公开(公告)号：CN112380003A

公开(公告)日：2021-02-19

申请号：CN202011203928.1

申请日：2020-11-02

Applicant: 北京大学

Inventor： 杨超 ,  李雨芮 ,  敖玉龙 ,  李敏 ,  李克森

IPC: G06F9/50 ,  G06N20/00

Abstract: 本发明提供了一种GPU处理器上的K‑NN的高性能并行实现装置，用于提高在GPU处理器上分类的并行加速实现。本发明装置包括：数据读入模块将应用场景中的训练数据和测试数据存成矩阵形式；样本距离计算模块计算每个测试样本与所有训练样本的距离；Top‑K选择模块利用预训练好的决策树模型判断执行粒度，包括线程级别优化、线程束级别优化、线程块级别优化、多线程块级别优化以及基于基数排序优化，选取前k个元素；标签选择模块为测试样本设置类别标签。本发明使用基于分治法的Top‑K并行框架，大大减少不必要的操作，能更充分的利用硬件资源，达到在GPU处理器上提高K‑NN并行效率、实现时间性能加速的目的。

公开(公告)号：CN112380003B

公开(公告)日：2021-09-17

申请号：CN202011203928.1

申请日：2020-11-02

Applicant: 北京大学

Inventor： 杨超 ,  李雨芮 ,  敖玉龙 ,  李敏 ,  李克森

IPC: G06F9/50 ,  G06N20/00

Abstract: 本发明提供了一种GPU处理器上的K‑NN的高性能并行实现装置，用于提高在GPU处理器上分类的并行加速实现。本发明装置包括：数据读入模块将应用场景中的训练数据和测试数据存成矩阵形式；样本距离计算模块计算每个测试样本与所有训练样本的距离；Top‑K选择模块利用预训练好的决策树模型判断执行粒度，包括线程级别优化、线程束级别优化、线程块级别优化、多线程块级别优化以及基于基数排序优化，选取前k个元素；标签选择模块为测试样本设置类别标签。本发明使用基于分治法的Top‑K并行框架，大大减少不必要的操作，能更充分的利用硬件资源，达到在GPU处理器上提高K‑NN并行效率、实现时间性能加速的目的。