GPU编程模型中存储体冲突的研究

GPU并行计算模型中使用共享内存是提高并行计算效率的重要途径,由于进程访问导致的存储体冲突,却会成倍地降低执行效率。经过分析存储体冲突产生的原因,提出了对算法的修改来解决存储体冲突的原则与方法,并通过对聚类算法的实施进行验证。

基于GPU的分类并行算法的研究与实现

分析了KNN算法在GPU上实现并行计算的可能性,提出了通过使用CUDA实现KNN算法的方案,在研究了GPU对存储访问的机制后,通过设计合理的数据以及对算法的改进,避免存储体冲突的产生,提高了算法的健壮性。研究结果证明该方法在GPU上的并行运算速度明显要快于CPU,有着很好的加速比。

基于GPU的K-means并行算法研究与实现

分析了K-means算法在GPU上实现并行计算的可能性,并在GTX8800 GT显卡上实现,研究了GPU的存储访问机制,在对数据进行合理组织基础上对算法进行改进,避免了存储体冲突的产生,提高了算法的健壮性。研究结果证明该方法在GPU上的并行运算速度明显快于CPU,加速比高。