Vorhersage der GPU-Leistung aus CPU-Durchläufen mithilfe von maschinellem Lernen

Grafikprozessoren (GPUs) können erhebliche Leistungssteigerungen gegenüber Prozessoren für allgemeine Zwecke bieten. Allerdings variieren die Leistungsverbesserungen von GPUs erheblich zwischen den Anwendungen. Anwendungen auf GPUs zu portieren, indem der Code mit GPU-spezifischen Sprachen umgeschrieben wird, erfordert erheblichen Aufwand. Daher ist es wünschenswert vorherzusagen, welche Anwendungen am meisten profitieren würden, bevor sie auf die GPU portiert werden. Diese Arbeit zeigt, dass Techniken des maschinellen Lernens genaue Vorhersagemodelle für die GPU-Beschleunigung aufbauen können. Diese Studie präsentiert einen Ansatz, der überwachte Lernalgorithmen anwendet, um Vorhersagemodelle zu inferieren, basierend auf dynamischen Profildaten, die über instrumentierte Durchläufe auf Prozessoren für allgemeine Zwecke gesammelt wurden. Für eine Reihe von 18 parallelen Benchmarks zeigen die Ergebnisse, dass eine kleine Menge leicht zu beschaffender Merkmale die Größe der GPU-Beschleunigungen auf zwei verschiedenen High-End-GPUs vorhersagen kann, mit Genauigkeiten zwischen 77 % und 90 %, abhängig vom Vorhersagemechanismus und Szenario. Für bereits portierte Anwendungen können ähnliche Modelle das beste Gerät vorhersagen, um eine Anwendung mit einer effektiven Genauigkeit von 91 % auszuführen.