II. RELATED WORKPrevious studies on

II. RELATED WORK

Previous studies on the energy consumption o f GPU mostly focus on desktop GPUs with comparatively less focus on embedded GPUs. Collange et al. [6] used an oscilloscope to measure the GPU energy consumption in a CUDA environment, and find out the bottleneck of a GPGPU program. Leng et al. [9] built an energy model for GPGPU using the measurement data and performance counters from GPGPU- Sim. The model can also estimate the energy consumption of GPU component. Shaikh et al. [7] profiled the power consumption of two desktop GPGPU architectures and showed that t he power dissipation of a data transfer instruction consumes less th an half of that of a kernel instruction. Ma et al. [5] chose five main GPU workload parameters to build their energy model, where the workload parameters represent the runtime utilizations of the major pipeline stages of the GPU. Hong and Kim [8] design ed a set of micro- benchmarks to stress different micro-architectural components of a GPU, and built both the power and performance model of the GPU. The above studies consider desktop GPUs whos e design objective is performance and it is different from embedded GPUs which emphasize on power. Moreover, most of the above energy models rely on low-level hardware performance counters to estimate the energy, which might not be easy to be interpreted by application programmers.

ผลลัพธ์ (ไทย) 1:

ครั้งที่สองทำงานการศึกษาก่อนหน้านี้กับ f o ของปริมาณการใช้พลังงาน GPU ส่วนใหญ่เน้นเดสก์ท็อป GPUs GPUs ฝังตัวเน้นค่อนข้างน้อย Collange et al. [6] ใช้ oscilloscope ในการวัดการใช้พลังงานของ GPU ในสภาพแวดล้อมของ CUDA และค้นหาคอขวดของโปรแกรม GPGPU เล้งร้อยเอ็ด [9] สร้างแบบจำลองพลังงานสำหรับ GPGPU ใช้วัดข้อมูลและประสิทธิภาพการทำงานเคาน์เตอร์จาก GPGPU Sim รูปแบบยังสามารถประมาณการใช้พลังงานของส่วนประกอบของ GPU อ่านร้อยเอ็ด [7] ประวัติการใช้พลังงานของสองเดสก์ท็อป GPGPU สถาปัตยกรรม และพบเขากระจายพลังงานของคำสั่งการถ่ายโอนข้อมูลใช้ th น้อยกว่าครึ่งเป็นที่ของคำสั่งเคอร์เนล Ma et al. [5] เลือกห้า GPU ปริมาณพารามิเตอร์หลักการสร้างแบบจำลองพลังงานของพวกเขา ที่พารามิเตอร์ปริมาณงานแสดง utilizations รันไทม์ระยะขั้นตอนสำคัญของ GPU Hong และคิม [8] ออกแบบ ed ที่ชุดของไมโครมาตรฐานความเครียดส่วนประกอบสถาปัตยกรรมไมโครต่าง ๆ ของ GPU และสร้างรูปแบบพลังและประสิทธิภาพของ GPU การศึกษาข้างต้นพิจารณา GPUs เดสก์ท็อปออกแบบ e ของที่วัตถุประสงค์มีประสิทธิภาพ และแตกต่างจากการฝังตัว Gpu ซึ่งเน้นการใช้พลังงาน นอกจากนี้ ส่วนใหญ่ของพลังงานข้างต้นพึ่งเคาน์เตอร์วัดประสิทธิภาพของฮาร์ดแวร์ระดับต่ำการประเมินพลังงาน ซึ่งอาจไม่ต้องตีความ โดยโปรแกรมเมอร์แอพลิเคชัน

ผลลัพธ์ (ไทย) 2:

ครั้งที่สอง งานที่เกี่ยวข้องศึกษาก่อนหน้านี้ในการใช้พลังงานของ GPU ส่วนใหญ่มุ่งเน้นไปที่ GPUs สก์ท็อปที่มีความสำคัญน้อยลงในการเปรียบเทียบ GPUs ฝังตัว Collange et al, [6] ใช้สโคปในการวัดการใช้พลังงานของ GPU ในสภาพแวดล้อมที่ CUDA และหาคอขวดของโปรแกรม GPGPU ที่ เล้ง et al, [9] สร้างรูปแบบการใช้พลังงานสำหรับ GPGPU โดยใช้ข้อมูลการวัดและเคาน์เตอร์ประสิทธิภาพจาก GPGPU- ซิม รูปแบบนอกจากนี้ยังสามารถที่จะประเมินการใช้พลังงานขององค์ประกอบ GPU เชค, et al [7] ประวัติการใช้พลังงานของสองสถาปัตยกรรมเดสก์ทอป GPGPU และแสดงให้เห็นว่า t เขากระจายอำนาจของการเรียนการสอนการถ่ายโอนข้อมูลสิ้นเปลืองน้อย TH ครึ่งของการเรียนการสอนเคอร์เนล Ma, et al [5] เลือกห้าพารามิเตอร์ GPU ภาระงานหลักในการสร้างรูปแบบการพลังงานของพวกเขาที่พารามิเตอร์ภาระงานเป็นตัวแทนของปริมาณการใช้งานรันไทม์ของขั้นตอนสายหลักของ GPU ฮ่องกงและคิม [8] เอ็ดออกแบบชุดของมาตรฐานไมโครจะเน้นส่วนประกอบไมโครสถาปัตยกรรมที่แตกต่างกันของ GPU และสร้างทั้งพลังและประสิทธิภาพของ GPU รุ่นที่ การศึกษาดังกล่าวข้างต้นพิจารณา GPUs สก์ท็อป whos วัตถุประสงค์การออกแบบ E คือประสิทธิภาพการทำงานและมันจะแตกต่างจาก GPUs ฝังตัวที่เน้นการใช้พลังงาน นอกจากนี้ส่วนใหญ่ของรูปแบบการใช้พลังงานดังกล่าวข้างต้นพึ่งพาระดับต่ำเคาน์เตอร์ประสิทธิภาพของฮาร์ดแวร์ที่จะประเมินพลังงานซึ่งอาจจะไม่ง่ายที่จะถูกตีความโดยเขียนโปรแกรมประยุกต์