GPU计算平台的并行优化技术：从规则到非规则应用

“本文主要探讨了面向GPU计算平台的并行优化关键技术，特别是在云计算环境中如何提升程序性能。文章针对规则应用和非规则应用提出了不同的优化策略。” 在云计算领域，GPU（图形处理器）因其强大的并行计算能力，已经成为加速计算任务的重要工具。然而，充分利用GPU的潜力需要对GPU的底层架构有深入理解，并进行有效的程序优化。GPU程序优化的挑战在于，它涉及到算法与硬件之间的高效映射，而且现代GPU架构的复杂性和应用的多样性使得优化工作变得尤为困难。 对于规则应用，文章提出了“性能优化链”的概念，将其分为绝对性能优化链和相对性能优化链。这两类优化链分别关注计算密集型和内存访问优化。通过引入Roofline模型，作者构建了一个可视化GPU程序性能优化模型——GPU Roofline。这个模型能帮助开发者识别性能瓶颈，并指导他们选择合适的优化策略。通过三个不同特性的典型应用实例，文章验证了GPU Roofline模型的有效性和准确性。 对于非规则应用，作者以Viola-Jones人脸检测算法为例，阐述了在GPU上实现和优化非规则应用的关键技术。这包括粗粒度并行化、Uberkernel、PersistentKernel、本地队列和全局队列等方法。通过定义和提取性能特征参数，作者实现了GPU kernel的可调优版本，成功将Viola-Jones算法移植到不同GPU平台上，并且优化后的版本在AMD HD 5850 GPU、AMD HD 7970 GPU和NVIDIA C2050 GPU上表现出优于OpenCV库中CPU版本的性能。 该研究为GPU计算平台上的并行优化提供了理论基础和实践指导，不仅有助于提升云计算环境中的计算效率，也为开发者提供了实用的工具和方法，使得即使是对GPU底层架构不熟悉的人也能更好地编写高性能的GPU程序。