文件名称：mcmc:在GPU上为大数据应用加速MCMC算法
文件大小：9.47MB
文件格式：ZIP
更新时间：2024-05-31 07:50:31
c gpu monte-carlo cuda markov-chain
在GPU上加速MCMC 马尔可夫链蒙特卡罗（MCMC）方法已成为贝叶斯推理的主要工具。 这是由于它们具有从许多变量的概率分布中生成随机样本的能力。 但是，对于现实世界中的问题，这些方法变得非常昂贵。 对于具有大型和复杂数据集的模型，对每次迭代中每个数据点代价高昂的可能性的评估设置了计算瓶颈。 一种加速似然函数的方法是通过子采样数据或自定义精度实现近似地对其进行计算。 另一种方法是将算法映射到并行设备（例如多核CPU，GPU和FPGA）上，以利用每种体系结构的优势和功能。 该项目旨在在GPU上加速MCMC Metropolis-Hastings算法。 另外，探索在静态架构（例如GPU）上映射此算法的优缺点以及各种大小的数据集的影响。 该项目包括： 该算法的基准双精度（DP）CPU版本。 加速的双精度GPU版本可实现高达x68的速度（与CPU相比） 加速的单精度（SP）GPU版本实现
【文件预览】：
mcmc-master
----.gitignore(38B)
----src()
--------mcmc_cpu()
--------util()
--------reduction()
--------mcmc_mp()
--------mcmc_gpu_sp()
--------mcmc_gpu()
----.gitmodules(105B)
----scr()
--------data_scr()
--------plot_scr()
--------sh_scr()
----README.md(2KB)
----tests()
--------multiple_runs_sp.c(2KB)
--------compare_gpu_sp.c(5KB)
--------gpu_perf.c(4KB)
--------multiple_runs_gpu.c(2KB)
--------multiple_runs_cpu.c(2KB)
--------large_data_cpu.c(3KB)
--------tunning_cpu.c(5KB)
--------compare_cpu_gpu.c(4KB)
--------compare_tuners.c(4KB)
----lib()
--------ccsvparser()
----makefile(12KB)