Tesla

GPU Computing Anwendungen

Analyse umfangreicher Datenbestände, die Wissenschaft von den Daten und maschinelles Lernen

Eine wachsende Anzahl Kunden setzt Grafikprozessoren für die Analyse umfangreicher Datenbestände ein, um bessere Entscheidungen in Echtzeit treffen zu können. Diese Seite zeigt Anwendungsbeispiele von Kunden und ihre Techniken bei der Analyse umfangreicher Datenbestände auf, wie z. B. maschinelles Lernen, Suchen und Sortieren.

 
 
 
10-fache Beschleunigung bei der Bilderkennung mithilfe neuronaler Netze

10-fache Beschleunigung bei der Bilderkennung mithilfe neuronaler Netze
Dr. Dan Ciresan, Swiss Al Lab IDSIA, Schweiz

WORLD'S LARGEST ARTIFICIAL NEURAL NETWORKS WITH GPUS

WORLD’S LARGEST ARTIFICIAL NEURAL NETWORKS WITH GPUS (Das weltweit größte künstliche neuronale Netz mit Grafikprozessoren)
Adam Cotes et al Sanford Al Lab, U.S.A. – LEARN MORE

 

Informationen zu den Haupt-ISVs und –anwendungen finden Sie auf der Seite zu den Grafikprozessoranwendungen.

 
Fachberichte zum Einsatz von CUDA bei Problemen mit umfangreichen Datenbeständen

Maschinelles Lernen

> Deep Learning mit COTS-HPC-Systemen, Adam Coates et al. (Stanford, NVDIA) (PDF)
> Die Mitoseerkennung in histologischen Bildern von Brustkrebs mithilfe tiefer neuronaler Netze, D. Ciresan et al. (IDSIA)(PDF)
          > IDSIAs übrige Unterlagen und Benchmark-Tests, mit denen sie einen Wettbewerb gewonnen haben (IDSIA website )
> Schnelles Training und schnelle Klassifikation von Support Vector Machines auf Grafikprozessoren, Bryan Catanzaro et al.
  (UC Berkeley,NVIDIA) (PDF)

Data-Mining und Datenanalyse

>  Keyword-Matching und Ausdrucksevaluierung, grafikprozessorbeschleunigt im Rahmen der Echtzeittextsuche, Brendan Wood     (Salesforce.com). GTC13. (VideoFolien)
>  Der Aufbau beschleunigter DSLs und Grafikprozessor-Compiler mit libNVVM (Hinweis: Enthält ein Beispiel mit R), Yuan Lin
   (NVIDIA).GTC13 (VideoFolien)
>  Umfangreiche grafikprozessorbeschleunigte Analysen, Wu, Zhang, Hsu, HP Laboratories (PDF)
> Die Nutzung von Grafikkarten-Prozessortechnologie zur Beschleunigung von Data-Mining in SAP NetWeaver BIA, Weyerhaeuser et al.    (SAP) (PDF)
> Parallele Suche auf Videokarten, Tim Kaldeway et al. (Oracle Corp) (PDF)

Suchen und Sortieren

> EffizienteAlgorithmen für die Schnittpunkte paralleler Listen und die Komprimierung von Indizes mithilfe von Grafikprozessoren, Naiyong    Ao et al. (Baidu-Naikai Joint Lab) (PDF)
> Transversalgraph zu skalierbaren Grafikprozessoren, Merrill et al. (NVIDIA) (webpage)
> Entwickeln effizienter Sortieralgorithmen für Multi-Core-Grafikprozessoren, Satish et al. (Berkeley, NVIDIA) (PDF)
> Ein schneller, flexibler Sortieralgorithmus mit CUDA Chen et al. (Chinesische Akademie der Wissenschaften. (PDF)
> Sortieren über BItonic netwoRk mit CUDA, Baraglia et al. (National Research Council) (PDF)

Datenbanken

> Überlassen Sie dem Grafikprozessor die Hauptbelastung in Ihrem Datenarchiv, Tim Kaldewey (IBM), Rene Mueller (IBM). GTC13    (VideoFolien)
> Eine grafikprozessorbasierte Datenbankarchitektur, Peter Bakkum (Groupon). GTC13 (VideoFolien)
> Schnellere Zentralitätsberechnungen auf Grafikprozessoren, Umit V. Catalyurek (Ohio State). GTC13 (VideoFolien)
> Noch einmal: Join-Verarbeitung mit Grafikprozessoren), Tim Kaldewey, Guy Lohman, Rene Mueller, Peter Volk. Veranstaltungen des    Achten Internationalen Workshops zu Datenverwaltung mit neuer Hardware (DaMoN 2012) (VideoFolien)
> Effizientes Zusammenführen, Suchen und Einstellen auf Grafikprozessoren, Sean Baxter, Duane Merrill. GTC13  (PDF)
> Grafikprozessorbeschleunigtes Data-Mining in Texten, Yongpeng Zhang et al. (North Carolina State University, Oak Ridge National    Laboratory). (PDF)

Map-Reduce / Hadoop

> MapReduce mit vielen Grafikprozessoren auf Grafikprozessorclustern, Stuart et al. (UC. Davis) (PDF)
> Über Pipelines durchgeführtes MapReduce mit vielen Grafikprozessoren zur Verarbeitung umfangreicher Datenbestände), Chen et al.    (Arkansas State University) (PDF)
> Optimieren von MapReduce für Grafikprozessoren mit effektiver Nutzung von Shared Memory, Chen et al. (Ohio State University). (PDF)
> MITHRA: Skalieren von CUDA auf Cluster mithilfe von MapReduce, Farivar et al (slides)
> Ein MapReduce-basiertes Framework für heterogene Umgebungen aus Clustern verarbeitender Elemente, Tan et al. (Nanyang Tech.    University, Singapur) (PDF)
 
 
Hier findet die Forschung an Grafikprozessoren statt
Georgia Tech

Georgia Tech

Hong Kong University of Science and Technology

Hong Kong University of Science and Technology

IDSIA

IDSIA

Nankai University

Nankai University

New York University

New York University

Ohio State University

Ohio State University

Stanford

Stanford

University of Michigan

University of Michigan

University of Montreal

University of Montreal

University of Toronto

Universität Toronto

Virginia Tech

Virginia Tech

 
 
 
Hier werden die Grafikprozessoren eingesetzt
Baidu

Baidu

Cortexica

Cortexica

Jedox

Jedox

Nuance

Nuance

Onuma

Onuma

Salesforce

Salesforce

Shazam

Shazam

Yandex

Yandex

 
 
Bitte überprüfen!
> CUDA-Tools und -Bibliotheken
         >  PyCUDA
         > NumabaPro
> Akademische Hardwareanfrage
> Bezugsquellen für Tesla
 
CUDA und GPU Computing

Was ist GPU Computing?
Wissenswertes über
GPU Computing

Grafikprozessor-Programmierung
Kepler Grafikprozessor-
Architektur

GPU-Cloud-Computing
Kontaktieren Sie Uns

Was ist CUDA?
CUDA Showcase
Was ist CUDA?
CUDA Centers of Excellence
CUDA-Kurskalender
CUDA Forschungszentren
CUDA Ausbildungszentren

Grafikprozessor-Anwendungen

Tesla Grafikprozessor-Anwendungen
Tesla Fallstudien
Tesla Grafikprozessor-Test
OpenACC-Direktiven
GeoInt Accelerator

Tesla Grafikprozessoren
für Server und Workstations

Warum Tesla
Tesla Server-Lösungen
Tesla Workstation-Lösungen
Embedded Entwicklungsplattform
Tesla Grafikprozessoren kaufen

Tesla News
und Informationen

Tesla Produktdokumentation
Tesla Softwaremerkmale
Tesla Software-
Entwicklungstools

NVIDIA Forschung
Tesla Mitteilungen

Aktuelle News Online

NVIDIA Blog NVIDIA Blog
Facebook Facebook
Twitter Twitter
YouTube YouTube