सीपीयू रन से जीपीयू प्रदर्शन की भविष्यवाणी मशीन लर्निंग का उपयोग करते हुए

ग्राफिक्स प्रोसेसिंग यूनिट्स (जीपीयू) सामान्य उद्देश्य प्रोसेसरों की तुलना में considerable प्रदर्शन वृद्धि प्रदान कर सकते हैं। हालांकि, जीपीयू प्रदर्शन में सुधार विभिन्न एप्लिकेशन के बीच काफी भिन्न होता है। जीपीयू-विशिष्ट भाषाओं के साथ कोड को फिर से लिखने के द्वारा एप्लिकेशनों को जीपीयू पर पोर्ट करना महत्वपूर्ण प्रयास की आवश्यकता होती है। इसलिए, यह जानना महत्वपूर्ण है कि किन एप्लिकेशनों को जीपीयू पर पोर्ट करने से सबसे अधिक लाभ होगा। यह पेपर दिखाता है कि मशीन लर्निंग तकनीकें जीपीयू त्वरक के लिए सटीक पूर्वानुमान मॉडल बना सकती हैं। यह अध्ययन एक दृष्टिकोण प्रस्तुत करता है जो सुपरवाइज्ड लर्निंग एल्गोरिदम का उपयोग करके पूर्वानुमान मॉडल को निरूपित करता है, जो सामान्य उद्देश्य प्रोसेसरों पर instrumented रन के माध्यम से एकत्रित गतिशील प्रोफ़ाइल डेटा पर आधारित है। 18 समांतर बेंचमार्क के सेट के लिए, परिणाम दिखाते हैं कि एक छोटे से सरलता से प्राप्त होने वाले विशेषताओं का सेट दो विभिन्न उच्च अंत जीपीयू पर जीपीयू स्पीडअप की मात्रा का पूर्वानुमान करने में सक्षम है, जिसमें सटीकता 77% से 90% के बीच भिन्न होती है, जो पूर्वानुमान तंत्र और परिदृश्य के अनुसार होती है। पहले से पोर्ट की गई एप्लिकेशनों के लिए, समान मॉडल एक एप्लिकेशन को चलाने के लिए सबसे अच्छे उपकरण की पूर्वानुमान कर सकते हैं, जिसमें 91% की प्रभावी सटीकता है।