Tesla

Applicazioni Accelerate dalle GPU

Analitici per dati di grandi dimensioni, scienza dei dati e apprendimento automatico

Un numero in costante crescita di clienti decide di utilizzare le GPU per analitici di dati di grandi dimensioni allo scopo di prendere decisioni di business più informate e in tempo reale. Questa pagina mette in evidenza casi d'uso e tecniche di utilizzo effettivo degli analitici di dati di grandi dimensioni, ad esempio quelli per l'apprendimento automatico, la ricerca e l'ordinamento.

Sono disponibili i contenuti del GTC 2013

Sono disponibili i contenuti del GTC 2013

Accedi a tutti i migliori contenuti sui dati di grandi dimensioni.
Guarda le sessioni >
 
 
 
RILEVAMENTO IMMAGINI 10 VOLTE PIÙ RAPIDO CON LE RETI NEURALI

RILEVAMENTO IMMAGINI 10 VOLTE PIÙ RAPIDO CON LE RETI NEURALI
Dottor Dan Ciresan, Swiss Al Lab IDSIA, Svizzera

LE PIÙ GRANDI RETI NEURALI ARTIFICIALI DEL MONDO USANO LE GPU

LE PIÙ GRANDI RETI NEURALI ARTIFICIALI DEL MONDO USANO LE GPU
Adam Cotes e altri, Sanford Al Lab, U.S.A. – ALTRE INFORMAZIONI

 

Per informazioni sui principali ISV e applicazioni, visita la  pagina Applicazioni GPU.

 
Rapporti tecnici sull'uso di CUDA per i problemi legati ai dati di grandi dimensioni

Apprendimento automatico

> Apprendimento profondo con i sistemi COTS HPC, Adam Coates e altri (Stanford NVDIA) (PDF)
> Rilevamento della mitosi nelle immagini istologiche dei tumori al seno per mezzo di reti neurali profonde, D. Ciresan e altri (IDSIA)(PDF)
          >  Alti studi IDSIA vincitori di premi e benchmark(IDSIA website )
> Rapida classificazione e training delle SVM su processori grafici, Bryan Catanzaro e altri (UC Berkeley, NVIDIA) (PDF)

Data-mining e analitici

>  Ricerca testuale in tempo reale grazie all'abbinamento delle parole chiave e alla valutazione delle espressioni accelerate dalle GPU (Salesforce.com). GTC13 .  GTC13 (videodiapositive)
>  Realizzazione di DSL accelerate e compilatori di GPU con libNVVM (si noti che questo comprende un esempio con l'interfaccia R), Yuan Lin (NVIDIA).  GTC13 (videodiapositive)
>  Analitici su larga scala accelerati dalle GPU, Wu, Zhang, Hsu, HP Laboratories (PDF)
>   Sfruttamento della tecnologia dei processori grafici per l'accelerazione del data-mining in SAP NetWeaver BIA, Weyerhaeuser e altri (SAP)(PDF)
>   Ricerca e ordinamento (PDF)

Ricerca e ordinamento

> Massima efficienza dell'esecuzione in parallelo degli algoritmi di intersezione elenchi e di compressione indice grazie alle GPU, Naiyong Ao e altri (Baidu-Naikai Joint Lab) (PDF)
> Percorso del grafico su GPU scalabile, Merrill e altri (NVIDIA) (webpage)
> Progettazione di algoritmi di ordinamento efficienti per GPU many-core, Satish e altri (Berkeley, NVIDIA) (PDF)
> Algoritmo di ordinamento rapido e flessibile con CUDA, Chen e altri (Accademia delle Scienze cinese) (PDF)
> Ordinamento usando Bitonic network con CUDA, Baraglia e altri (National Research Council) (PDF)

Databases

> Come affidare i compiti più pesanti del proprio Data Warehouse alle GPU, Tim Kaldewey (IBM), Rene Mueller (IBM). GTC13 (videodiapositive)
> Un architettura per database basata sulle GPU, Peter Bakkum (Groupon). GTC13 (videodiapositive)
> Calcoli più rapidi della centralità sulle GPU, Umit V. Catalyurek (Ohio State). GTC13 (videodiapositive)
>  Un riesame dell'elaborazione su GPU, Tim Kaldewey, Guy Lohman, Rene Mueller, Peter Volk. Atti dell'ottavo workshop internazionale per il data management su nuovo hardware (DaMoN '12)(videodiapositive)
> Operazioni efficienti di merge, ricerca e set sulle GPU, Sean Baxter, Duane Merrill. GTC13   (PDF)
> Text-mining accelerato via GPU, Yongpeng Zhang e altri (North Carolina State University, Oak Ridge National Laboratory) (PDF)

Map-Reduce / Hadoop

> oMapReduce multi-GPU su cluster di GPU, Stuart e altri (UC. Davis)(PDF)
> MapReduce multi-GPU in pipeline per l'elaborazione di dati di grandi dimensioni, Chen e altri (Arkansas State University)(PDF)
> Ottimizzazione di MapReduce per le GPU grazie all'utilizzo efficace della memoria condivisa, Chen e altri Ohio State University(PDF)
> o MITHRA: Scaling di CUDA sui cluster usando MapReduce, Farivar e altri (diapositive)
> o Un framework basato su Map-Reduce per l'elaborazione eterogenea di ambienti cluster, Tan e altri (Nanyang Tech. University, Singapore)(PDF)
 
 
I luoghi nei quali si fanno ricerche con le GPU
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

University of Toronto

Virginia Tech

Virginia Tech

 
 
 
I luoghi nei quali si utilizzano soluzioni basate su GPU
Baidu

Baidu

Cortexica

Cortexica

Jedox

Jedox

Nuance

Nuance

Onuma

Onuma

Salesforce

Salesforce

Shazam

Shazam

Yandex

Yandex

 
 
Dai un'occhiata a
> Strumenti e librerie CUDA
         >  PyCUDA
         > NumabaPro
> Richiesta di hardware a scopo accademico
> Dove acquistare Tesla
 
CUDA e il GPU Computing

Che cos'è il GPU Computing?
Dati sull'elaborazione via GPU
Programmazione su GPU
Architettura delle GPU Kepler
Cloud Computing GPU
Contattaci

Che cos’è CUDA?
Vetrina di CUDA
Training su CUDA
Calendario Corsi CUDA
CUDA Research Center
CUDA Teaching Center

Applicazioni per GPU

Applicazioni per GPU Tesla
Storie di successo di Tesla
Direttive OpenACC
Tesla GPU Test Drive

GPU Tesla per
server e workstation

Per quale motivo scegliere Tesla
Soluzioni server Tesla
Soluzioni Workstation Tesla
Il kit di sviluppo CUDA on ARM
Acquista GPU Tesla

News e informazioni Tesla

Documentazione sui prodotti Tesla
Funzionalità software Tesla
Strumenti di sviluppo software Tesla
Ricerca NVIDIA
Avvisi Tesla

Seguici online

NVIDIA Blog BLOG NVIDIA
Facebook Facebook
Twitter Twitter
YouTube YouTube