Az előadás letöltése folymat van. Kérjük, várjon

Az előadás letöltése folymat van. Kérjük, várjon

 Map  Reduce  Scan  Histogram  Compact const size_t dataSize = 1024; cl_kernel mapKernel = cl.createKernel(clProgram, "map"); float* hData = new.

KiadtaJános Török Megváltozta több, mint 10 éve

Hasonló előadás

Az előadások a következő témára: " Map  Reduce  Scan  Histogram  Compact const size_t dataSize = 1024; cl_kernel mapKernel = cl.createKernel(clProgram, "map"); float* hData = new."— Előadás másolata:

1

2  Map  Reduce  Scan  Histogram  Compact

3 const size_t dataSize = 1024; cl_kernel mapKernel = cl.createKernel(clProgram, "map"); float* hData = new float[dataSize]; cl_mem gData = clCreateBuffer(cl.context(), CL_MEM_READ_WRITE, sizeof(float) * dataSize, NULL, NULL); clEnqueueWriteBuffer(cl.cqueue(), gData, CL_TRUE, 0, sizeof(float) * dataSize, hData, 0, NULL, NULL); clSetKernelArg(mapKernel, 0, sizeof(cl_mem), &gData); size_t workSize = dataSize; clEnqueueNDRangeKernel(cl.cqueue(), mapKernel, 1, NULL, &workSize, NULL, 0, NULL, NULL); clEnqueueReadBuffer(cl.cqueue(), gData, CL_TRUE, 0, sizeof(float) * dataSize, hData, 0, NULL, NULL);

4 __kernel void map(__global float* data) { int id = get_global_id(0); float square = data[id] * data[id]; data[id] = square; }

5 const size_t dataSize = 1024; cl_kernel reduceKernel = cl.createKernel(clProgram, "reduce_global"); float* hData = new float[dataSize]; cl_mem gData = clCreateBuffer(cl.context(), CL_MEM_READ_WRITE, sizeof(float) * dataSize, NULL, NULL); clEnqueueWriteBuffer(cl.cqueue(), gData, CL_TRUE, 0, sizeof(float) * dataSize, hData, 0, NULL, NULL); clSetKernelArg(reduceKernel, 0, sizeof(cl_mem), &gData); size_t workSize = dataSize; clEnqueueNDRangeKernel(cl.cqueue(), reduceKernel, 1, NULL, &workSize, NULL, 0, NULL, NULL); clEnqueueReadBuffer(cl.cqueue(), gData, CL_TRUE, 0, sizeof(float) * dataSize, hData, 0, NULL, NULL);

6 __kernel void reduce_global(__global float* data) { int id = get_global_id(0); for(unsigned int s = get_global_size(0) / 2; s > 0; s >>= 1) { if(id < s) { data[id] = max(data[id], data[id + s]); } barrier(CLK_GLOBAL_MEM_FENCE); }

7 const size_t dataSize = 1024; cl_kernel reduceKernel = cl.createKernel(clProgram, "reduce_global"); float* hData = new float[dataSize]; cl_mem gData = clCreateBuffer(cl.context(), CL_MEM_READ_WRITE, sizeof(float) * dataSize, NULL, NULL); clEnqueueWriteBuffer(cl.cqueue(), gData, CL_TRUE, 0, sizeof(float) * dataSize, hData, 0, NULL, NULL); clSetKernelArg(reduceKernel, 0, sizeof(cl_mem), &gData); size_t workSize = dataSize; clEnqueueNDRangeKernel(cl.cqueue(), reduceKernel, 1, NULL, &workSize, NULL, 0, NULL, NULL); clEnqueueReadBuffer(cl.cqueue(), gData, CL_TRUE, 0, sizeof(float) * dataSize, hData, 0, NULL, NULL);

8 __kernel void exscan_global(__global int* data) { int id = get_global_id(0); data[id] = (id > 0) ? data[id-1] : 0; barrier(CLK_GLOBAL_MEM_FENCE); for(int s = 1; s < get_global_size(0); s *= 2) { int tmp = data[id]; if(id + s < get_global_size(0)) { data[id + s] += tmp; } barrier(CLK_GLOBAL_MEM_FENCE); } if(id == 0) { data[0] = 0; }

9 const size_t dataSize = 1024; const size_t histogramSize = 32; cl_kernel histogramGlobalKernel = cl.createKernel(clProgram, "hist"); int *hData = new int[dataSize]; int *hHist = new int[histogramSize]; memset(hHist, 0, sizeof(int)*histogramSize); cl_mem gData = clCreateBuffer(cl.context(), CL_MEM_READ_ONLY, sizeof(int) * dataSize, NULL, NULL); clEnqueueWriteBuffer(cl.cqueue(), gData, CL_TRUE, 0, sizeof(int) * dataSize, hData, 0, NULL, NULL); cl_mem gHist = clCreateBuffer(cl.context(), CL_MEM_READ_WRITE, sizeof(int) * histogramSize, NULL, NULL); clEnqueueWriteBuffer(cl.cqueue(), gHist, CL_TRUE, 0, sizeof(int) * histogramSize, hHist, 0, NULL, NULL);

10 clSetKernelArg(histogramGlobalKernel, 0, sizeof(cl_mem), &gData); clSetKernelArg(histogramGlobalKernel, 1, sizeof(cl_mem), &gHist); const size_t workSize = dataSize; clEnqueueNDRangeKernel(cl.cqueue(), histogramGlobalKernel, 1, NULL, &workSize, NULL, 0, NULL, NULL); clEnqueueReadBuffer(cl.cqueue(), gHist, CL_TRUE, 0, sizeof(int) * histogramSize, hHist, 0, NULL, NULL);

11 __kernel void histogram_global(__global int* data, __global int* histogram) { int id = get_global_id(0); histogram[data[id]] += 1; }  Nincs szinkronizáció!  Hibás!

12 __kernel void histogram_global(__global int* data, __global int* histogram) { int id = get_global_id(0); atomic_add(&histogram[data[id]], 1); }  Az atomikus műveletek szinkronizáltak!

13 clSetKernelArg(histogramLocalKernel, 0, sizeof(cl_mem), &gData); clSetKernelArg(histogramLocalKernel, 1, sizeof(cl_mem), &gHist); clSetKernelArg(histogramLocalKernel, 2, sizeof(int) * histogramSize, NULL); clSetKernelArg(histogramLocalKernel, 3, sizeof(int), &histogramSize);  Lokális memória allokálása host oldalról

14 __kernel void histogram_local(__global int* data, __global int* histogram, __local int* lhistogram, const int histogramSize) { int id = get_global_id(0); int lid = get_local_id(0); if(lid < histogramSize) { lhistogram[lid] = 0; } barrier(CLK_LOCAL_MEM_FENCE); atomic_add(&lhistogram[data[id]], 1); barrier(CLK_LOCAL_MEM_FENCE); if(lid < histogramSize){ histogram[lid] = lhistogram[lid]; }

15 const size_t dataSize = 1024; cl_kernel predicateKernel = cl.createKernel(clProgram, "c_pred"); cl_kernel exscanKernel = cl.createKernel(clProgram, "c_exscan"); cl_kernel compactKernel = cl.createKernel(clProgram, "c_compact"); int* hData = new int[dataSize]; cl_mem gData = clCreateBuffer(cl.context(), CL_MEM_READ_WRITE, sizeof(float) * dataSize, NULL, NULL); clEnqueueWriteBuffer(cl.cqueue(), gData, CL_TRUE, 0, sizeof(float) * dataSize, hData, 0, NULL, NULL); cl_mem gPred = clCreateBuffer(cl.context(), CL_MEM_READ_WRITE, sizeof(int) * dataSize, NULL, NULL); cl_mem gPrefSum = clCreateBuffer(cl.context(), CL_MEM_READ_WRITE, sizeof(int) * dataSize, NULL, NULL);

16 size_t workSize = dataSize; // Predicate clSetKernelArg(predicateKernel, 0, sizeof(cl_mem), &gData); clSetKernelArg(predicateKernel, 1, sizeof(cl_mem), &gPred); clEnqueueNDRangeKernel(cl.cqueue(), predicateKernel, 1, NULL, &workSize, NULL, 0, NULL, NULL); // Exclusive scan on predicate buffer clSetKernelArg(exscanKernel, 0, sizeof(cl_mem), &gPred); clSetKernelArg(exscanKernel, 1, sizeof(cl_mem), &gPrefSum); clEnqueueNDRangeKernel(cl.cqueue(), exscanKernel, 1, NULL, &workSize, NULL, 0, NULL, NULL);

17 // Compact clSetKernelArg(compactKernel, 0, sizeof(cl_mem), &gData); clSetKernelArg(compactKernel, 1, sizeof(cl_mem), &gPred); clSetKernelArg(compactKernel, 2, sizeof(cl_mem), &gPrefSum); clEnqueueNDRangeKernel(cl.cqueue(), compactKernel, 1, NULL, &workSize, NULL, 0, NULL, NULL); clEnqueueReadBuffer(cl.cqueue(), gData, CL_TRUE, 0, sizeof(float) * dataSize, hData, 0, NULL, NULL);

18 __kernel void c_pred(__global int* data, __global int* pred) { int id = get_global_id(0); int predVal = data[id] < 50 ? 1 : 0; pred[id] = predVal; }

19 __kernel void c_exscan(__global int* pred, __global int* prefSum) { int id = get_global_id(0); prefSum[id] = (id > 0) ? pred[id-1] : 0; barrier(CLK_GLOBAL_MEM_FENCE); for(int s = 1; s < get_global_size(0); s *= 2) { int tmp = prefSum[id]; if(id + s < get_global_size(0)) { prefSum[id + s] += tmp; } barrier(CLK_GLOBAL_MEM_FENCE); } if(id == 0) { prefSum[0] = 0; }

20 __kernel void c_compact(__global int* data, __global int* pred, __global int* prefSum) { int id = get_global_id(0); int val = data[id]; barrier(CLK_GLOBAL_MEM_FENCE); if(pred[id] == 1) { data[prefSum[id]]=val; }

Letölteni ppt " Map  Reduce  Scan  Histogram  Compact const size_t dataSize = 1024; cl_kernel mapKernel = cl.createKernel(clProgram, "map"); float* hData = new."

Hasonló előadás

3 4 5 6 7 8 9 10 11 12 13 14 15 16.

 Folyékony anyagok  Füstszerű jelenségek  Felhők  Festékek.

 Folyékony anyagok  Füstszerű jelenségek  Felhők  Festékek.
2 8 Kiadás éve / Platform Server (1000’s of users) Workgroup (Dozens of users) Desktop (Single User) Laptop Tablet PC Windows CE.

2 8 Kiadás éve / Platform Server (1000’s of users) Workgroup (Dozens of users) Desktop (Single User) Laptop Tablet PC Windows CE.
3D képszintézis fizikai alapmodellje

3D képszintézis fizikai alapmodellje
Térfogatvizualizáció Szirmay-Kalos László. Térfogati modellek v(x,y,z) hőmérséklet sűrűség légnyomás potenciál anyagfeszültség... v(x,y,z) tárolás: 3D.

Térfogatvizualizáció Szirmay-Kalos László. Térfogati modellek v(x,y,z) hőmérséklet sűrűség légnyomás potenciál anyagfeszültség... v(x,y,z) tárolás: 3D.
Bevezetés a tárgyakhoz Tárgyak  Objects are the containers for values of a specified type  Objects are either signals, variables or constants  Once.

Bevezetés a tárgyakhoz Tárgyak  Objects are the containers for values of a specified type  Objects are either signals, variables or constants  Once.
 Lineáris egyenlet  algebrai egyenlet  konstansok és első fokú ismeretlenek  pl.: egyenes egyenlete  Lineáris egyenletrendszer  lineáris egyenletek.

 Lineáris egyenlet  algebrai egyenlet  konstansok és első fokú ismeretlenek  pl.: egyenes egyenlete  Lineáris egyenletrendszer  lineáris egyenletek.
 Adat- és feladat párhuzamos modell  Az ISO C99 szabvány részhalmaza  párhuzamos kiegészítésekkel  Numerikus műveletek az IEEE754 alapján  Beágyazott.

 Adat- és feladat párhuzamos modell  Az ISO C99 szabvány részhalmaza  párhuzamos kiegészítésekkel  Numerikus műveletek az IEEE754 alapján  Beágyazott.
 CUDA mint architektúra  Párhuzamos feldolgozásra optimalizált architektúra  CUDA mint GPGPU keretrendszer  Runtime és Driver API  CUDA C/C++  NVCC.

 CUDA mint architektúra  Párhuzamos feldolgozásra optimalizált architektúra  CUDA mint GPGPU keretrendszer  Runtime és Driver API  CUDA C/C++  NVCC.
 Bővítmény rendszer  Az OpenGL bővítményeihez hasonló  A specifikiáció természetes fejlődése ▪ Gyártó specifikus bővítmény ▪ Általános bővítmények.

 Bővítmény rendszer  Az OpenGL bővítményeihez hasonló  A specifikiáció természetes fejlődése ▪ Gyártó specifikus bővítmény ▪ Általános bővítmények.
 Gauss szűrő uniform sampler2D colorMap; const float kernel[9] = float[9]( 1.0, 2.0, 1.0, 2.0, 4.0, 2.0, 1.0, 2.0, 1.0); out vec4 outColor; void main(){

 Gauss szűrő uniform sampler2D colorMap; const float kernel[9] = float[9]( 1.0, 2.0, 1.0, 2.0, 4.0, 2.0, 1.0, 2.0, 1.0); out vec4 outColor; void main(){
 Fény fotonok szimulációja  Nem változtatja meg a frekvenciát ütközéskor  Homogén és inhomogén közegben.

 Fény fotonok szimulációja  Nem változtatja meg a frekvenciát ütközéskor  Homogén és inhomogén közegben.
Socket programozás Példák

Socket programozás Példák
Hadoop Gyakorlat 1 Korszerű adatbázisok 2014. Parancsok Listázás – hadoop fs –ls Kiírja egy fájl tartalmát – hadoop fs –cat Betöltés – hadoop fs –put.

Hadoop Gyakorlat 1 Korszerű adatbázisok Parancsok Listázás – hadoop fs –ls Kiírja egy fájl tartalmát – hadoop fs –cat Betöltés – hadoop fs –put.
TRANZIENS ADATTÁROLÁS State objektum Egy alkalmazásszintű gyűjtemény (Dictionary), mely Tombstone esetén megőrzi tartalmát a memóriában kulcs/érték párokként.

TRANZIENS ADATTÁROLÁS State objektum Egy alkalmazásszintű gyűjtemény (Dictionary), mely Tombstone esetén megőrzi tartalmát a memóriában kulcs/érték párokként.
6. előadás (2005. április 5.) Struktúrák Úniók Új adattípus definíálása Dinamikus memória foglalás 1.

6. előadás (2005. április 5.) Struktúrák Úniók Új adattípus definíálása Dinamikus memória foglalás 1.
Borland C/C++ mintapéldák

Borland C/C++ mintapéldák
Course Situation and Event Driven Models for Multilevel Abstraction Based Virtual Engineering Spaces Óbuda University John von Neumann Faculty of Informatics.

Course Situation and Event Driven Models for Multilevel Abstraction Based Virtual Engineering Spaces Óbuda University John von Neumann Faculty of Informatics.
Oracle multimédia Kiss Attila Információs Rendszerek Tanszék

Oracle multimédia Kiss Attila Információs Rendszerek Tanszék
Természetesen P = Q = O esetén O + O = O. Tetszőleges, nem 2, vagy 3 karakterisztikájú test esetén hasonló módon eljárva E(K)-n zárt műveletet.

Természetesen P = Q = O esetén O + O = O. Tetszőleges, nem 2, vagy 3 karakterisztikájú test esetén hasonló módon eljárva E(K)-n zárt műveletet.

Hasonló előadás

Google Hirdetések