RANCANG BANGUN PENGENALAN ANGKA MENGGUNAKAN MULTI GPU PADA PLATFORM CUDA

Ukuran: px

Mulai penontonan dengan halaman:

Download "RANCANG BANGUN PENGENALAN ANGKA MENGGUNAKAN MULTI GPU PADA PLATFORM CUDA"

Inge Johan
7 tahun lalu
Tontonan:

1 BIDANG KEAHLIAN JARINGAN CERDAS MULTIMEDIA (GAME TECHNOLOGY) JURUSAN TEKNIK ELEKTRO FAKULTAS TEKNOLOGI INDUSTRI INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA RANCANG BANGUN PENGENALAN ANGKA MENGGUNAKAN MULTI GPU PADA PLATFORM CUDA Lukmanul Hakim Pembimbing : Mochamad Hariadi, ST., MSc., PhD.

2 Daftar Isi Latar Belakang Rancangan Sistem Pengujian Sistem Kesimpulan

3 Daftar Isi Latar Belakang Metode Penelitian Pengujian Sistem Kesimpulan

4 Latar Belakang Sebuah GPU pada awalnya adalah sebuah prosesor yang berfungsi khusus untuk melakukan rendering pada kartu grafik saja. Tetapi seiring dengan semakin meningkatnya kebutuhan rendering, terutama untuk mendekati waktu proses yang realtime sebagaimana kenyataan sesungguhnya, maka meningkat pula kemampuan prosesor grafik tersebut. Bahkan akselerasi peningkatan teknologi GPU ini lebih cepat daripada peningkatan teknologi prosesor yang sesungguhnya(cpu)*. *Nvidia CUDA Programming Guide

5 Latar Belakang Proses pengenalan angka oleh komputer memerlukan daya komputasi yang besar untuk mencapai nilai akurasi yang tinggi. Semakin tinggi nilai akurasi yang diinginkan, semakin besar pula daya komputasi yang harus disediakan. Penelitian ini mengimplementasikan program pengenalan angka yang pada awalnya dijalankan pada CPU, dengan dijalankan pada single GPU, dan multi GPU. *Nvidia CUDA Programming Guide

6 Latar Belakang GPU vs CPU Peak Performance

7 Latar Belakang GPU vs CPU Bandwidth Transfer 7

8 Rumusan Masalah The main issues in multi GPU environment "In computer graphics too much is not enough Jon Peddie, 1981.* *Dr. Jon Peddie is one of the pioneers of the graphics industry.

9 Latar Belakang

10 Rumusan Masalah Kebutuhan memanfaatkan kemampuan komputasi GPU. Cara menggabungkan kemampuan lebih dari 1 GPU untuk mendapat tenaga komputasi yang lebih besar lagi. Pentingnya menggunakan tenaga komputasi GPU untuk membantu kerja CPU.

11 Batasan Masalah Media komputasi yang digunakan adalah platform NVIDIA CUDA Waktu Tunda akibat bottle-neck pada saat proses mengkopi memori adalah diabaikan. Hardware: RAM:2GBDDR3 GPU:[2]GeForce9600GTPCIe16X,1024MBDDR2,64CUDACore Software: OS: Debian GNU/ Linux squeeze/sid, kernel bigmem CCompiler:gcc4.3,nvcc2.3 Library: NVIDIA CUDA, OpenGL, GLSL, TCL TK 3rd Party : VMD (Visual Molecular Dynamic), PDB (Protein Data Bank)

12 Daftar Isi Latar Belakang Metode Penelitian Pengujian Sistem Kesimpulan

13 Metode Penelitian

14 * Gambar diambil dari NVIDIA CUDA Programming Guide 2.3 Arsitektur CPU dan GPU

15 * Gambar diambil dari NVIDIA CUDA Programming Guide 2.3 Thread, Block, dan Grid

16 Implementasi Pada GPU

17 Daftar Isi Latar Belakang Metode Penelitian Pengujian Sistem Kesimpulan

18 Pengujian Sistem Pengujian berdasarkan waktu eksekusi program yang diperlukan. Pengujian berdasarkan load CPUyang terjadi.

19 Pengujian Sistem Waktu Eksekusi

20 Pengujian Sistem Load CPU

21 Daftar Isi Latar Belakang Metode Penelitian Pengujian Sistem Kesimpulan

22 Kesimpulan Penggunaan Multi GPU dapat mempercepat waktu proses dalam mengekseskusi program, terutama program yang embarassingly parallel. Faktor yang penting untuk meningkatkan performa bukanlah kecepatan hardware GPU, tetapi adalah cara membuat program yang bisa berjalan paralel secara keseluruhan.

23 Kesimpulan Semakin banyak variasi input yang diperlukan, semakin tinggi nilai akurasi yang didapatkan. Pemrograman paralel pada GPU cukup sulit karena mengubah paradigma programming yang selama ini berjalan pada CPU.

24 Pengembangan Kedepan Tambahan variasi input pada penelitian ini sangat diperlukan untukmeningkatkan nilai akurasi hasil eksekusi program. Optimasi algoritma dan source code pada pemrograman paralel sangat menarik untuk di explorasi lebih lanjut karena mempunyai berpengaruh penting terhadap performa yang diinginkan.

25 Pengembangan Kedepan Tambahan sumber daya penelitian sangat dibutuhkan, untuk bisa mengukur dan membandingkan kinerja Multi GPUpada cluster computer

26 Daftar Referensi Nvidia CUDA Programming Guide, 2008, Nvidia CUDA Reference Manual 2.3, 2008, Parallel Procesing with CUDA, Tom R. Halfhill, 2008 Multi GPUs TheNeeds Issues and Opportunities, Jon Peddie Research, Computer Organization And Architecture, William Stallings, Prentice Hall, Monte Carlo Option Pricing, Victor Podlozhnyuk Mark Harris, nvidia.com, June Analisis Kerja Kluster Hibrid CPU + GPU, Eko Mursito Budi Hermawan K. Diponjo, TF ITB, 2009.

27 Daftar Referensi CholeskyDecomposition and Linear Programming on a GPU, Jin Hyuk Jung, Aug Parallel Procesing with CUDA, Tom R. Halfhill, The Landscape of Parallel Computing Research: A View from Berkeley, Asanovic Krste Bodik, EECS Department, University of California, Berkeley, Dec Yann LeCun, L. Bottou, Y. Bengio, P. Haffner, et al. Gradient based learning applied to document recognition. November Patrice Y. Simard, Steinkraus Dave, and John Platt. Best practices for convolutional neural networks applied to visual document analysis. pages IEEE Computer Society, 2003.

28 TERIMA KASIH

dokumen-dokumen yang mirip

SIMULASI PERAMBATAN GELOMBANG SUARA DENGAN METODE STAGGERED GRID FINITE DIFFERENCE TIME DOMAIN MENGGUNAKAN ARSITEKTUR CUDA GPU

TESIS SIMULASI PERAMBATAN GELOMBANG SUARA DENGAN METODE STAGGERED GRID FINITE DIFFERENCE TIME DOMAIN MENGGUNAKAN ARSITEKTUR CUDA GPU ARIEF BUDIMAN No. Mhs. : 105301460/PS/MTF PROGRAM STUDI MAGISTER TEKNIK