Prédire la performance du GPU à partir des exécutions CPU en utilisant l'apprentissage automatique

Les unités de traitement graphique (GPU) peuvent offrir des gains de performance considérables par rapport aux processeurs généraux. Cependant, l'amélioration de la performance du GPU varie considérablement selon les applications. Porter des applications sur des GPU en réécrivant le code avec des langages spécifiques aux GPU nécessite un effort significatif. Par conséquent, il est souhaitable de prédire quelles applications bénéficieraient le plus avant de les porter sur le GPU. Cet article montre que les techniques d'apprentissage automatique peuvent construire des modèles prédictifs précis pour l'accélération des GPU. Cette étude présente une approche qui applique des algorithmes d'apprentissage supervisé pour inférer des modèles prédictifs, basés sur des données de profil dynamique collectées via des exécutions instrumentées sur des processeurs généraux. Pour un ensemble de 18 benchmarks parallèles, les résultats montrent qu'un petit ensemble de caractéristiques facilement accessibles peut prédire l'ampleur des gains de vitesse du GPU sur deux GPU haut de gamme différents, avec des précisions variant entre 77 % et 90 %, selon le mécanisme de prédiction et le scénario. Pour des applications déjà portées, des modèles similaires peuvent prédire le meilleur appareil pour exécuter une application avec une précision effective de 91 %.