بازگشت به جستجو

اجرای FPGA یک الگوریتم جریان نوری متراکم با استفاده از altera OpenCL SDK

عنوان	اجرای FPGA یک الگوریتم جریان نوری متراکم با استفاده از altera OpenCL SDK
نویسنده	اولوتاش، اوموت
تاریخ انتشار:	2017-08
موضوع	علوم کامپیوتر
نوع	سند
زبان	انگلیسی
دیجیتال	بله
نسخه خطی	خیر
کتابخانه:	دانشگاه اوزیغین
شماره ثبت	1fa11bca-7ee0-4da0-bdbe-7826b0422948
محل کتابخانه	گروه مهندسی برق و الکترونیک
تاریخ	2017-08
متن نمونه	شتاب FPGA الگوریتم‌های محاسباتی فشرده معمولاً به دلیل تلاش‌های طولانی طراحی Verilog یا VHDL RTL که آنها نیاز دارند، عملی تلقی نمی‌شود. الگوریتم های موازی داده یک پلت فرم جایگزین برای شتاب دارند، یعنی GPU. دو زبان به طور گسترده برای برنامه نویسی GPU استفاده می شود، CUDA و OpenCL. OpenCL به دلیل قابل حمل بودن برای اکثر CPU های چند هسته ای و اکثر GPU ها، انتخاب بسیاری از کدنویس ها است. OpenCL SDK برای FPGA و سنتز سطح بالا (HLS) به طور کلی شتاب FPGA را واقعاً امکان پذیر می کند. در برنامه های موازی داده، سنتز مبتنی بر OpenCL بر HLS سنتی ترجیح داده می شود زیرا می تواند به طور یکپارچه برای GPU ها و FPGA ها مورد هدف قرار گیرد. این پایان نامه تجربیات ما را در مورد هدف قرار دادن یک الگوریتم جریان نوری تقاضا برای یک FPGA سطح بالا و همچنین یک GPU سطح بالا با استفاده از OpenCL به اشتراک می گذارد. نتایج توان و توان مصرفی در هر دو پلت فرم ارائه شده است. موازی hesaplama yapılınabilir algoritmaların hız için alternatif bir platformu vardır: GPU. GPU programlama için CUDA ve OpenCL dilleri yaygın şekilde kullanılmaktadır. OpenCL çoğu çok çekirdekli işlemci ve çoğu GPU'ya taşınabilir olması nedeniyle bir çok programcının seçeneğidir. FPGA'ler için OpenCL SDK و Yüksek Seviyeli Sentez (YSS) genel olarak FPGA hızlandırmasını gerçekten mümkün kılmaktadır. برنامه موازی uygulamalarda، geleneksel YSS'ye göre OpenCL tabanlı sentez tercih edilir çünkü sonuç hem GPU'ları hem de FPGA'leri sorunsuz bir şekilde hedef alabilir. Bu tezde، yoğun hesaplama gerektiren bir optik akış algoritmasını OpenCL kullanarak yüksek duzey bir GPU'da ve yüksek duzey bir FPGA'de çalıştırarak ulaşılan sonuçlar paylaşılmıştır. Her iki platformda da hız ve güç tüketimi sonuçları sunulmuştur.

مشاهده در منبع دانشگاه اوزیغین دانشگاه اوزیغین - موتور جستجوی آثار تاریخی، آرشیوها و نشریات

دانشگاه اوزیغین

اجرای FPGA یک الگوریتم جریان نوری متراکم با استفاده از altera OpenCL SDK

نویسنده اولوتاش، اوموت

تاریخ انتشار 2017-08

موضوع علوم کامپیوتر

نوع سند

زبان انگلیسی

دیجیتال بله

نسخه خطی خیر

کتابخانه دانشگاه اوزیغین

شماره ثبت 1fa11bca-7ee0-4da0-bdbe-7826b0422948

محل کتابخانه گروه مهندسی برق و الکترونیک

تاریخ 2017-08

متن نمونه شتاب FPGA الگوریتم‌های محاسباتی فشرده معمولاً به دلیل تلاش‌های طولانی طراحی Verilog یا VHDL RTL که آنها نیاز دارند، عملی تلقی نمی‌شود. الگوریتم های موازی داده یک پلت فرم جایگزین برای شتاب دارند، یعنی GPU. دو زبان به طور گسترده برای برنامه نویسی GPU استفاده می شود، CUDA و OpenCL. OpenCL به دلیل قابل حمل بودن برای اکثر CPU های چند هسته ای و اکثر GPU ها، انتخاب بسیاری از کدنویس ها است. OpenCL SDK برای FPGA و سنتز سطح بالا (HLS) به طور کلی شتاب FPGA را واقعاً امکان پذیر می کند. در برنامه های موازی داده، سنتز مبتنی بر OpenCL بر HLS سنتی ترجیح داده می شود زیرا می تواند به طور یکپارچه برای GPU ها و FPGA ها مورد هدف قرار گیرد. این پایان نامه تجربیات ما را در مورد هدف قرار دادن یک الگوریتم جریان نوری تقاضا برای یک FPGA سطح بالا و همچنین یک GPU سطح بالا با استفاده از OpenCL به اشتراک می گذارد. نتایج توان و توان مصرفی در هر دو پلت فرم ارائه شده است. موازی hesaplama yapılınabilir algoritmaların hız için alternatif bir platformu vardır: GPU. GPU programlama için CUDA ve OpenCL dilleri yaygın şekilde kullanılmaktadır. OpenCL çoğu çok çekirdekli işlemci ve çoğu GPU'ya taşınabilir olması nedeniyle bir çok programcının seçeneğidir. FPGA'ler için OpenCL SDK و Yüksek Seviyeli Sentez (YSS) genel olarak FPGA hızlandırmasını gerçekten mümkün kılmaktadır. برنامه موازی uygulamalarda، geleneksel YSS'ye göre OpenCL tabanlı sentez tercih edilir çünkü sonuç hem GPU'ları hem de FPGA'leri sorunsuz bir şekilde hedef alabilir. Bu tezde، yoğun hesaplama gerektiren bir optik akış algoritmasını OpenCL kullanarak yüksek duzey bir GPU'da ve yüksek duzey bir FPGA'de çalıştırarak ulaşılan sonuçlar paylaşılmıştır. Her iki platformda da hız ve güç tüketimi sonuçları sunulmuştur.