GPUs (04) (Xử lý song song và bộ xử lý đồ họa)
Génération de l'aperçu...
Slide bài giảng về xử lý song song và bộ xử lý đồ họa (GPU), bao gồm so sánh GPU và CPU, lập trình GPU, và các ví dụ.
Description
Big Data Analytics Big Data Analytics A. Parallel Computing / 3. Graphical Processing Units (GPUs) Lars Schmidt-Thieme Information Systems and Machine Learning Lab (ISMLL) Institute for Computer Science University of Hildesheim, Germany Lars Schmidt-Thieme, Information Systems and Machine Learning Lab (ISMLL), University of Hildesheim, Germany 1 / 32 Big Data Analytics Syllabus Tue. 9.4. (1) 0. Introduction Tue. 16.4. Tue. 23.4. Tue. 30.4. (2) (3) (4) A. Parallel Computing A.1 Threads A.2 Message Passing Interface (MPI) A.3 Graphical Processing Units (GPUs) Tue. 7.5. Tue. 14.5. Tue. 21.5. (5) (6) (7) B. Distributed Storage B.1 Distributed File Systems B.2 Partioning of Relational Databases B.3 NoSQL Databases Tue. 28.5. Tue. 4.6. Tue. 11.6. Tue. 18.6. (8) (9) (10) C. Distributed Computing Environments C.1 Map-Reduce Pentecoste Break — C.2 Resilient Distributed Datasets (Spark) C.3 Computational Graphs (TensorFlow) Tue. 25.6. Tue. 2.7. (11) (12) D. Distributed Machine Learning Algorithms D.1 Distributed Stochastic Gradient Descent D.2 Distributed Matrix Factorization Tue. 9.7. (13) Questions and Answers Lars Schmidt-Thieme, Information Systems and Machine Learning Lab (ISMLL), University of Hildesheim, Germany 1 / 32 Big Data Analytics Outline 1. GPUs vs CPUs 2. Basics of GPU Programming 3. Example: Color to Grayscale 4. Example: Matrix Multiplication 5. Block Shared Memory Lars Schmidt-Thieme, Information Systems and Machine Learning Lab (ISMLL), University of Hildesheim, Germany 1 / 32 Big Data Analytics 1. GPUs vs CPUs Outline 1. GPUs vs CPUs 2. Basics of GPU Programming 3. Example: Color to Grayscale 4. Example: Matrix Multiplication 5. Block Shared Memory Lars Schmidt-Thieme, Information Systems and Machine Learning Lab (ISMLL), University of Hildesheim, Germany 1 / 32 Big Data Analytics 1. GPUs vs CPUs Massively Parallel Computation I mildly parallel computation: I tens of cores of a CPU I massively parallel computati
Résumé IA
- Nom du document
- GPUs (04) (Xử lý song song và bộ xử lý đồ họa)
- École / Cours
- University of Hildesheim · Big Data
- Contenu
- Tài liệu này giới thiệu về việc sử dụng GPU cho tính toán song song trong phân tích dữ liệu lớn, so sánh với CPU, trình bày các khái niệm lập trình GPU cơ bản và đưa ra ví dụ minh họa.
- Table des matières
- Syllabus
- A. Parallel Computing
- A.1 Threads
- A.2 Message Passing Interface (MPI)
- A.3 Graphical Processing Units (GPUs)
- B. Distributed Storage
- B.1 Distributed File Systems
- B.2 Partioning of Relational Databases
- B.3 NoSQL Databases
- C. Distributed Computing Environments
- C.1 Map-Reduce
- C.2 Resilient Distributed Datasets (Spark)
- C.3 Computational Graphs (TensorFlow)
- D. Distributed Machine Learning Algorithms
- D.1 Distributed Stochastic Gradient Descent
- D.2 Distributed Matrix Factorization
- Outline
- 1. GPUs vs CPUs
- 2. Basics of GPU Programming
- 3. Example: Color to Grayscale
- 4. Example: Matrix Multiplication
- 5. Block Shared Memory
- Pages
- 46 pages
- Téléversé par
- Uni24h
Foire aux questions
Ce document est-il gratuit ?
Oui. « GPUs (04) (Xử lý song song và bộ xử lý đồ họa) » est gratuit — il suffit de vous connecter et de cliquer sur Télécharger pour obtenir le fichier original.
Combien de pages compte ce document ?
Le document contient 46 pages, pour le cours Big Data. Vous pouvez le prévisualiser en ligne avant de le télécharger.
Puis-je prévisualiser avant de télécharger ?
Oui. Vous pouvez prévisualiser ce document directement sur cette page avec le lecteur en ligne, puis décider de le télécharger ou non.
GPUs (04) (Xử lý song song và bộ xử lý đồ họa)
Génération de l'aperçu...
Big Data Analytics Big Data Analytics A. Parallel Computing / 3. Graphical Processing Units (GPUs) Lars Schmidt-Thieme Information Systems and Machine Learning Lab (ISMLL) Institute for Computer Science University of Hildesheim, Germany Lars Schmidt-Thieme, Information Systems and Machine Learning Lab (ISMLL), University of Hildesheim, Germany 1 / 32 Big Data Analytics Syllabus Tue. 9.4. (1) 0. Introduction Tue. 16.4. Tue. 23.4. Tue. 30.4. (2) (3) (4) A. Parallel Computing A.1 Threads A.2 Message Passing Interface (MPI) A.3 Graphical Processing Units (GPUs) Tue. 7.5. Tue. 14.5. Tue. 21.5. (5) (6) (7) B. Distributed Storage B.1 Distributed File Systems B.2 Partioning of Relational Databases B.3 NoSQL Databases Tue. 28.5. Tue. 4.6. Tue. 11.6. Tue. 18.6. (8) (9) (10) C. Distributed Computing Environments C.1 Map-Reduce Pentecoste Break — C.2 Resilient Distributed Datasets (Spark) C.3 Computational Graphs (TensorFlow) Tue. 25.6. Tue. 2.7. (11) (12) D. Distributed Machine Learning Algorithms D.1 Distributed Stochastic Gradient Descent D.2 Distributed Matrix Factorization Tue. 9.7. (13) Questions and Answers Lars Schmidt-Thieme, Information Systems and Machine Learning Lab (ISMLL), University of Hildesheim, Germany 1 / 32 Big Data Analytics Outline 1. GPUs vs CPUs 2. Basics of GPU Programming 3. Example: Color to Grayscale 4. Example: Matrix Multiplication 5. Block Shared Memory Lars Schmidt-Thieme, Information Systems and Machine Learning Lab (ISMLL), University of Hildesheim, Germany 1 / 32 Big Data Analytics 1. GPUs vs CPUs Outline 1. GPUs vs CPUs 2. Basics of GPU Programming 3. Example: Color to Grayscale 4. Example: Matrix Multiplication 5. Block Shared Memory Lars Schmidt-Thieme, Information Systems and Machine Learning Lab (ISMLL), University of Hildesheim, Germany 1 / 32 Big Data Analytics 1. GPUs vs CPUs Massively Parallel Computation I mildly parallel computation: I tens of cores of a CPU I massively parallel computati
Lire le document entier
- Nom du document
- GPUs (04) (Xử lý song song và bộ xử lý đồ họa)
- École / Cours
- University of Hildesheim · Big Data
- Contenu
- Tài liệu này giới thiệu về việc sử dụng GPU cho tính toán song song trong phân tích dữ liệu lớn, so sánh với CPU, trình bày các khái niệm lập trình GPU cơ bản và đưa ra ví dụ minh họa.
- Table des matières
- Syllabus
- A. Parallel Computing
- A.1 Threads
- A.2 Message Passing Interface (MPI)
- A.3 Graphical Processing Units (GPUs)
- B. Distributed Storage
- B.1 Distributed File Systems
- B.2 Partioning of Relational Databases
- B.3 NoSQL Databases
- C. Distributed Computing Environments
- C.1 Map-Reduce
- C.2 Resilient Distributed Datasets (Spark)
- C.3 Computational Graphs (TensorFlow)
- D. Distributed Machine Learning Algorithms
- D.1 Distributed Stochastic Gradient Descent
- D.2 Distributed Matrix Factorization
- Outline
- 1. GPUs vs CPUs
- 2. Basics of GPU Programming
- 3. Example: Color to Grayscale
- 4. Example: Matrix Multiplication
- 5. Block Shared Memory
- Pages
- 46 pages
- Téléversé par
- Uni24h
Commentaires (0)
Aucun commentaire pour le moment. Soyez le premier !
Neumann (mối quan hệ giữa Exascale Computing và Big Data) - Philipp Neumann
Tính toán trong bộ nhớ với Spark - Julian M. Kunkel
Intro to Mapreduce (02) (Giới thiệu về MapReduce và Hadoop) (Tiếng Anh)
Parallel computing (01) (Tính toán song song)
Neo4j (08) (Xử lý đồ thị với Neo4j) - BigData Analytics - Julian M. Kunkel
Chương 7.Cơ học lượng tử - Vật lý đại cương 3 - TS.Nguyễn Thị Trang
Chương 6.Quang học lượng tử - Vật lý đại cương 3 - TS.Nguyễn Thị Trang
Chương 5.Thuyết tương đối - Vật lý đại cương 3 - TS.Nguyễn Thị Trang
Chương 4. Tán xạ ánh sáng - Vật lý đại cương 3 - TS.Nguyễn Thị Trang
Chương 3.Phân cực ánh sáng - Vật lý đại cương 3 - TS.Nguyễn Thị Trang
Commentaires (0)
Aucun commentaire pour le moment. Soyez le premier !