Home » Grafikkort » Efter grafik kommer der GPGPU
Efter grafik kommer der GPGPU

Efter grafik kommer der GPGPU

Share
Tænd for blenderen

Nu sidder du måske og spekulerer på, hvad GPGPU har at gøre med dig, hvis vi altså ser bort fra den samme hardware, der maler pæne 3D-scener på din skærm ved 120 fps. Det har taget over ti år, men nu er kodefolket udmærket klar over GPGPU-mulighederne, og de ved, hvilke teknologier der kan udnytte dem. Man kan finde en række applikationer, der kan drage fuld nytte af ikke blot Nvidia-kort med deres CUDA-teknologi, men også gpu’er fra AMD og endda potentielt Intel (skønt disse ofte ikke er hurtigere end selve cpu’en) ved at bruge OpenCL.

På grund af det forspring, Nvidia har givet sig selv, er der en tendens til at finde flere CUDA-softwaremuligheder, men det viser sig, at alt, hvad der er udviklet i de seneste fem år, også tilbyder de samme funktioner til OpenCL. Lad os derfor kaste et hurtigt blik på nogle interessante softwaremuligheder, som du kan lege med nu.

Nvidias dedikerede datacenter-gpu, Tesla V100, kan levere 125 teraflops.

Vi lægger ud med at foreslå det meget imponerende open source-projekt Blender. Det er et fornemt eksempel på en vigtig brug af GPGPU, når det gælder raytracing. Blenders open source-natur har ført til, at der nu findes et stærkt voksende marked for billige cloud-renderingfarme, og det er et af de forretningsområder, der står bag Nvidias datacenter-division.

Blender er en monstrøs pakke at håndtere, men du kan nemt foretage en test-rendering. En nøglestrategi for Blender Foundation er at levere alle ressourcer på en åben licens, som alle kan få glæde af. Hent og installer pakken fra www.blender.org/download. Blad ned langs siden, og gå til “Demo Files”, hvor du også kan hente den berømte BMW Benchmark-fil. Hvis Blender er installeret, kan du blot udpakke og køre den relevante cpu- eller gpu-fil – den største forskel er den optimerede filstørrelse.

Intel håber at bryde igennem på markedet for dyb læring i 2019 med sin Nervana-processor.

I Blender trykker du på F12 for at starte en rendering. Hvis du vil pusle med “Sampling”-paletten, kan du reducere “Samples” fra 35 til 15 – det reducerer kvaliteten, men øger hastigheden. Under “Performance” kan man også justere feltstørrelsen. 32–64 er ideelt til cpu’er, mens 256 er bedst til gpu’er.

Se også:  Ray Tracing i realtid

Til sammenligning konstaterede vi, at vores cpu var næsten fire gange langsommere end gpu’en her (CPU 4:39, GPU 1:22), men det kan ikke undgås, at vores resultater varierer.

Sjov med Fraktaler

Det veletablerede OpenCL-program Mandelbulber (http://mandelbulber.com) er en 3D-fractal-explorer, der understøtter OpenCL på AMD- og Nvidia-hardware. Download den seneste 64 bit-udgave fra Sourceforge, og kør den. Klik på knappen “Render” for at få vist, hvor langsomt tingene går på din processor. Med “File > Program Preferences > OpenCL” kan du vælge en egnet platform (AMD eller Nvidia) og din gpu-enhed. På Nvidia-hardware kan du få en fejlmeddelelse, idet den vælger AMD som standard. Klik igen på “Render”, så bør det gå langt hurtigere.

Hvis farverne får en en underlig lilla kulør, ændrer du OpenCL-tilstanden til “Medium” eller “Full” i stedet for “Fast” i Navigation-paletten til højre. Vi har ikke tænkt os at gå i dybden med dette program – det er bare sjovt at flyve rundt mellem abstrakte 3D-fraktaler – men hvis du er interesseret, ligger der et helt miljø og venter på http://fractalforums.org.

Som tidligere nævnt er GPGPU fantas-tisk til at håndtere repetitive matematik-intensive problemer. Et af de områder, der bedst illustrerer det, er kryptering. Generelt er der ikke behov for GPGPU-acceleration til kryptering, idet det bliver ordnet af CPU-baseret AES-hardware-acceleration, men ét område, der kan udnytte teknologien fuldt ud, er hacking af krypterede filer.

Det er videnskab

Vi har ikke blot set, hvordan standard-GPGPU-muskler kan være med til at accelerere standardapplikationer. Vi har også set, hvordan GPGPU’er baner vejen for højhastigheds-computerløsninger, der kan bygge den næste generation af multi-exaop-supercomputere. Kernerne i disse moderne supercomputere er stadig i grunden de samme CUDA-kerner som i din Nvidia-gpu og de samme effektive OpenCL-drevne stream-processorer, som AMD bruger. Spørgsmålet er derfor: Kan man bruge sin hjemme-GPGPU til videnskabelige formål? Naturligvis kan man det!

Se også:  Ray Tracing i realtid

Folding@Home
(https://foldingathome.org)
Dette er verdens største distribuerede computerprojekt. I 2016 gennembrød det 100 petaflop-barrieren. Hvis du downloader klienten, kan du hjælpe forskerne med at udvikle behandlinger af Alzheimers sygdom, kræft, Parkinsons sygdom, Huntingtons sygdom og andet.

SETI@home
(http://boinc.berkeley.edu)
Det vil overraske os, hvis du ikke har hørt om Seti@home, for dette projekt har ledt efter liv på andre kloder siden 1999. Berkeley, der grundlagde SETI, har udvidet sit distribuerede computersystem til et generelt åbent design, der bliver kaldt Berkeley Open Infrastructure for Network Computing, også kendt som BOINC. Det omfatter SETI@home og en masse andet, og det udnytter også automatisk eventuelle CUDA- og OpenCL-kompatible ressourcer.

Den bedst kendte software på dette felt er open source-programmet John the Ripper (www.openwall.com/john), men for at gøre os interessante vil vi se på den Windows- og Android-baserede Hash Suite (http://hashsuite.openwall.net), der er udviklet af en af bidragyderne til John the Ripper. De er begge beregnet til at cracke kodeordsbeskyttede filer og gætte en fils kodeord (problemet er, at der er en enorm mængde valgmuligheder, når det gælder ikketrivielle kodeord). Hvis man starter Hash Suite og åbner menuen øverst til venstre, kommer der en benchmarkfunktion. Programmet drager automatisk nytte af AMD- eller Nvidia-hardware. Man vil opnå en generel 20-dobling af hastigheden ved brugen af processoren – i det mindste for vores aldrende Core i5-2500K i forhold til et GTX 950-system.

GPGPU-teknologi eksploderer i øjeblikket – måske ikke så meget i hjemmene, hvor dens primære fokus stadig er at drive 3D-grafik i pc’er, telefoner og konsoller, men i datacentre, forskningslaboratorier og lignende. Det kommer os alle til gavn, idet Nvidia, Intel og AMD lægger en stadig større forskningsindsats i forbedring af disse i forvejen stærke processorer, og udviklerne får mulighed for at udnytte dem med CUDA og OpenCL.

TAGS
GPGPU
gpu
grafik

DEL DENNE
Share

Seneste Tech test
Seneste konkurrencer

Mest populære
Populære
Nyeste
Tags

Find os på de sociale medier

Modtag dagligt IT-nyhedsbrev

Få gratis tech-nyheder i din mail-indbakke alle hverdage. Læs mere om IT-UPDATE her

Find os på FaceBook

Alt om DATA

Lautrupsgade 7,
DK-2100 København Ø
Telefon: 33 91 28 33
redaktion@altomdata.dk

Datatid TechLife

Lautrupsgade 7,
DK-2100 København Ø
Telefon: 33 91 28 33
redaktion@datatid.dk

Audio Media A/S

CVR nr. 16315648,
Lautrupsgade 7,
DK-2100 København Ø
Telefon: 33 91 28 33
info@audio.dk
Annoncesalg / Prislister:
Lars Bo Jensen: lbj@audio.dk Telefon: 33 74 71 16
Annoncer: Medieinformation


Alt om DATA, Datatid TechLife  © 2019
Privatlivspolitik og cookie information - Audio Media A/S