Análisis de desempeño de una Implementación del algoritmo K-means en CUDA y OMP

En este trabajo se analiza el desempeño correspondiente a la implementación de un algoritmo de segmentación sobre hardware con procesadores multinúcleo y con Unidades de Procesamiento Gráfico –GPU- basado en la placa de video Nvidia utilizando programación CUDA, y se muestran métricas de ejecución,...

Descripción completa

Detalles Bibliográficos
Autores principales: Jiménez, Joaquín, Klenzi, Raúl O., Malberti, Alejandra
Formato: Objeto de conferencia
Lenguaje:Español
Publicado: 2015
Materias:
Ciencias Informáticas
K-means
Segmentation
Algorithms
CUDA
OpenMP
Acceso en línea:http://sedici.unlp.edu.ar/handle/10915/46187
Aporte de:
SEDICI (UNLP) de Universidad Nacional de La Plata
id I19-R120-10915-46187
record_format dspace
institution Universidad Nacional de La Plata
institution_str I-19
repository_str R-120
collection SEDICI (UNLP)
language Español
topic Ciencias Informáticas
K-means
Segmentation
Algorithms
CUDA
OpenMP
spellingShingle Ciencias Informáticas
K-means
Segmentation
Algorithms
CUDA
OpenMP
Jiménez, Joaquín
Klenzi, Raúl O.
Malberti, Alejandra
Análisis de desempeño de una Implementación del algoritmo K-means en CUDA y OMP
topic_facet Ciencias Informáticas
K-means
Segmentation
Algorithms
CUDA
OpenMP
description En este trabajo se analiza el desempeño correspondiente a la implementación de un algoritmo de segmentación sobre hardware con procesadores multinúcleo y con Unidades de Procesamiento Gráfico –GPU- basado en la placa de video Nvidia utilizando programación CUDA, y se muestran métricas de ejecución, que miden y comparan su desempeño respecto de su equivalente OpenMP y secuencial. Se paraleliza el algoritmo de segmentación K-means que se nutre con datos obtenidos del área de la astronomía que consisten en un catálogo descripto por una matriz con filas que representan galaxias y columnas que constituyen sus parámetros o atributos característicos. También se propone evidenciar el orden complejidad temporal de K-means, que es O(tkn)[1], donde n es el número de objetos, k el número de clusters y t el número de iteraciones. Se harán pruebas cambiando los valores de estas variables, mostrando los cambios en los tiempos de ejecución y en los SpeedUps logrados respecto del código secuencial.
format Objeto de conferencia
Objeto de conferencia
author Jiménez, Joaquín
Klenzi, Raúl O.
Malberti, Alejandra
author_facet Jiménez, Joaquín
Klenzi, Raúl O.
Malberti, Alejandra
author_sort Jiménez, Joaquín
title Análisis de desempeño de una Implementación del algoritmo K-means en CUDA y OMP
title_short Análisis de desempeño de una Implementación del algoritmo K-means en CUDA y OMP
title_full Análisis de desempeño de una Implementación del algoritmo K-means en CUDA y OMP
title_fullStr Análisis de desempeño de una Implementación del algoritmo K-means en CUDA y OMP
title_full_unstemmed Análisis de desempeño de una Implementación del algoritmo K-means en CUDA y OMP
title_sort análisis de desempeño de una implementación del algoritmo k-means en cuda y omp
publishDate 2015
url http://sedici.unlp.edu.ar/handle/10915/46187
work_keys_str_mv AT jimenezjoaquin analisisdedesempenodeunaimplementaciondelalgoritmokmeansencudayomp
AT klenziraulo analisisdedesempenodeunaimplementaciondelalgoritmokmeansencudayomp
AT malbertialejandra analisisdedesempenodeunaimplementaciondelalgoritmokmeansencudayomp
bdutipo_str Repositorios
_version_ 1764820474448052224

Ejemplares similares