Tesla

Applications Accélérees par les GPU

Analyse des Big Data, science des données et apprentissage automatique

De plus en plus de sociétés ont recours aux GPU pour analyser de gros volumes de données (Big Data) et ainsi prendre de meilleures décisions commerciales, en temps réel. Cette page a pour but de mettre en avant les exemples d’utilisation de certains clients, ainsi que leurs techniques d’analyse de gros volumes de données : apprentissage automatique, recherche et tri.

 
 
ACCÉLÉRATION PAR 10 DE LA DÉTECTION D’IMAGES À L’AIDE DES RÉSEAUX NEURONAUX

ACCÉLÉRATION PAR 10 DE LA DÉTECTION D’IMAGES À L’AIDE DES RÉSEAUX NEURONAUX
Dr Dan Ciresan, Swiss Al Lab IDSIA, Suisse

PLUS IMPORTANTS RÉSEAUX NEURONAUX ARTIFICIELS AU MONDE AVEC GPU

PLUS IMPORTANTS RÉSEAUX NEURONAUX ARTIFICIELS AU MONDE AVEC GPU
Adam Cotes et al Sanford Al Lab, États-Unis – EN SAVOIR PLUS – LEARN MORE

 

Pour en savoir plus à propos des principales applications et des développeurs de logiciels indépendants, consultez la page Applications des GPU.

 
Rapports techniques sur l’utilisation de CUDA pour les problèmes de Big Data

Apprentissage automatique

> Apprentissage intense avec les systèmes COTS HPC, Adam Coates, et al (Stanford, NVDIA) (PDF)
> Détection de mitose sur des images histologiques de cancer du sein à l’aide de réseaux neuronaux profonds, D. Ciresan et al (IDSIA)(PDF)
          > Autres articles et références relatives aux victoires d’IDSIA lors de compétitions (IDSIA website )
> Présentation et classification des machines à vecteurs de support rapides sur les processeurs graphiques, Bryan Catanzaro et al (UC Berkeley, NVIDIA) (PDF)

Exploration et analyse de données

>  Accélération GPU du filtrage de mots de passe et de l’évaluation d’expressions pour la recherche textuelle en temps réel, Brendan Wood (Salesforce.com).  GTC13 (vidéodiapositives)
>  Accélération des DSL et des compilateurs GPU avec libNVVM (la présentation inclut un exemple avec R), Yuan Lin (NVIDIA).  GTC13 (vidéodiapositives)
>  Accélération de l’analyse des gros volumes de données grâce aux GPU, Wu, Zhang, Hsu, HP Laboratories (PDF)
> Exploitation des technologies de processeurs graphiques pour accélérer l’exploitation de données dans SAP NetWeaver BIA, Weyerhaeuser et al. (SAP) (PDF)
> Recherche parallèle via les cartes graphiques,, Tim Kaldeway et al (Oracle Corp) (PDF)

Recherche et tri

> Algorithme parallèle efficace d’intersection des listes et de compression d’index avec des GPU, Naiyong Ao et al (Baidu-Naikai Joint Lab) (PDF)
> Traversée de graph d’un GPU évolutif, Merrill et al. (NVIDIA) (webpage)
> Conception d’algorithmes de tri efficaces pour les GPU multi-cœurs, Satish et al.(Berkeley, NVIDIA) (PDF)
> Algorithme de tri rapide et flexible avec CUDA, Chen et al. (Chinese Academy of Science). (PDF)
> Procédure de tri sur les réseaux BItonic avec CUDA, Baraglia et al. (National Research Council) (PDF)

Bases de données

> Accélération des opérations les plus exigeantes des entrepôts de données grâce au calcul par le GPU, Tim Kaldewey (IBM), Rene Mueller (IBM). GTC13 (vidéodiapositives)
> Architecture des bases de données GPU, Peter Bakkum (Groupon). GTC13 (vidéodiapositives)
> Calculs centraux plus rapides avec les GPU, Umit V. Catalyurek (Ohio State). GTC13 (videoslides)
>  Refonte du traitement GPU conjoint, Tim Kaldewey, Guy Lohman, Rene Mueller, Peter Volk. Compte rendu du huitième séminaire international sur la gestion des données avec du nouveau matériel (DaMoN ’12) (videoslides)
> Fusion de données, recherche et opérations plus efficaces via les GPU, Sean Baxter, Duane Merrill.   (PDF)
> GPU Accelerated Text Mining, Zhang. (PDF)

Map-Reduce / Hadoop

> MapReduce multi-GPU sur des clusters de GPU, Stuart et al. (UC. Davis) (PDF)
> Développement de MapReduce multi GPU pour le traitement des gros volumes de données, Chen et al. (Arkansas State University)(PDF)
> Optimisation de Map Reduce pour les GPU avec utilisation efficace de la mémoire partagée, Chen et al. Ohio State University (PDF)
> MITHRA : exploitation de CUDA pour les clusters utilisant MapReduce, Farivar et al (slides)
> Framework Map-Reduce pour les éléments de traitement hétérogène des environnements de cluster, Tan et al. (Nanyang Tech. University, Singapore)(PDF)
 
 
Lieux de recherche sur les 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

 
 
 
Lieux de déploiement des GPU
Baidu

Baidu

Cortexica

Cortexica

Jedox

Jedox

Nuance

Nuance

Onuma

Onuma

Salesforce

Salesforce

Shazam

Shazam

Yandex

Yandex

 
 
Voir également
> Outils et bibliothèques CUDA
         >  PyCUDA
         > NumabaPro
> Demande académique de matériel
> Où acheter Tesla
 
CUDA et Calcul par le GPU

Le calcul par le GPU, c'est quoi ?
Principes du calcul par le GPU
Programmation GPU
Architecture Kepler
Cloud Computing
Contactez-nous

Présentation de CUDA
Showcase CUDA
Formation CUDA
CUDA Courses Calendar
Centres de recherche CUDA
Centres d’enseignement CUDA

Applications GPU

Applications GPU Tesla
Études de cas Tesla
Directives OpenACC
Offre d’essai GPU Tesla

GPU Tesla pour serveurs
et stations de travail

Pourquoi choisir Tesla ?
Solutions Tesla pour serveurs
Solutions Tesla pour
stations de travail

Plateforme de développement intégrée
Acheter GPU Tesla

Infos et actualités Tesla

Documentation Tesla
Fonctions logicielles Tesla
Outils de développement de logiciels
NVIDIA Research
Alertes Tesla

NVIDIA en ligne

NVIDIA Blog Blog NVIDIA

Facebook Facebook

Twitter Twitter

Twitch Twitch

YouTube YouTube