Aula18_2014-1

Prévia do material em texto

Organização de Computadores II 
DCC007 
Prof. Omar Paranaiba Vilela Neto 
Aula 18 – GPU 
Histórico 
• Final da década de 90: GPUs originais eram dispositivos 
dedicados para gerar gráficos 3D, incluindo unidades de pontos 
flutuante de alto desempenho 
• Placas gráfica para PCs; 
• Usuário podia controlar o pipeline gráfico, mas não 
programá-lo. 
 
• 2001-2005: Mais programabilidade foram adicionadas 
• Ex.: linguagem Cg para escrever pequenos programas para 
rodar em píxels. Também a variação Windows DirectX; 
• Massivamente paralelo (milhões de pixels por frame), mas 
muito limitado na programação. 
Histórico 
• 2001-2005: Alguns usuários observaram que era possível realizar 
computação de propósito geral mapeando dados de entrada e saída 
em imagens. 
• Extremamente difícil de programar devido às limitações. 
 
• 2006: Nvidia introduziu a GeForce 8800 GPU dando suporte a 
uma nova linguagem de programação: CUDA 
• “Compute Unified Device Architecture” 
• Em seguida, o mercado lançou o OpenCL. 
Ideia 
• Tirar vantagem do desempenho computacional da GPU e 
largura de banda da memória para acelerar a computação 
de propósito geral; 
 
• Modelo de processador anexado: CPU dispara dados 
paralelos para execução na GPU; 
 
Vamos ver o CUDA para 
propósito geral 
Modelo Simplificado de 
Programação CUDA 
Em CUDA a computação é realizada por um grande número de 
pequenas threads independentes (CUDA threads ou microthreads) 
agrupadas em blocos. 
Single Instruction Multiple 
Thread 
• GPU usa modelo SIMT, onde streams de instruções 
individuais para cada thread CUDA são agrupadas para 
execução SIMD no hardware (Nvidia agrupa 32 threads 
CUDA em um warp). 
 
Modelo de Execução em 
Hardware 
• GPU são feitas de múltiplos cores paralelos. Cada core contém 
um processador multithread SIMD com múltiplas raias, mas 
sem processador escalar. 
 
• CPU envia um “grid” inteiro para a GPU, que distribui blocos de 
thread entre os cores (cada bloco de thread executa em um 
core). 
 
Implicações do Modelo SIMT 
• Todos os load e stores de vetores são scatter-gather, já 
que microthreads individuais realizam load e store scalar. 
• GPU adiciona hardware para dinamicamente “agregar” 
microthreads de load e store individuais para “imitar” load e 
store vetorial; 
 
• Cada microthread tem que executar cálculos de 
stripmining redundantes (estou ativa?) já que não há 
equivalente de processador escalar; 
 
• Se existe controle divergente, necessita de atributo. 
 
GPGPUs são multithreads 
SIMD 
Nvidia Fermi GF100 GPU 
Fermi “Streaming 
Multiprocessor” Core 
Fermi “Streaming 
Multiprocessor” Core 
Apenas para 
processamento 
gráfico. 
Informações 
Revisão de Provas 
• Dias: 03/06 e 05/06 
 
• Sala 4031 
 
• Horário: 13:00h às 16:00h 
 
• Obs: Caso não me encontrem na sala, procure novamente dentro 
do horário indicado.. 
Informações 
Exame Especial 
• 16/06/2014 
 
• Sala 2014 
 
• Horário: 13:30h às 15:30h 
 
• Obs: Quem perdeu alguma prova deve usar o Exame especial 
como substitutiva. Caso necessário, uma nova prova será aplicada. 
Propaganda 
Nanocomputação 
• Disciplina optativa – 2º semestre 
• Seg e qua. 13h – Pode mudar 
 
• Computação além do silício! 
 
• Avaliação: 
• Participação; 
• Trabalhos; 
• Seminários.