CN111352727B - 一种应用于图像混合集群处理系统的图像处理方法 - Google Patents
一种应用于图像混合集群处理系统的图像处理方法 Download PDFInfo
- Publication number
- CN111352727B CN111352727B CN201811589603.4A CN201811589603A CN111352727B CN 111352727 B CN111352727 B CN 111352727B CN 201811589603 A CN201811589603 A CN 201811589603A CN 111352727 B CN111352727 B CN 111352727B
- Authority
- CN
- China
- Prior art keywords
- image
- computing
- node
- management node
- image data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
- G06F9/505—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering the load
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种应用于图像混合集群处理系统的图像处理方法,图像混合集群处理系统包括至少一个管理节点和多个计算节点,管理节点和计算节点均采用CPU和GPU异构架构的混合集群系统模式,图像处理方法包括通过管理节点读取待处理的图像,将待处理的图像分割为若干个图像数据片,再将图像数据片分发到各个计算节点中;计算节点内建有多个线程,多个线程以并行方式对管理节点分发的图像数据片进行计算后向管理节点返回结果。采用本发明的技术方案,利用动态任务调度技术分发图像数据片,使各个计算节点的动态负载均衡,采用多线程动态调度并行机制计算处理图像数据片,使CPU和GPU二者的计算能力均能够充分发挥,提升了图像仿真的速度和效率。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种应用于图像混合集群处理系统的图像处理 方法。
背景技术
随着图像处理数据量的急剧增加,图像仿真处理的速度成为一个巨大的挑战性问题, 基于并行计算技术的高速计算方法成为解决这一问题的主要手段。图像仿真处理高速计算 是一种将图像处理应用方法同高性能计算技术相结合,用于快速实时处理大规模图像仿真 计算的有效方法。通过并行处理方法和优化技术提升仿真计算过程的整体运行效率,使其 达到满足实际应用的需求。
在具有CPU节点和GPU节点的混合GPU集群环境中,计算节点内的CPU和GPU也存在着严重差异的计算能力。如果任务分配策略没有充分考虑到CPU和GPU间这一差异性时, 由于GPU和CPU核之间任务处理能力存在数十倍差异,将导致GPU任务结束后长时间等待 CPU任务的现象,这严重影响了大规模图像仿真高速计算的性能和扩展性。为了充分利用 好节点内的CPU计算能力和GPU计算能力,需要根据二者的计算能力,协调计算任务在两 个不同计算资源上的分配,使计算处理能力和任务负载相匹配,以便提高整个图像仿真模 拟的效率。
根据目前CPU和GPU间的依赖关系,通常可使一个CPU核控制一个GPU,当该CPU核有需要处理的任务时,将该任务数据拷贝到对应的GPU,并启动该GPU的完成图片的高速 仿真处理。由于节点的异构性以及CPU和GPU处理能力较大的差距,在多GPU节点的负载 管理中,除了将根据图像目前总的处理进度、节点的个数以及节点的处理速度外,更要确 定GPU和CPU计算能力比值大小。并根据这些参数确定动态分配给各节点的图片数,同时 协调管理节点和计算节点的负载,以确保各节点的动态负载均衡。并通过线程动态调度并 行机制,解决节点内CPU和GPU二者的计算能力巨大差距带来的负载分配问题。现有的图 形处理器集群仿真技术通常采用静态的任务调度技术,采用这种任务调度技术时,由于没 有充分考虑到CPU和GPU间任务处理能力存在的差异,从而导致GPU任务结束后长时间等 待CPU任务的现象,严重影响了大规模图像仿真高速计算的性能和扩展性,并且使GPU承 担所有计算处理,而CPU仅起到辅助计算作用,造成了计算资源的极大浪费,从而较大的 影响了高速计算性能。
发明内容
本发明提供一种应用于图像混合集群处理系统的图像处理方法,所述图像混合集群处 理系统包括:所述图像处理方法应用于图像混合集群处理系统,所述图像混合集群处理系 统包括至少一个管理节点和多个计算节点,所述管理节点和计算节点均包括2个CPU和1 个GPU,所述管理节点和计算节点均采用CPU和GPU异构架构的混合集群系统模式,所述图像处理方法包括以下步骤:
步骤一:所述管理节点读取待处理的图像,将待处理的图像分割为若干个图像数据片, 再将图像数据片分发到各个计算节点中;
步骤二:所述计算节点接收来自于所述管理节点分发的图像数据片,在所述计算节点 内建立有至少一个主线程和多个从线程,所述主线程与多个从线程以并行方式对所述管理 节点分发的图像数据片进行计算后向所述管理节点返回结果。
步骤一中所述管理节点将待处理的图像分割为若干个图像数据片的数量由以下方式 确定:
设待处理图像的高度为H,对待处理图像进行卷积运算,设卷积运算中滑动步长为ystep,子区域高度为w_h,则所述图像数据片的数量n=((H-w_h)/ystep)+1。
步骤一中所述管理节点将待处理的图像分割为若干个图像数据片的数量由计算节点 数量确定。
所述图像处理方法还包括:计算各个计算节点以内GPU运算能力与CPU运算能力的比值,将该比值作为相对应的计算节点的权重系数,所述管理节点根据该权重系数确定分发至各个计算节点的数量。
步骤二中所述主线程与多个从线程以并行方式对所述管理节点分发的图像数据片进 行计算还包括以下步骤:
步骤1:当所述主线程接收到来自于所述管理节点分发的图像数据片之后,生成一个 处理任务,再将该处理任务分发給空闲的从线程;
步骤2:从线程获取步骤1所述处理任务之后,调取与该从线程绑定的GPU进行计算或由该从线程自行完成所述处理任务。
当步骤2完成之后,所述从线程向其对应的计算节点发出数据请求信息,所述计算节 点将该数据请求信息转发至管理节点。
步骤二中所述所述主线程与多个从线程以并行方式对所述管理节点分发的图像数据 片进行计算是指对图像数据片相关性进行计算。
所述主线程还用于所述管理节点与所述计算节点之间的数据通信。
上述技术方案具有如下有益效果:采用本发明的技术方案,利用了图形处理器集群下 图像高速仿真的动态任务调度技术的原理,运行时,管理节点以图像处理进度、计算节点 数量、计算节点的处理能力,或GPU和CPU计算能力比值大小等参数为依据,将确定数量 的图像数据片分发至各个计算节点,同时协调管理节点和计算节点的负载,以确保各节点 的动态负载均衡,从而避免了空闲的计算节点长时间等待,造成资源浪费等问题,同时,计算节点在计算处理过程中,采用多线程动态调度并行机制,解决了节点内CPU和GPU二 者的计算能力巨大差距带来的负载分配问题,通过采用上述技术方案,使CPU节点内多核 并行效率由原50%提升到95%以上,使用户不改变原有系统的前提下动态的加载或卸载新的应用逻辑功能加入到软件系统中。通过建立有效的调度机制和任务分配功能,避免了任务同步引起的额外开销,使图形处理器集群的处理能力充分发挥,提升了图像仿真的速度及其实时性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技 术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明 的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根 据这些附图获得其他的附图。
图1是本发明的流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地 描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本 发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实 施例,都属于本发明保护的范围。
本发明提供一种图像混合集群处理系统,如图1所示,所述图像处理方法应用于图像 混合集群处理系统,所述图像混合集群处理系统包括至少一个管理节点和多个计算节点, 所述管理节点和计算节点均包括2个CPU和1个GPU,所述管理节点和计算节点均采用CPU和GPU异构架构的混合集群系统模式,所述图像处理方法包括以下步骤:
步骤一:所述管理节点读取待处理的图像,将待处理的图像分割为若干个图像数据片, 再将图像数据片分发到各个计算节点中;
步骤二:所述计算节点接收来自于所述管理节点分发的图像数据片,在所述计算节点 内建立有至少一个主线程和多个从线程,所述主线程与多个从线程以并行方式对所述管理 节点分发的图像数据片进行计算后向所述管理节点返回结果。步骤二中所述所述主线程与 多个从线程以并行方式对所述管理节点分发的图像数据片进行计算是指对图像数据片相 关性进行计算。
进一步地,步骤一中所述管理节点将待处理的图像分割为若干个图像数据片的数量由 以下方式确定:
设待处理图像的高度为H,对待处理图像进行卷积运算,设卷积运算中滑动步长为ystep,子区域高度为w_h,则所述图像数据片的数量n=((H-w_h)/ystep)+1。其次,所述管理节点将待处理的图像分割为若干个图像数据片的数量由计算节点数量确定。
此外,所述图像处理方法还包括:计算各个计算节点以内GPU运算能力与CPU运算能力的比值,将该比值作为相对应的计算节点的权重系数,所述管理节点根据该权重系数确定分发至各个计算节点的数量。
采用本发明的技术方案,首先通过预计算,确定单GPU和单CPU核之间的计算能力比值α;根据图像剩余计算任务量、节点的个数以及比值α,计算需要动态分配给各类节 点的图片数量;再调用图像数据片与进度模块将数据发给相关计算节点,从而协调管理节 点和计算节点的负载,以确保各节点的动态负载均衡。负载与任务管理采用了图像数据在 各处理节点的动态加载、多层负载均衡技术以及图片处理在CPU和GPU混合架构上的动态 任务并行技术。该技术完全将区别于通常的基于加载数据的静态负载平衡方法和数据并行技术。可使CPU节点内多核并行效率由原40%左右提升到95%以上。并可使用户不改变原有系统的前提下动态的加载或卸载新的图像应用加入到高速仿真系统中。
进一步地,步骤二中所述主线程与多个从线程以并行方式对所述管理节点分发的图像 数据片进行计算还包括以下步骤:
步骤1:当所述主线程接收到来自于所述管理节点分发的图像数据片之后,生成一个 处理任务,再将该处理任务分发給空闲的从线程;
步骤2:从线程获取步骤1所述处理任务之后,调取与该从线程绑定的GPU进行计算或由该从线程自行完成所述处理任务。
当步骤2完成之后,所述从线程向其对应的计算节点发出数据请求信息,所述计算节 点将该数据请求信息转发至管理节点。
此外,所述主线程还用于所述管理节点与所述计算节点之间的数据通信。
采用本发明的技术方案,计算节点内并行采用了基于多线程任务并行,这样数据分配 到各线程是一个动态随机过程。由主线程按一定步长划分出一定大小的图像子区域,并将 所划分的子区域动态地分配给空闲线程进行,具体操作中,可通过设定一个数据请求消息 ASK_MSG,计算节点通过ASK_MSG向管理控制节点发送数据请求。GPU节点内CPU和GPU间 协同并行计算一个CPU核管理一个GPU的策略,而CPU和GPU作用对等的。将管理GPU的CPU核所承担的任务加载到GPU完成,其它CPU核仍按照CPU节点内线程任务并行方案执 行,同时发挥了二者的最大计算能力,CPU节点内并行将采用运行时任务并行策略,通过 对各线程的动态调度和任务并行机制增强线程间动态负载,并避免线程间同步、降低访存 竞争开销和瓶颈。
总之,本发明的技术方案,利用了图形处理器集群下图像高速仿真的动态任务调度技 术的原理,运行时,管理节点以图像处理进度、计算节点数量、计算节点的处理能力,或 GPU和CPU计算能力比值大小等参数为依据,将确定数量的图像数据片分发至各个计算节 点,同时协调管理节点和计算节点的负载,以确保各节点的动态负载均衡,从而避免了空 闲的计算节点长时间等待,造成资源浪费等问题,同时,计算节点在计算处理过程中,采用多线程动态调度并行机制,解决了节点内CPU和GPU二者的计算能力巨大差距带来的负载分配问题,通过采用上述技术方案,使CPU节点内多核并行效率由原50%提升到95%以上,使用户不改变原有系统的前提下动态的加载或卸载新的应用逻辑功能加入到软件系统中。通过建立有效的调度机制和任务分配功能,避免了任务同步引起的额外开销,使图形处理器集群的处理能力充分发挥,提升了图像仿真的速度及其实时性。
在图像处理器集群下进行图像相关性计算中,基于本发明实现了相关性计算算法的多 CPU+GPU并行计算。基于上面动态调度技术,该应用案例中采用MPI、OpenMP和GPU的混合并行方法,图像处理并行计算实现了多CPU或GPU节点下相关性计算并行处理功能,本 发明技术方案的主要特点有:
1、图像并行计算系统调用数据划分管理模块,该模块计算每个节点应接收和计算的 图片数量,并对灰度矩阵完成分片划分,然后调用数据分配和动态负载管理模块,根据划 分结果向各个进程发送相应图像数据片。
2、当进程得到图片后,调用节点内并行计算模块,该模块通过OpenMP线程动态调度 机制实现节点内并行计算,节点内所有线程共享接收到的图片。
A、主线程获取待处理的图片并生成一个任务,并基于任务并行策略动态分配该任务 给某个空闲线程。
B、线程获得任务任务后,首先确定该线程是否绑定了一个GPU卡。如该线程绑定了一个GPU卡,则转而调用GPU相关性计算模块接口,由GPU完成图片的相关性计算。否则, 该线程直接调用相关性计算模块接口,由线程完成图片的相关性计算。
C、返回线程调度接收新的任务。
3、当进程完成节点内并行计算处理后,将计算结果并行写入计算结果文件中。
采用本发明的技术方案,在特定应用下多节点CPU+GPU图像仿真并行计算下并行效率 可达到线性加速,单GPU计算相对单CPU核的计算加速比达到了50倍,而多CPU并行效率在1024核上达到85%以上,在8个GPU节点上达到了近似线性加速,并行效率达到了100%。本方案可用用于CPU节点和GPU节点混合的并行环境,使用2个CPU节点+1个GPU 节点相对3个CPU节点的时间由6637秒减少到4838秒。实验测试表明所提出的高速计算 方法可适用于不同计算环境下大范围图像的高速计算处理。
在实际应用中,采用本发明的技术方案在26881*27185规模图片进行图像相关性计算 的用例。相关计算数量大约为40000*14404563。在具有1、3个CPU节点以及三个CPU节点带一块图像处理器的集群上进行测试。使用全部3个节点CPU(共6棵CPU,计72个CPU 核)时间相比一个节点(2棵CPU,计24个CPU核)时间,由计算时间由19920秒减少到 6637秒,加速比为3倍,并行效率接近100%。使用3CPU节点+1GPU卡时间同使用3个CPU 节点的时间,由6637秒减少到4838秒。
以上的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明, 所应理解的是,以上仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围, 凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明 的保护范围之内。
Claims (7)
1.一种应用于图像混合集群处理系统的图像处理方法,其特征在于:所述图像处理方法应用于图像混合集群处理系统,所述图像混合集群处理系统包括至少一个管理节点和多个计算节点,所述管理节点和计算节点均包括2个CPU和1个GPU,所述管理节点和计算节点均采用CPU和GPU异构架构的混合集群系统模式,所述图像处理方法包括以下步骤:
步骤一:所述管理节点读取待处理的图像,将待处理的图像分割为若干个图像数据片,再将图像数据片分发到各个计算节点中;
步骤二:所述计算节点接收来自于所述管理节点分发的图像数据片,在所述计算节点内建立有至少一个主线程和多个从线程,所述主线程与多个从线程以并行方式对所述管理节点分发的图像数据片进行计算后向所述管理节点返回结果;
所述图像处理方法还包括:计算各个计算节点以内GPU运算能力与CPU运算能力的比值,将该比值作为相对应的计算节点的权重系数,所述管理节点根据该权重系数确定分发至各个计算节点的数量。
2.如权利要求1所述的应用于图像混合集群处理系统的图像处理方法,其特征在于:步骤一中所述管理节点将待处理的图像分割为若干个图像数据片的数量由以下方式确定:
设待处理图像的高度为H,对待处理图像进行卷积运算,设卷积运算中滑动步长为ystep,子区域高度为w_h,则所述图像数据片的数量n=((H-w_h)/ystep)+1。
3.如权利要求1所述的应用于图像混合集群处理系统的图像处理方法,其特征在于:步骤一中所述管理节点将待处理的图像分割为若干个图像数据片的数量由计算节点数量确定。
4.如权利要求1所述的应用于图像混合集群处理系统的图像处理方法,其特征在于:步骤二中所述主线程与多个从线程以并行方式对所述管理节点分发的图像数据片进行计算还包括以下步骤:
步骤1:当所述主线程接收到来自于所述管理节点分发的图像数据片之后,生成一个处理任务,再将该处理任务分发给空闲的从线程;
步骤2:从线程获取步骤1所述处理任务之后,调取与该从线程绑定的GPU进行计算或由该从线程自行完成所述处理任务。
5.如权利要求4所述的应用于图像混合集群处理系统的图像处理方法,其特征在于:当步骤2完成之后,所述从线程向其对应的计算节点发出数据请求信息,所述计算节点将该数据请求信息转发至管理节点。
6.如权利要求1所述的应用于图像混合集群处理系统的图像处理方法,其特征在于:步骤二中所述所述主线程与多个从线程以并行方式对所述管理节点分发的图像数据片进行计算是指对图像数据片相关性进行计算。
7.如权利要求1所述的应用于图像混合集群处理系统的图像处理方法,其特征在于:所述主线程还用于所述管理节点与所述计算节点之间的数据通信。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811589603.4A CN111352727B (zh) | 2018-12-20 | 2018-12-20 | 一种应用于图像混合集群处理系统的图像处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811589603.4A CN111352727B (zh) | 2018-12-20 | 2018-12-20 | 一种应用于图像混合集群处理系统的图像处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111352727A CN111352727A (zh) | 2020-06-30 |
CN111352727B true CN111352727B (zh) | 2023-03-31 |
Family
ID=71192047
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811589603.4A Active CN111352727B (zh) | 2018-12-20 | 2018-12-20 | 一种应用于图像混合集群处理系统的图像处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111352727B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112351113B (zh) * | 2021-01-08 | 2021-04-06 | 恒信东方文化股份有限公司 | 一种负载均衡系统及其方法 |
CN113093682B (zh) * | 2021-04-09 | 2022-07-05 | 天津商业大学 | 一种非集中递归式动态负载均衡计算系统 |
CN113448706A (zh) * | 2021-06-29 | 2021-09-28 | 中国工商银行股份有限公司 | 批量任务处理方法、装置及系统 |
CN115601195B (zh) * | 2022-10-17 | 2023-09-08 | 桂林电子科技大学 | 基于电力用户实时标签的交易双向推荐系统及其方法 |
CN116757915B (zh) * | 2023-08-16 | 2023-11-28 | 北京蓝耘科技股份有限公司 | 一种集群gpu资源调度方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106599898A (zh) * | 2016-12-13 | 2017-04-26 | 郑州云海信息技术有限公司 | 一种图像特征提取方法及系统 |
CN106951322A (zh) * | 2017-02-28 | 2017-07-14 | 中国科学院深圳先进技术研究院 | 一种cpu/gpu异构环境的图像协同处理程序获取方法及系统 |
CN107358238A (zh) * | 2017-03-01 | 2017-11-17 | 郑州云海信息技术有限公司 | 一种提取图像特征信息的方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8330763B2 (en) * | 2007-11-28 | 2012-12-11 | Siemens Aktiengesellschaft | Apparatus and method for volume rendering on multiple graphics processing units (GPUs) |
-
2018
- 2018-12-20 CN CN201811589603.4A patent/CN111352727B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106599898A (zh) * | 2016-12-13 | 2017-04-26 | 郑州云海信息技术有限公司 | 一种图像特征提取方法及系统 |
CN106951322A (zh) * | 2017-02-28 | 2017-07-14 | 中国科学院深圳先进技术研究院 | 一种cpu/gpu异构环境的图像协同处理程序获取方法及系统 |
CN107358238A (zh) * | 2017-03-01 | 2017-11-17 | 郑州云海信息技术有限公司 | 一种提取图像特征信息的方法及系统 |
Non-Patent Citations (2)
Title |
---|
CPU/GPU异构环境下图像协同并行处理模型;杨洪余等;《集成技术》(第05期);全文 * |
面向GPU异构集群的自学习负载均衡调度算法;刘惠等;《西安石油大学学报(自然科学版)》(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111352727A (zh) | 2020-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111352727B (zh) | 一种应用于图像混合集群处理系统的图像处理方法 | |
CN110262901B (zh) | 一种数据处理方法及数据处理系统 | |
CN110619595B (zh) | 一种基于多fpga加速器互联的图计算优化方法 | |
JP7029554B2 (ja) | 深層学習モデルをトレーニングするための方法及び装置、電子機器、コンピュータ可読記憶媒体並びにコンピュータプログラム | |
US8478926B1 (en) | Co-processing acceleration method, apparatus, and system | |
CN104008013B (zh) | 一种核资源分配方法、装置及众核系统 | |
Kang et al. | Lalarand: Flexible layer-by-layer cpu/gpu scheduling for real-time dnn tasks | |
CN111966504B (zh) | 图形处理器中的任务处理方法及相关设备 | |
CN107122233B (zh) | 一种面向tsn业务的多vcpu自适应实时调度方法 | |
WO2022001086A1 (zh) | 一种高效的gpu资源分配优化方法和系统 | |
CN103927225A (zh) | 一种多核心架构的互联网信息处理优化方法 | |
CN110990154B (zh) | 一种大数据应用优化方法、装置及存储介质 | |
CN104536937A (zh) | 基于cpu-gpu异构集群的大数据一体机实现方法 | |
CN101551761A (zh) | 一种异构多处理器中共享流内存的方法 | |
US9471387B2 (en) | Scheduling in job execution | |
CN103297499A (zh) | 一种基于云平台的调度方法及系统 | |
CN116401055B (zh) | 面向资源效率优化的服务器无感知计算工作流编排方法 | |
CN111597035A (zh) | 基于多线程的仿真引擎时间推进方法及系统 | |
US11467836B2 (en) | Executing cross-core copy instructions in an accelerator to temporarily store an operand that cannot be accommodated by on-chip memory of a primary core into a secondary core | |
CN108388471A (zh) | 一种基于双门限约束虚机迁移的管理方法 | |
CN115470901B (zh) | 支持移动端异构处理器分载的混合精度训练方法及设备 | |
Ahrens et al. | PaTraCo: a framework enabling the transparent and efficient programming of heterogeneous compute networks | |
CN115114022A (zh) | 对gpu资源进行使用的方法、系统、设备及介质 | |
Pavlidakis et al. | Arax: a runtime framework for decoupling applications from heterogeneous accelerators | |
CN111124691A (zh) | 多进程共享的gpu调度方法、系统及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |