Resumen

Proponemos y evaluamos una nueva estrategia para ajustar el rendimiento de una clase de cálculos de stencil en Unidades de Procesamiento Gráfico. La estrategia utiliza un modelo de aprendizaje automático para predecir la forma óptima de cargar datos desde la memoria seguido por una heurística que divide otras optimizaciones en grupos y explora exhaustivamente un grupo a la vez. Utilizamos un conjunto de 104 pruebas sintéticas de stencil OpenCL que son representativas de muchos cálculos de stencil reales. Primero demostramos la necesidad de la sintonización automática al mostrar que el espacio de optimización es lo suficientemente complejo como para que enfoques simples para determinar una configuración de alto rendimiento fallen. Luego demostramos la efectividad de nuestro enfoque en GPUs de NVIDIA y AMD. En comparación con un muestreo aleatorio del espacio, encontramos configuraciones que son un 12%/32% más rápidas en la plataforma de NVIDIA/AMD en un 71% y 4% menos de tiempo, respectivamente. En comparación con una búsqueda de expertos, logramos un

• Materias:Algoritmo de agrupamiento Reconocimiento de caracteres Reconocimiento de entidades nombradas Algoritmos de recomendación Tecnologías de contenedores
• Subjects:Clustering algorithm Character recognition Named entity recognition Recommendation algorithms Container technologies
• Palabras claves:Estrategia; Cálculos de plantilla; Modelo de aprendizaje automático; Ajuste automático; Pruebas de rendimiento de OpenCL; GPUs
• Keywords:Strategy; Stencil computations; Machine learning model; Auto-tuning; OpenCL benchmarks; GPUs