Cómputo de alto desempeño para operaciones vectoriales en BLAS-1

José Antonio Muñoz Gómez; Abimael Jiménez Pérez; Gustavo Rodríguez Gómez

Autores/as

José Antonio Muñoz Gómez Universidad de Guadalajara, México
Abimael Jiménez Pérez Universidad Autónoma de Ciudad Juárez, México
Gustavo Rodríguez Gómez Instituto Nacional de Astrofísica, Óptica y Electrónica, México

Palabras clave:

Cómputo cientíco, BLAS-1, técnica de unroll, programación vectorial

Resumen

La biblioteca de funciones denominada Subprogramas Básicos de Álgebra Lineal (BLAS-1) es considerada el estándar de programación en computación científica. En este trabajo nos enfocamos en el análisis de diversas técnicas de optimización de código para incrementar el desempeño computacional de BLAS-1. En particular abordamos un enfoque combinacional para explorar las posibles formas de codificación empleando la técnica de unroll con diversos niveles de profundidad, programación vectorial de datos con MMX y SSE para procesadores Intel. Empleando las funciones principales de BLAS-1 determinamos numéricamente un incremento computacional, expresado en mega flops, de hasta 52% en comparación con la biblioteca optimizada BLAS-1 de ATLAS.

Descargas

La descarga de datos todavía no está disponible.

Biografía del autor/a

José Antonio Muñoz Gómez, Universidad de Guadalajara, México

Departamento de Ingeniería, Universidad de Guadalajara, Jalisco

Abimael Jiménez Pérez, Universidad Autónoma de Ciudad Juárez, México

Departamento de Electrónica y Computación

Gustavo Rodríguez Gómez, Instituto Nacional de Astrofísica, Óptica y Electrónica, México

Departamento de Ciencias Computacionales

Citas

Aiken, A., y Nicolau, A. (1987). Loop quantization: An analysis and algorithm. Department of Computer Science, Cornell University.
Bouhamidi, A., Hached, M., y Jbilou, K. (2013). A meshless method for the numerical computation of the solution of steady burgerstype equations. Applied Numerical Mathematics, 74 (0), 95 - 110.
Chisnall, D. (2007, marzo). Programming with gcc. InformIT Article is provided courtesy of Prentice Hall Professional.
Davidson, J. W., y Jinturkar, S. (1995). Improving instruction-level parallelism by loop unrolling and dynamic memory disambiguation. En In proceedings of the 28th annual international symposium on microarchitecture (pp. 125-132). IEEE Computer Society.
Golub, G. H., y Loan, C. F. V. (1996). Matrix computations (3rd ed.). The Johns Hopkins University Press.
Goto, K., y Van De Geijn, R. (2008). High-performance implementation of the level-3 blas. ACM Trans. Math. Softw., 35 (1), 4:1-4:14.
Hennessy, J. L., y Patterson, D. A. (2003). Computer architecture: A quantitative approach (3.a ed.). San Francisco, CA, USA: Morgan Kaufmann Publishers Inc.
Higham, N. J. (2002). Accuracy and stability of numerical algorithms (2. ed.). SIAM.
Inc., I. (2012, abril). Intel R 64 and ia-32 architectures optimization reference manual (Vol. A) [Manual de software inform´atico].
Lawson, C. L., Hanson, R. J., Kincaid, D. R., y Krogh, F. T. (1979, septiembre). Basic linear algebra subprograms for fortran usage. ACM Trans. Math. Softw., 5 (3), 308-323.
Mansour, A., y Gtze, J. (2013). Utilizing robustness of krylov subspace methods in reducing the effort of sparse matrix vector multiplication. Procedia Computer Science, 18 (0), 2406 - 2409. (2013 International Conference on Computational Science).
Mittal, M., Peleg, A., y Weiser, U. (1997). Mmx technology architecture overview. (Q3).
Napoli, E. D., Fabregat-Traver, D., Quintana-Ort, G., y Bientinesi, P. (2014). Towards an efficient use of the {BLAS} library for multilinear tensor contractions. Applied Mathematics and Computation, 235 (0), 454 - 468.
Trefethen, L. N., y Bau, D. (1997). Numerical linear algebra. SIAM.
Van Loan, C. F. (1999). Introduction to scientific computing. Prentice-Hall. Wang, Q., Zhang, X., Zhang, Y., y Yi, Q. (2013). Augem: automatically generate high performance dense linear algebra kernels on x86 cpus. En W. Gropp y S. Matsuoka (Eds.), Sc (p. 25). ACM. Whaley, R. C., y Dongarra, J. J. (1997). Automatically tuned linear algebra software (Inf. T´ec.). Knoxville, TN, USA: University of Tennessee.
Yzelman, A.-J. N., Roose, D., y Meerbergen, K. (2015). Chapter 27 - sparse matrix-vector multiplication: Parallelization and vectorization. En J. R. Jeffers (Ed.), High performance parallelism pearls (p. 457 - 476). Boston: Morgan Kaufmann