.png){kind=icon}
返回
Efficient GPU-Centered Singular Value Decomposition Using the Divide-and-Conquer Method
.png){kind=icon}
PRE
AI
DOI：10.1145/3764932.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
奇异值分解（SVD）是线性代数中一种基本的矩阵分解技术，广泛应用于众多与矩阵相关的问题。然而，传统的SVD方法受限于面板分解速度慢以及异构系统中的频繁CPU-GPU数据传输，尽管GPU计算能力有所提升。本文介绍了一种以GPU为中心的SVD算法，其中集成了新颖的基于GPU的双对角分治（BDC）方法。我们重新设计了SVD计算中不同步骤的算法与数据布局，将所有面板级计算和后续矩阵更新完全在GPU上执行，以消除CPU-GPU数据传输。此外，我们通过整合相关计算来优化BLAS利用率，从而提高计算强度并充分利用GPU的计算能力。同时，我们引入了一种新开发的基于GPU的BDC算法，通过重构工作流程来消除矩阵级的CPU-GPU数据传输，并实现CPU与GPU之间的异步执行。在AMD MI210和NVIDIA V100 GPU上的实验结果表明，与rocSOLVER/cuSOLVER和MAGMA相比，我们提出的方法分别实现了最高1293.64倍/7.47倍和14.10倍/12.38倍的加速。
Keyword:
Singular value decomposition
linear algebra
matrix factorization
GPGPU
期刊
A
IF:
1.8
论文数:
96
被引数:
1.1K
机构
引用论文
.png){kind=icon}
High-performance bidiagonal reduction using tile algorithms on homogeneous multicore architectures
OAAI
OAAI分享收藏
查看更多内容