Метод прискорення виконання задач нейронних мереж на гетерогенних системах CPU-GPU

Пустовіт, О. М.; Череватенко, О. В.; Пустовіт, Л. М.; Русінов, В. В.

Головна сторінка IRChNUT
→
ПЕРІОДИЧНІ ВИДАННЯ НУ «Чернігівська політехніка»
→
Технічні науки та технології: науковий журнал
→
2021
→
Технічні науки та технології. – 2021. – №2 (24)
→
Перегляд матеріалів

dc.contributor.author	Русінов, В. В.
dc.contributor.author	Череватенко, О. В.
dc.contributor.author	Пустовіт, Л. М.
dc.contributor.author	Пустовіт, О. М.
dc.date.accessioned	2021-10-27T16:47:09Z
dc.date.available	2021-10-27T16:47:09Z
dc.date.issued	2021
dc.identifier.uri	http://ir.stu.cn.ua/123456789/24136
dc.description	Русінов, В. В. Метод прискорення виконання задач нейронних мереж на гетерогенних системах CPU-GPU / В. В. Русінов, О. В. Череватенко, Л. М. Пустовіт, О. М. Пустовіт // Технічні науки та технології. – 2021. – № 2(24). – С. 131-140.	en_US
dc.description.abstract	У статті розглянуто питання використання гетерогенних систем CPU-GPU для прискорення вирішення задач, пов’язаних із навчанням нейронних мереж. Досліджено основні архітектурні відомості, застосовані в кінцевій архітектурі гетерогенної системи. Розроблено метод на основі лінійної регресії для розподілу задачі між процесором та відеоприскорювачем. На основі методу, проведені експериментальні дослідження на зазначених системах. На основі отриманих результатів був проведений аналіз на основі визначених коефіцієнтів прискорення.	en_US
dc.language.iso	uk	en_US
dc.publisher	Чернігів : НУ «Чернігівська політехніка»	en_US
dc.relation.ispartofseries	Технічні науки та технології;№2(24)
dc.subject	гетерогенні системи	en_US
dc.subject	нейронні мережі	en_US
dc.subject	машинне навчання	en_US
dc.subject	CPU	en_US
dc.subject	GPU	en_US
dc.subject	heterogeneous systems	en_US
dc.subject	neural networks	en_US
dc.subject	machine learning	en_US
dc.title	Метод прискорення виконання задач нейронних мереж на гетерогенних системах CPU-GPU	en_US
dc.title.alternative	Method of acceleration of neural network tasks on heterogeneous CPU-GPU systems	en_US
dc.type	Article	en_US
dc.description.abstractalt1	Research areas related to heterogeneous computing are currently underdeveloped. In machine learning, huge efforts are directed towards creating more efficient algorithms and getting more performance from GPUs. There is also a growing demand for the use of neural networks in many practical areas, since many large companies are developing intelligent systems that work directly with Big Data solutions. General purpose of GPU computing hands GPUs time-consuming tasks, however there is limited research on the capabilities of heterogeneous systems. Neural networks as a way to find solutions to practical problems are becoming more widespread every day. In this regard, there is a demand for high-performance computer systems. Articles dealing with heterogeneous systems provide promising results. Heterogeneous CPU-GPU systems, although not well understood, have been shown to speed up tasks associated with image processing and big data tasks. Most modern machine learning articles and libraries perform tasks on CPUs or GPUs, however, heterogeneous systems have not been sufficiently investigated for possibilities in machine learning tasks. The aim of the study is to develop an algorithm for scheduling a problem for a heterogeneous system and to carry out a comparative analysis of the results on the use of homogeneous systems. An algorithm for scheduling a problem for a heterogeneous system based on a linear regression model is described, the problem which is modeled is shown and a comparative analysis of the results of various heterogeneous systems is carried out. The results show that the heterogeneous approach is effective in neural network tasks. From the results we can conclude that the program takes advantage of new processors and GPU performance acceleration in the range of 1.11 to 4.39, as well as CPU performance acceleration in the range of 0.96 to 3.48 show that in most cases, CPU performance can be improved if the GPU is used at the same time.	en_US