Most work in GPU computing over the

Most work in GPU computing over the last few years
has been performed using NVIDIA’s CUDA architecture.
The NVIDIA CUDA Programming Guide lists many
optimization strategies useful for extracting peak performance
on NVIDIA GPUs [11]. In [5], [6], [8], [9], Ryoo et
al. present optimization principles of a GPU using CUDA.
They conclude that though the optimizations assist in improving
performance, the optimization space is large and
tedious to explore by hand. In [12], Volkov et al. argue that
the GPU should be viewed as being composed of multithreaded
vector units and infer that one should make explicit
use of registers as primary on-chip memory as well as using
short vectors to conserve bandwidth.

ผลลัพธ์ (ไทย) 1:

งานส่วนใหญ่ใน GPU ที่ใช้งานไม่กี่ปีมีการใช้สถาปัตยกรรม CUDA ของ NVIDIANVIDIA CUDA เขียนรายการแนะนำรายการจำนวนมากกลยุทธ์เพิ่มประสิทธิภาพที่มีประโยชน์สำหรับการดึงข้อมูลประสิทธิภาพสูงสุดบน NVIDIA GPUs [11] ใน [5], [6], [8], [9], Ryoo ร้อยเอ็ดal. นำเสนอหลักการเพิ่มประสิทธิภาพของ GPU ใช้ CUDAพวกเขาสรุปว่า แม้ว่าการเพิ่มประสิทธิภาพช่วยในการปรับปรุงประสิทธิภาพ ปรับพื้นที่มีขนาดใหญ่ และน่าเบื่อได้ด้วยมือ ใน [12], al. และ Volkov โต้เถียงที่GPU ควรใช้เป็นการประกอบให้เวกเตอร์หน่วย และเข้าใจว่า หนึ่งควรทำให้ชัดเจนใช้เป็นหน่วยความจำในชิหลักตลอดจนใช้ทะเบียนเวกเตอร์สั้น ๆ เพื่อประหยัดแบนด์วิธ

ผลลัพธ์ (ไทย) 2:

ส่วนใหญ่ทำงานในการคำนวณ GPU ในช่วงไม่กี่ปีที่ผ่านมา
ได้รับการดำเนินการโดยใช้สถาปัตยกรรมของ NVIDIA CUDA.
คู่มือ NVIDIA CUDA การเขียนโปรแกรมแสดงหลาย
กลยุทธ์การเพิ่มประสิทธิภาพที่มีประโยชน์สำหรับการสกัดประสิทธิภาพสูงสุด
ใน NVIDIA GPUs [11] ใน [5], [6], [8], [9] Ryoo และ
อัล หลักการการเพิ่มประสิทธิภาพปัจจุบันของ GPU โดยใช้ CUDA.
พวกเขาสรุปว่าแม้การเพิ่มประสิทธิภาพช่วยในการปรับปรุง
ประสิทธิภาพการทำงานเพิ่มประสิทธิภาพของพื้นที่ที่มีขนาดใหญ่และ
น่าเบื่อในการสำรวจด้วยมือ ใน [12], วอลคอฟและคณะ ยืนยันว่า
GPU ควรจะถูกมองว่าเป็นแบบมัลติเธรดประกอบด้วย
หน่วยเวกเตอร์และสรุปว่าควรจะทำอย่างชัดเจน
ของการลงทะเบียนการใช้เป็นหน่วยความจำบนชิปหลักรวมทั้งการใช้
เวกเตอร์สั้นเพื่อการอนุรักษ์แบนด์วิดธ์

ผลลัพธ์ (ไทย) 3:

ส่วนใหญ่ทำงานใน GPU Computing กว่าไม่กี่ปีล่าสุด
ได้รับการปฏิบัติโดยใช้สถาปัตยกรรม CUDA ของ NVIDIA .
NVIDIA CUDA การเขียนโปรแกรมคู่มือรายการของกลยุทธ์การเพิ่มประสิทธิภาพที่มีประสิทธิภาพสูงสุดสกัดมากมาย

บน NVIDIA GPUs [ 11 ] ใน [ 5 ] [ 6 ] , [ 8 ] , [ 9 ] ,
ริวและอัล ปัจจุบันการใช้หลักการของ GPU CUDA .
พวกเขาสรุปได้ว่าแม้ว่าการเพิ่มประสิทธิภาพช่วยในการปรับปรุง
ประสิทธิภาพการเพิ่มประสิทธิภาพของพื้นที่มีขนาดใหญ่และ
น่าเบื่อที่จะสำรวจโดยมือ ใน [ 12 ] , โวลค็อฟ et al . ยืนยันว่า
GPU ควรจะดูเป็นประกอบด้วยหลายเธรด
หน่วยเวกเตอร์และอนุมานว่าหนึ่งควรใช้ประโยชน์ที่ชัดเจนของการลงทะเบียนเป็นหน่วยความจำบน

เวกเตอร์สั้น รวมทั้งใช้เพื่อประหยัดแบนด์วิดธ์