GPUs have evolved to programmable,

GPUs have evolved to programmable, energy efficient compute
accelerators for massively parallel applications. Still,
compute power is lost in many applications because of cycles
spent on data movement and control instead of computations
on actual data. Additional cycles can be lost as well
on pipeline stalls due to long latency operations.
To improve performance and energy efficiency, we introduce
GPU-CC: a re-configurable GPU architecture with communicating
cores. It is based on a contemporary GPU, which
can still be used as such, but also has the ability to reorganize
the cores of a GPU in a re-configurable network. In
GPU-CC data movement and control is implicit in the con-
figuration of the communication network. Additionally each
core executes a fixed instruction, reducing instruction decode
count and increasing energy efficiency. We show a large
performance potential for GPU-CC, e.g. 1.9× and 2.4× for
a 3×3 and 5×5 convolution application. The hardware cost
of GPU-CC is mainly determined by the buffers in the added
network, which amounts to 12.4% of extra memory space.

ผลลัพธ์ (ไทย) 1:

มีพัฒนาเพื่อคำนวณการประหยัดพลังงาน โปรแกรม GPUsช่วยสำหรับการใช้งานพร้อมกันอย่างหนาแน่น ยังคงพลังงานจะหายไปในโปรแกรมประยุกต์หลายโปรแกรมเนื่องจากวงจรคำนวณใช้ในการเคลื่อนย้ายข้อมูลและตัวควบคุมแทนการประมวลผลข้อมูลจริง วงจรเพิ่มเติมอาจสูญหายได้เป็นอย่างดีในร้านท่อเนื่องจากยาวแฝงการดำเนินงานเพื่อปรับปรุงประสิทธิภาพการทำงานและประสิทธิภาพการใช้พลังงาน เราแนะนำGPU-CC: เป็นการกำหนด GPU สถาปัตยกรรมกับการสื่อสารแกน มันขึ้นอยู่กับ GPU ร่วมสมัย ซึ่งคุณยังคงสามารถใช้เป็น แต่ยัง มีความสามารถในการจัดระเบียบใหม่แกนของ GPU ในเครือข่ายสามารถกำหนดค่าใหม่ ในย้ายข้อมูล GPU CC และควบคุมคือความนัยในคอนfiguration ของเครือข่ายสื่อสาร นอกจากนี้แต่ละหลักดำเนินการคำสั่งถาวร การลดคำสั่งถอดรหัสจำนวนและประสิทธิภาพการใช้พลังงานเพิ่มขึ้น แสดงขนาดใหญ่มีศักยภาพประสิทธิภาพสำหรับ GPU-CC เช่น 1.9 ×และ× 2.4 สำหรับสมัครแบบ convolution 3 × 3 และ 5 × 5 ต้นทุนฮาร์ดแวร์ของ GPU CC ส่วนใหญ่กำหนด โดยบัฟเฟอร์ในการเพิ่มเครือข่าย ซึ่งจำนวนถึง 12.4% ของพื้นที่หน่วยความจำเสริม

ผลลัพธ์ (ไทย) 2:

GPUs
ที่จะมีการพัฒนาโปรแกรมที่มีประสิทธิภาพการคำนวณพลังงานเร่งสำหรับการใช้งานแบบขนานอย่างหนาแน่น ยังคงคำนวณกำลังจะสูญหายในการใช้งานจำนวนมากเพราะรอบที่ใช้ในการเคลื่อนย้ายข้อมูลและการควบคุมแทนการคำนวณข้อมูลที่เกิดขึ้นจริง รอบเพิ่มเติมสามารถดูได้ที่หายไปเช่นกัน. ในคอกม้าท่อเนื่องจากการดำเนินงานแฝงยาวเพื่อปรับปรุงประสิทธิภาพและการประหยัดพลังงานเราแนะนำGPU-CC: สถาปัตยกรรม GPU ใหม่ที่กำหนดสื่อสารกับแกน มันขึ้นอยู่กับ GPU ที่ร่วมสมัยซึ่งยังสามารถใช้เป็นเช่นนี้แต่ยังมีความสามารถในการจัดระเบียบแกนของ GPU ในเครือข่ายใหม่ที่กำหนดรูป ในการเคลื่อนย้ายข้อมูล GPU-CC และการควบคุมเป็นนัยในทำาเค้าโครงของเครือข่ายการสื่อสาร นอกจากนี้ในแต่ละแกนดำเนินการเรียนการสอนคงลดการเรียนการสอนถอดรหัสนับและการเพิ่มประสิทธิภาพการใช้พลังงาน เราแสดงที่มีขนาดใหญ่ที่มีศักยภาพการปฏิบัติงานสำหรับ GPU-CC เช่น 1.9 × 2.4 ×และสำหรับ 3 × 5 และ 3 × 5 แอปพลิบิด ค่าใช้จ่ายด้านฮาร์ดแวร์ของ GPU-CC จะถูกกำหนดโดยส่วนใหญ่บัฟเฟอร์ในการเพิ่มเครือข่ายซึ่งจะมีจำนวน12.4% ของพื้นที่หน่วยความจำเสริม

ผลลัพธ์ (ไทย) 3:

ต่อได้พัฒนาโปรแกรมคำนวณพลังงานที่มีประสิทธิภาพสำหรับการใช้งานแบบขนาน
เร่งมาก ยังคง ,
ใช้พลังงานสูญหายในการใช้งานมาก เพราะวงจรที่ใช้ในการเคลื่อนไหวและการควบคุมข้อมูล

แทนการคำนวณข้อมูลที่แท้จริง รอบเพิ่มเติมสามารถสูญเสียเช่นกัน
บนแผงลอยท่อเนื่องจากการแฝงนาน .
เพื่อปรับปรุงประสิทธิภาพ และประหยัดพลังงานเราแนะนำ
gpu-cc : Re กำหนด GPU สถาปัตยกรรมกับการสื่อสาร
แกน มันขึ้นอยู่กับ GPU ร่วมสมัยซึ่ง
ยังสามารถใช้เป็น แต่ยังมีความสามารถในการจัดระเบียบ
คอร์ของ GPU ใน re สามารถกำหนดค่าเครือข่าย ใน
gpu-cc ข้อมูลการเคลื่อนไหวและการควบคุมโดยนัยในคอน -
คำอุปมาของการสื่อสารเครือข่าย นอกจากนี้แต่ละ
core รันสอนถาวรลดการถอดรหัส
นับและเพิ่มประสิทธิภาพการใช้พลังงาน เราแสดงศักยภาพขนาดใหญ่
สำหรับ gpu-cc เช่น 1.9 ××สำหรับ 2.4
3 × 3 × 5 สังวัตนาการประยุกต์ใช้ ฮาร์ดแวร์ของค่าใช้จ่าย
gpu-cc ถูกกำหนดโดยส่วนใหญ่เป็นบัฟเฟอร์ใน
เครือข่าย ยอดเงินที่ 12.4 % ของพื้นที่หน่วยความจำพิเศษ