-
题名2012年中国高性能计算机发展现状分析与展望
被引量：9
- 1
-
-
作者
张云泉
孙家昶
袁国兴
张林波
-
机构
中国科学院软件所并行软件与计算科学实验室
北京应用物理与计算数学所
中国科学院数学与系统科学研究院
-
出处
《计算机工程与科学》
CSCD
北大核心
2012年第12期1-8,共8页
-
基金
国家863计划资助项目(2006AA01A105)
-
文摘
本文根据2012年11月发布的中国高性能计算机TOP100排行榜的数据,对国内高性能计算机的发展现状从总体性能、制造商、行业领域等方面进行了深入分析。我们发现,中国TOP100的平均Linpack性能与国际TOP500的平均Linpack性能的差距已经从原来的半年扩大到一年。在此基础上,根据十一届排行榜积累的性能数据和能够得到的其他公开历史数据,对未来几年中国大陆高性能计算机的发展趋势进行了分析预测。从预测可以看出,峰值为10Petaflops的机器将在2012年到2013年间出现;累计Linpack性能将在2013年到2014年间达到100Petaflops;峰值为100Petaflops的机器将在2014年到2015年间出现;峰值达到Exaflops级的机器将在2017年到2018年间出现。
-
关键词
高性能计算机
TOP100
排行榜
性能
分析
-
Keywords
high performance computer
TOP100
rank list
performance
analysis
-
分类号
TP393
[自动化与计算机技术—计算机应用技术]
-
-
题名对角线稀疏矩阵的SpMV自适应性能优化
被引量：6
- 2
-
-
作者
孙相征
张云泉
王婷
李焱
袁良
-
机构
中国科学院软件所并行软件与计算科学实验室
计算机科学国家重点实验室(中国科学院软件研究所)
中国科学院大学
-
出处
《计算机研究与发展》
EI
CSCD
北大核心
2013年第3期648-656,共9页
-
基金
国家"八六三"高技术研究发展计划基金项目(2009AA01A129
2009AA01A134)
+6 种基金
国家"核高基"重大科技专项基金项目(2009ZX01036-001-002)
中国科学院知识创新工程重大项目课题(KGCX1-YW-13)
国家重大科研装备研制项目(ZDYZ2008-2)
国家自然科学基金项目(61100073
61133005
61100066)
中国科学院研究生科技创新与社会实践资助专项
-
文摘
稀疏矩阵向量乘(SpMV)是科学计算中常用的内核之一,其运行速率跟非零元分布相关.针对对角线稀疏矩阵,提出了压缩行片段对角(compressed row segment diagonal,CRSD)存储格式.它利用"对角线格式"有效描述矩阵的对角线分布,区别于以往通用的计算方法,CRSD通过对给定应用的对角线稀疏矩阵采样再进行特定的优化.并且在软件安装阶段,通过自适应的方法选取适合具体运行平台的最优SpMV实现.在CPU端进行多线程并行化实现时,自适应调优过程中收集的信息还被用于线程间任务划分,以实现负载平衡.同时完成CRSD存储格式在GPU端的实现,并根据GPU端计算与访存的特点进行优化.实验结果表明:在Intel和AMD的多核平台使用相同线程数的情况下,与DIA相比,使用CRSD的加速比可以达到2.37X(平均1.7X);与CSR相比,可以达到4.6X(平均2.1X).
-
关键词
CRSD
自适应性能优化SpMV
对角线格式
对角线稀疏矩阵
GPU
科学应用
-
Keywords
compressed row segmented with diagonal-pattern（CRSD）
auto-tuning SpMV
diagonalpattern
diagonal sparse matrix
GPU
scientific application
-
分类号
TP311
[自动化与计算机技术—计算机软件与理论]
-
-
题名基于Julia云平台的交互式深度学习模式
被引量：1
- 3
-
-
作者
唐舸轩
党云龙
张常有
周艺华
-
机构
北京工业大学计算机科学与技术学院
中国科学院软件所并行软件与计算科学实验室
石家庄铁道大学信息科学与技术学院
-
出处
《太原理工大学学报》
CAS
北大核心
2016年第1期85-90,共6页
-
基金
国家自然科学基金:项目资助"面向企业创新计算的高性能云服务平台"(61379048)
-
文摘
为降低深度学习程序的开发难度,提出了一种基于Julia云平台的交互式深度学习模式。设计了一套深度学习原语,用Julia实现原语,为Julia程序员提供调用接口,构建交互分析系统;并提供GPU/CPU实现接口,由云端系统根据用户情形自动优选;最后实现了基于深度学习的图像交互分析案例,验证原语体系的完备性和Julia云平台的交互支持能力。实验结果表明,GPU的运行速度比CPU快近30倍。Julia程序员只需通过调用原语,设置相关参数,就可以使用并行化的算法。
-
关键词
高性能云
交互式
深度学习
-
Keywords
julia
high-performance cloud
interactive
deep learning
-
分类号
TP312
[自动化与计算机技术—计算机软件与理论]
-
