مدلسازی کارایی برنامه های پردازنده ی گرافیکی با استفاده از روش-های یادگیری ماشین

جنبه های ناشناخته ی پردازندههای گرافیکی باعث شده تا معمولا تنظیم برنامه های کودا با استفاده از آزمون و خطا انجام شود. علاوه بر این، تنظیم این برنامه ها قابلیت حمل پایینی دارد و معمولا یک برنامه ی تنظیم شده روی یک نسل از این پردازنده ها روی نسلهای دیگر ممکن است عملکرد خوبی نداشته باشد. به همین دلیل در سالهای اخیر این دستگاه ها هدف بسیاری از تحقیقات و پژوهشها بوده اند. ایجاد یک مدل کارآیی برای برنامه های پردازنده ی گرافیکی، میتواند به برنامه نویس در درک بهتر رفتار آنها و تنظیم آگاهانه تر برنامه ها کمک کند. همچنین به توسعه دهندگان کمک میکند تا گلوگاه های کارآیی این پردازندهها بهتر شناسایی شوند.مدلهای کارآیی در دو نوع مدلهای تحلیلی و مدلهای مبتنی بر یادگیری ماشین ارائه شدهاند. مدلهای تحلیلی بسیار پیچیده بوده و به سختی ساخته میشوند ولی در عوض قابلیت حمل بالایی دارند و میتوانند روی دستگاه های مختلف استفاده شوند. مدلهای مبتنی بر یادگیری ماشین آسانتر ساخته میشوند ولی قابلیت حمل پایینی دارند و برای هر دستگاه، مدل باید از ابتدا ساخته شود. در این مقاله، یک مدل کارآیی مبتنی بر روش ماشین یادگیری افراطی ارائه شده است. ابتدا مجموعه دادههای تعلیم و تست ایجاد و سپس مدل کارآیی ساخته شده است. نتایج آزمایشات نشان دادهاند که این مدل زمان اجرای یک کرنل با تنگنای محاسباتی را حداکثر با خطای ۵/۰۱۵ درصد و زمان اجرای یک کرنل با تنگنای حافظه را حداکثر با خطای ۸/۴۸۹ درصد پیشبینی میکند. علاوه بر این، در این تحقیق از طریق روشهای انتخاب ویژگی، میزان تاثیر هر یک از ویژگیهای ورودی بر روی زمان اجرای کرنل کودا تعیین میشود.

کلیدواژه ها:

پردازنده ی گرافیکی ، کودا ، مدل کارآیی ، یادگیری ماشین ، پیشبینی زمان اجرای کرنل