|
搜索
搜 索
高等教育領域數(shù)字化綜合服務平臺
一種 GPU 上基于內(nèi)存統(tǒng)一管理的 MapReduce 實現(xiàn)方法
本發(fā)明公開了一種 GPU 上基于內(nèi)存統(tǒng)一管理的 MapReduce 實 現(xiàn)方法，包括：初始化 GPU 的塊大小為 Bs，每個塊中的線程數(shù)目 N， 輸入數(shù)據(jù)量大小 M；在全局內(nèi)存上為 GPU 的每個塊分配一個中間數(shù)據(jù) 緩沖區(qū)，同時分配一個全局結果緩沖區(qū)；對 p%的輸入數(shù)據(jù)進行預處理， 在中間數(shù)據(jù)緩沖區(qū)中收集 map 任務計算結果和歸約頻率信息；根據(jù)鍵 值對的歸約頻率，對中間結果進行排序，保存鍵值對索引信息到排序 結果緩
華中科技大學
2021-04-14
一種基于 GPU 和 CPU 混合平臺的高速無損數(shù)據(jù)壓縮方法
本發(fā)明公開了一種基于 GPU 和 CPU 混合平臺的高速無損數(shù)據(jù) 壓縮方法，包括：CPU 讀取待壓縮數(shù)據(jù)文件，將該待壓縮數(shù)據(jù)文件從 內(nèi)存拷貝到 GPU 的全局存儲器中，設置 GPU 上的線程塊組 bk[a]，每 個線程塊中的線程個數(shù) b，設置壓縮字典窗口的長度為 c，并設置指向 第一個壓縮字典窗口的頭部指針為 p_dic_h，設置預讀窗口大小為 d， 指 向 第 一 個 預 讀 窗 口 的 指 針 p_pre_r ， 該 指 針
華中科技大學
2021-04-14
一種基于 GPU/CPU 混合架構的流程序多粒度劃分與調(diào)度方法
本發(fā)明公開了一種基于 GPU/CPU 混合架構的流程序多粒度劃分與調(diào)度方法，包括：根據(jù)數(shù)據(jù)流程序各個任務的計算特點以及任務之間的數(shù)據(jù)通信量，將任務分配到合適的計算平臺上；利用 GPU 端任務的并行性將其均衡分裂到各個 GPU，以避免 GPU 間高額的通信開銷；通過選擇 CPU 核，將 CPU 端各任務均衡分配給各 CPU 核，以保證負載均衡并提高 CPU 核的利用率；采用多種數(shù)據(jù)存儲結構和多種訪問類型的方法，以提高內(nèi)存的訪問效率；通過生成目標模板類和壓縮目標結點的個數(shù)，降低目標代碼的冗余量。本發(fā)明在
華中科技大學
2021-04-14
一種基于眾核和 GPU 的網(wǎng)絡視頻流不良內(nèi)容檢測方法和系統(tǒng)
本發(fā)明公開了一種基于眾核和 GPU 的網(wǎng)絡視頻流不良內(nèi)容檢測方法，包括：在眾核計算平臺下獲取網(wǎng)絡數(shù)據(jù)包，對網(wǎng)絡數(shù)據(jù)包進行分類，以提取網(wǎng)絡數(shù)據(jù)包中的視頻數(shù)據(jù)包，對視頻數(shù)據(jù)包進行重組，按照網(wǎng)絡視頻流編碼的語法對重組后的視頻數(shù)據(jù)包進行解碼，以生成圖像序列，GPU 采用基于紋理檢測和膚色點檢測相結合的方法對圖像序列進行預處理，以確定疑似不良圖像，GPU 采用 SVM 對疑似不良圖像進行精確處理，以確定不良圖像。本發(fā)明只需獲取網(wǎng)絡數(shù)據(jù)包，即可識別出視頻流，直接對視頻流進行解碼后，采用圖像匹配檢測技術即可識別該視頻流是否含有不良信息。
華中科技大學
2021-04-11
一種經(jīng) GPU 加速的浸沒邊界-格子玻爾茲曼流固耦合模擬方法
本發(fā)明提供一種經(jīng) GPU 加速的浸沒邊界-格子玻爾茲曼流固耦合模擬方法，步驟如下：在專業(yè)前處 理軟件中建立待測結構體及其內(nèi)部流體的浸沒邊界體型，并劃分邊界網(wǎng)格以供程序讀取；程序讀取邊界 體型數(shù)據(jù)，設置所需測量點的邊界條件和程序模型參數(shù)；根據(jù)邊界當前時刻構型和參考構型利用有限元 法計算邊界施加在流體上的作用力；將邊界的作用力經(jīng)由狄拉克函數(shù)擴散至周邊流體；利用格子玻爾茲 曼方法求解攜帶外力項的納維-斯托克斯方程；同樣經(jīng)由狄拉克函數(shù)將流體速度插值到邊界上得到邊界 的移動速度，進而更新邊界位置；重復步驟 3-6，直至達到計算終點。本發(fā)明能夠處理任意形狀的結構 體，計算過程中不需要重構底層流體網(wǎng)格，計算效率高。
武漢大學
2021-04-13