.png){kind=icon}
返回
Profile Generation for GPU Targets
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-06343-4_7.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
GPU加速器无处不在，但其生态系统远未像主机端那样成熟。编译器启发式方法通常为CPU调优，并重用于GPU。类似地，工具和更成熟的优化技术历史上在GPU目标上不可用。在本文中，我们解决了这些不足之一，为GPU目标启用性能剖析生成和基于性能剖析的优化（PGO）。尽管这仅是向卸载设备实现与CPU相当生态系统迈出的一步，但它表明了关于GPU限制的旧有误解往往不再站得住脚。通过我们在LLVM/Offload中的实现，我们为完整科学应用启用了设备端PGO，并开放了工具机会，包括代码覆盖率分析和编译器内置的屋顶线分析。我们的评估突出了性能剖析生成的性能影响、从这些剖析中获得的认识以及利用这些信息进行GPU编译的（错失的）机会。
Keyword:
PGO
GPU
Offloading
Profiling
Roofline
期刊
O
机构
引用论文
Evaluating Performance Portability of OpenMP for SNAP on NVIDIA, Intel, and AMD GPUs Using the Roofline Methodology使用 Roofline 方法论评估 OpenMP 在 NVIDIA、Intel 和 AMD GPU 上运行 SNAP 时的性能可移植性
.png){kind=icon}
PREAI
分享收藏OpenMC: A state-of-the-art Monte Carlo code for research and developmentOpenMC: 用于研究和开发的最先进的蒙特卡洛代码
OAAI
OAAI分享收藏SamplePGO - The Power of Profile Guided Optimizations without the Usability BurdenSamplePGO - 基于样本分析的优化指导方法，兼具性能提升与易用性
PREAI
分享收藏
没有更多内容
没有更多内容