Power and Performance Based Autotuning of Heterogeneous Applications for CPU-GPU Systems
Notice bibliographique
Résumé
<p>Recent advancement in artificial intelligence (AI) and deep learning has happened due to the usage of General Purpose Graphics Processing Units (GPUs) to implement these AI applications. GPU programming became easier with the advent of high-level abstraction API frameworks such as OpenCL and CUDA. The portability of these frameworks has been the performance cost. The GPU kernel performance is highly dependent on the underlying hardware architecture. The application kernels need their tuning every time it executes on a new device. The work presented in this thesis focuses on OpenCL kernels running on heterogeneous CPU-GPU systems. First, we present an analytical approach to estimate the power and performance of a convolution neural network (CNN) on a heterogeneous system that is useful for power and performance-based auto-tuning. Then we present our main contribution to multi-objective OpenCL kernels and propose an auto-tuner (MOKAT) for power and performance tuning. MOKAT tunes an OpenCL kernel without compromising on any of the two objectives (power and performance) and provides a final set of pareto-optimal kernels. MOKAT offers an integrated power calculation methodology for both online and offline tuning. It utilizes Non-Dominated Sorting Genetic Algorithm (NSGA-II) as the multi-objective evolutionary algorithm (MOEA). We describe the MOKAT API and internal structure of our framework. The two case studies of kernel tuning are related to 2D convolution and General Matrix Multiplication.</p>
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».