Limite d'un GPU [Résolu]

[epsylon-]

La seule réponse à ta question (que peut m'apporter le portage de mon appli sur GPU), c'est que ça dépends de l'algo. Les GPU sont de grosses machines de calcul parallèle fait pour bouffer du float en masse, faire du dot product, du produit matriciel, bref de l'arithmétique. Ils ne sont pas forcéments adaptés aux algos avec beaucoup de branchements conditionnels, des heuristiques, parcours d'arbres, etc...

ils peuvent par exemple etre utilisés pour des reseaux de neurones tres complexes, voire meme pour toute la partie "feedback" qui consiste a calculer les coefficients des liens vers les neurones.

en effet, les reseaux de neurones, l'entrée peut etre représentée par une texture, la sortie par une texture egalement (une liste de bêtes flottants...), et pour chaque etape il faut lire dans la texture, effectuer des calculs, ecrire la sortie, sans aucun branchement ni rien. M'est avis que la carte graphique pourrait calculer enormement de reponses par seconde.

Le feedback est plus complexe, mais c'est de l'arithmetique (ca consiste a evaluer la solution, a dire si c'est bien ou pas, puis a ajuster les coefficients pour que la prochaine reponse soit meilleure). pas sur que ca marche aussi bien

[Elboras]

Bonjour,

pour avoir un peu touché a CUDA (et bientot m'y mettre encore plus activement), je me permet de poster quelques trucs pour t'aider.

Deja la premiere question toute bete qu'il faut que tu te pose, c'est est ce que mon calcul peut etre facilement parrallélisable.

Ensuite, comme il l'est dit précédament, les algorithmes avec des boucles et des conditions, sont largement moins rapide sur GPU. Cependant, pour avoir tester des algorithmes qui serait normalement pas tres parallélisable, j'arrive facilement a doubler la vitesse de l'algorithme sur GPU (entre un processeur 3.2ghz et une geforce 8800 GT). Et des algorithmes qui font bcp de raw calcules peuvent facilement etre multiplier par 20 sur le meme matériel (une 8800 GT est loin d'etre la plus puissante, avec une GTX il peut y avoir beaucoup de différences).

[stardeath]

il faut aussi faire gaffe au volume de données à traiter par rapport à la complexité du calcul, parce que le temps d'envoi et de retour vers/depuis la mémoire de la carte graphique n'est pas anodin.

pendant les techdays, lors de la (d'une peut être, mais j'en ai pas vu d'autre) présentation gpgpu, l'intervenant nous a montré que par exemple le tri d'une grande séquence de nombres était aussi rapide sur le cpu que sur le gpu. (et ça se vérifie assez facilement)

[Mat.M]

Envoyé par Bakura

Même s'il y a eu pas mal de progrès sur ce sujet, les GPUs, même récents, ont beaucoup de mal avec les boucles et les branchements conditionnels...

je confirme
ici au travail il y a des parties du projet avec programmation GPU et cela ne résoud pas tout

[LeGreg]

Le plus gros calculateur au monde (Tianhe-1A) prend la tête grâce au GPU :

http://www.wired.com/gadgetlab/2010/...supercomputer/

[kiluak]

Hé béh, déjà que le Nebulae était un monstre... !
7000 Teslas ! Pendant qu'ils font leur simulation météorologique, ils pourraient ouvrir un sauna ou une rotisserie dans les locaux

Néanmoins, en efficacité Linpack ça donne quoi ?


(quand on voit Titane, un de nos beaux calculateurs français et ses "seulement" 192 Teslas GT2XX, on réalise qu'on boxe pas dans la même catégorie... !)

[Matthieu Brucher]

Disons qu'il faut que ça soit utile. S'il n'y a pas de grosses boucles for, c'est excessivement difficile de porter sur GPU. Déjà sans ça, les codes industriels portés sur GPU sont tout de même rares.