思维导图备注

科学计算与企业级应用的并行优化
首页 收藏书籍 阅读记录
  • 书签 我的书签
  • 添加书签 添加书签 移除书签 移除书签

前言

浏览 1 扫码
  • 小字体
  • 中字体
  • 大字体
2022-01-25 03:22:18
请 登录 再阅读
上一篇:
下一篇:
  • 书签
  • 添加书签 移除书签
  • 序
  • 前言
  • 第1章 多核向量处理器架构
    • 1.1 众核系统结构
    • 1.2 众核架构的一致性
    • 1.3 多核向量处理器架构
      • 1.3.1 Intel Haswell CPU架构
      • 1.3.2 ARM A15多核向量处理器架构
      • 1.3.3 AMD GCN GPU架构
      • 1.3.4 NVIDIA Kepler和Maxwell GPU架构
    • 1.4 Intel MIC架构
      • 1.4.1 整体架构
      • 1.4.2 计算单元
      • 1.4.3 存储器单元
      • 1.4.4 MIC架构上一些容易成为瓶颈的设计
    • 1.5 OpenCL程序在多核向量处理器上的映射
      • 1.5.1 OpenCL程序在多核向量CPU上的映射
      • 1.5.2 OpenCL程序在NVIDIA GPU上的映射
      • 1.5.3 OpenCL程序在AMD GCN上的映射
    • 1.6 OpenCL程序在各众核硬件上执行的区别
    • 1.7 众核编程模式
    • 1.8 众核性能优化
    • 1.9 MIC和GPU编程比较
    • 1.10 本章小结
  • 第2章 常见线性代数算法优化
    • 2.1 稀疏矩阵与向量乘法
      • 2.1.1 稀疏矩阵的存储格式
      • 2.1.2 CSR格式稀疏矩阵与向量乘法
      • 2.1.3 ELL格式稀疏矩阵与向量乘
    • 2.2 对称矩阵与向量乘积
      • 2.2.1 串行代码
      • 2.2.2 向量化对称矩阵与向量乘积
      • 2.2.3 OpenMP并行化
    • 2.3 三角线性方程组的解法
      • 2.3.1 串行算法
      • 2.3.2 串行算法优化
      • 2.3.3 AVX优化实现
      • 2.3.4 NEON优化实现
      • 2.3.5 如何提高并行度
      • 2.3.6 CUDA算法实现
    • 2.4 矩阵乘法
      • 2.4.1 AVX指令计算矩阵乘法
      • 2.4.2 NEON指令计算矩阵乘法
      • 2.4.3 GPU计算矩阵乘法
    • 2.5 本章小结
  • 第3章 优化偏微分方程的数值解法
    • 3.1 热传递问题
      • 3.1.1 C代码及性能
      • 3.1.2 OpenMP代码及性能
      • 3.1.3 OpenACC代码及性能
      • 3.1.4 CUDA代码
    • 3.2 简单三维Stencil
      • 3.2.1 串行实现
      • 3.2.2 Stencil在X86处理器上实现的困境
      • 3.2.3 CUDA实现
    • 3.3 本章小结
  • 第4章 优化分子动力学算法
    • 4.1 简单搜索的实现
      • 4.1.1 串行代码
      • 4.1.2 向量化实现分析
      • 4.1.3 OpenMP实现
      • 4.1.4 CUDA实现
    • 4.2 范德华力计算
      • 4.2.1 串行实现
      • 4.2.2 向量化实现分析
      • 4.2.3 OpenMP实现
      • 4.2.4 CUDA实现
      • 4.2.5 如何提高缓存的利用
    • 4.3 键长伸缩力计算
      • 4.3.1 串行实现
      • 4.3.2 向量化实现
      • 4.3.3 OpenMP实现
      • 4.3.4 CUDA实现
    • 4.4 径向分布函数计算
      • 4.4.1 串行实现
      • 4.4.2 向量化实现
      • 4.4.3 OpenMP实现
      • 4.4.4 CUDA实现
    • 4.5 本章小结
  • 第5章 机器学习算法
    • 5.1 k-means算法
      • 5.1.1 计算流程
      • 5.1.2 计算元素所属分类
      • 5.1.3 更新分类中心
      • 5.1.4 入口函数
    • 5.2 KNN算法
      • 5.2.1 计算步骤
      • 5.2.2 相似度计算
      • 5.2.3 求前k个相似度最大元素
      • 5.2.4 统计所属分类
    • 5.3 二维卷积
      • 5.3.1 X86实现
      • 5.3.2 ARM实现
      • 5.3.3 CUDA实现
    • 5.4 四维卷积
      • 5.4.1 X86实现
      • 5.4.2 ARM实现
      • 5.4.3 CUDA实现
    • 5.5 多GPU并行优化深度学习软件Caffe
      • 5.5.1 为什么要使用多GPU并行Caffe
      • 5.5.2 AlexNet示例
      • 5.5.3 Caffe的主要计算流程
      • 5.5.4 多GPU并行卷积神经网络的方式
      • 5.5.5 多GPU并行Caffe实践
    • 5.6 本章小结
暂无相关搜索结果！
    展开/收起文章目录

    二维码

    手机扫一扫，轻松掌上学

    《科学计算与企业级应用的并行优化》电子书下载

    请下载您需要的格式的电子书，随时随地，享受学习的乐趣！
    EPUB 电子书

    书签列表

      阅读记录

      阅读进度: 0.00% ( 0/0 ) 重置阅读进度