Use este identificador para citar ou linkar para este item:
https://repositorio.ufu.br/handle/123456789/43738
ORCID: | http://orcid.org/0009-0000-5383-3098 |
Tipo do documento: | Trabalho de Conclusão de Curso |
Tipo de acesso: | Acesso Aberto |
Título: | Paralelização do algoritmo K-means em GPUs NVIDIA utilizando a biblioteca Numba |
Título(s) alternativo(s): | Parallelization of the K-means algorithm in NVIDIA GPUs using the Numba library |
Autor(es): | Praxedes, Vinícius Henrique Almeida |
Primeiro orientador: | Abdala, Daniel Duarte |
Primeiro membro da banca: | Souza, Júlia Tannús de |
Segundo membro da banca: | Santos, Anderson Rodrigues dos |
Resumo: | O K-means é um algoritmo notório de agrupamento de dados que vem sendo usado extensivamente desde sua concepção no meio do século XX. Utilizando-o como exemplo de implementação, essa pesquisa visou implementar uma versão paralelizada, usando o processamento vetorial de uma GPU NVIDIA, para obter um ganho de performance significativo, sem afetar a precisão dos resultados. Buscou-se realizar essa implementação utilizando ferramentas de programação de mais alto-nível de abstração, especificamente a linguagem Python e as bibliotecas Numba, Numpy e Pandas, explorando a possibilidade de se atingir grandes aumentos em velocidade de execução sem abrir mão da facilidade de desenvolvimento proporcionada pelo Python, se comparada com a complexidade de realizar uma implementação equivalente em C++ utilizando a API CUDA diretamente. Foi constatada maior velocidade de execução em C++ se comparado ao Python em testes com implementações paralelas em GPU de soma de vetores unidimensionais com mais de 400 milhões de elementos, C++ sendo cerca de 22,63x mais rápido que Python. Não obstante, ao se testar implementações seriais e paralelas em Python do algoritmo k-means foram obtidos ganhos de performance dentro da magnitude esperada ao se comparar com resultados de outros trabalhos da literatura com objetivos semelhantes de otimização do k-means. Esses experimentos foram realizados utilizando cinco conjuntos de dados com o número de instâncias variando entre 3.810 e 13.932.632 e o número de features entre 3 a 50. Um aumento médio de peformance entre 9x a 42x foi atingido com sucesso sem prejudicar mensuravelmente a qualidade dos resultados, ao se comparar uma implementação serial em Python usando as bibliotecas Pandas e Numpy e uma paralela em Python usando, além dessas, a biblioteca Numba para rodar funções em uma GPU NVIDIA. Além disso foi observado que o ganho de performance tende a aumentar para conjuntos de dados maiores. |
Palavras-chave: | K-means agrupamento de dados GPGPU CUDA Numba computação paralela |
Área(s) do CNPq: | CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::TEORIA DA COMPUTACAO |
Idioma: | por |
País: | Brasil |
Editora: | Universidade Federal de Uberlândia |
Referência: | PRAXEDES, Vinícius Henrique Almeida. Paralelização do Algoritmo K-means em GPUs NVIDIA Utilizando a Biblioteca Numba. 2024. 75 f. Trabalho de Conclusão de Curso (Graduação em Ciência da Computação) – Universidade Federal de Uberlândia, Uberlândia, 2024. |
URI: | https://repositorio.ufu.br/handle/123456789/43738 |
Data de defesa: | 25-Abr-2024 |
Aparece nas coleções: | TCC - Ciência da Computação |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
ParalelizaçãoAlgoritmoKmeans.pdf | TCC | 4.56 MB | Adobe PDF | Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons