基于OpenCL的均值平移算法在多个众核平台的性能优化研究  

Research on Mean Shift Algorithm Using OpenCL on Multiple Many-core Platforms

作　　者：庞旭[1,2] 张云泉[1,3] 龙国平[1] 贾海鹏[1,4] 颜深根[1,3,2] 

机构地区：[1]中国科学院软件研究所并行软件与计算科学实验室,北京100190 [2]中国科学院大学,北京100190 [3]中国科学院软件研究所计算机科学国家重点实验室,北京100190 [4]中国海洋大学信息科学与工程学院,青岛266100

出　　处：《计算机科学》2013年第3期79-85,110,共8页Computer Science

基　　金：国家自然科学基金项目(60303020;60533020);国家自然科学基金重点项目(60503020);国家自然科学基金青年基金项目(61100072);国家"863"计划基金资助项目(2012AA010902);ISCAS-AMD联合fusion软件中心资助

摘　　要：OpenCL作为一种面向多种平台、通用目的的编程标准,已经对许多应用程序进行了加速。由于平台硬件和软件环境的差异,通用的优化方法不一定在所有平台都有很好的加速。通过对均值平移算法在GPU和APU平台的优化,探讨了不同平台各种优化方法的贡献力,一方面研究各个平台的计算特性,另一方面体会不同优化方法的优劣,在优劣的相互转化中寻求最优的解决方案。实验表明,算法并行优化前、后在AMD 5850、Tesla C2050和APU A6-3650上分别达到了9.68、5.74和1.27倍加速,并行相比串行程序达到79.73、93.88和2.22倍加速,前两个平台OpenCL版本相比,CUDA版本的OpenCV程序达到1.27和1.24倍加速。As a general-purpose programming standard for multiple platforms, OpenCL has accelerated many applica- tions. Due to the differences of different platforms in hardware and software environments, general optimization methods may not accelerate the application well for all. Taking the optimization of the mean shift algorithm on GPU and APU platforms as an example, the paper provided several insights on contributions of various optimization methods on different platforms. On one hand, we explored the architectures of different platforms. On the other hand, we compared the pros and cons of different optimization methods. Based on meticulous evaluations of the pros and cons, we looked for the opti- mal solution. Experimental results show that, on AM]） 5850,Tesla C2050 and APU A6-3650 platforms, the optimized algorithm achieves 9.68 ×, 5.74 × and 1.27 ×speedups, respectively, and 79.73×, 93.88× and 2. 22 × speedups com- pared to the serial version, respectively, and 1.27× and 1.24 ×speedups compared to the CUDA version OpenCV pro- gram for the first two platforms, respectively.

关 键 词：GPU APU OPENCL 均值平移算法 

分 类 号：TP302[自动化与计算机技术—计算机系统结构]