Modelo de Memoria • Memoria Global: • Hasta 150 veces mas lenta que un registro o memoria compartida • Accesible desde un host o dispositivo • Tiempode vida de la aplicación

  18. Aplicaciones • Extracción de recursos naturales • El costo de una excavación puede llegar a millones de dólares • En muchos casos, solo existe una sola posibilidad de encontrar materia prima • CUDA, logro hasta 14 veces mejor performance sobre las aplicaciones basadas CPU.

  19. Aplicaciones • Finanzas • Usando solo 12 GPUs CUDA, Volera analiza la totalidad de las acciones del mercado de USA en tiempo real

  20. Aplicaciones • Campo de la medicina • El algoritmo “Techiniscan” es utilizado para producir imágenes altamente detalladas de exploración de cáncer • El sistema CUDA es capaz de procesar a un nivel dos veces mas rápido que el algoritmo “Techiniscan”

  21. Aplicaciones • Investigación • Los biólogos computacionales seleccionan un virus, para intentar simular su vida completa • Los investigadores utilizan un programa llamado NAMD, el cual aceleran con CUDA. Para dramáticas aceleraciones en el proceso

  22. Ventajas • Memoria compartida • Lecturas dispersas • Descargas más rápidas • Lecturas más rápidas de y hacia la GPU • Soporte para operadores de enteros y bits

  23. Desventajas • Puede existir un cuello de botella entre la CPU y la GPU por los anchos de banda de los buses y sus latencias, puede ser aliviado con transferencias asíncronas de memoria, manejadas por memoria de acceso directo • CUDA usa un subconjunto del lenguaje Cque es libre de recursión y libre de funciones con apuntadores

  24. Desventajas • CUDA no soporta el standard de C completo, ya que corre código anfitrión a través de un compilador de C++, lo que hace que código valido de C (invalido en C++) falle en compilar • GPUs habilitados con CUDA solo están disponibles en nVidia

  25. Preguntas Frecuentes • ¿Qué tipo de aumento de rendimiento puedo esperar Utilizando GPU Computing vs CPU-Only Computing? • ¿Qué sistemas operativos soporta CUDA? • ¿Se puede en CUDA transferir datos y ejecutar un Kernelen paralelo? • ¿CUDA soporta varias tarjetas gráficas en un mismo sistema? • ¿Pueden el CPU y la GPU ejecutarse en paralelo en CUDA?

More Related