Parallel Vision with GPGPU/CUDA 以GPGPU/CUDA進行平行視覺

課    程 : 論文研討
班    級 : 資工產碩二
日    期 : 100年 10月7日
演講者 : 輔仁大學電機工程系王元凱教授
題    目 : Parallel Vision with GPGPU/CUDA 以GPGPU/CUDA進行平行視覺
姓    名 : 魏早達
學    號 : 99366512

　　記得我的第一台電腦宏碁的小教授，使用著Z80 CPU，當時寫程式只能使用Z80組合語言，而且要將組合語言自己去翻譯成16進位碼才可以輸入電腦。到後來買了Apple II，開始了高階語言的寫作之旅，即使是Apple II也只是使用6502這顆8位元的CPU，這和今天的CPU真是不能比。

　　就正如Moore’s Law 所說的每18個月CPU的電晶體個數會增加一倍，人們不斷追求著高速的CPU運算時代，但是沒多久就發現CPU中電晶體的成長受到了許多物理因素的影響(如：發熱現象)，已經到了一個成長的極限。所幸發現了可以使用多核來解決此一問題。也因此CPU的發展進入了多核的時代。其實多核的發展早就在GPU上實現，現在的GPU動輒數百核，實在不是現在的CPU所能比擬的，所以如果能將一些耗費CPU的運算交由GPU去執行，那不就是儼然有了一部超級電腦，但是要完成這個想法，光有硬體的配合是不夠的，也要在程式的撰寫上做到多執行緒的部份，另外如何能用到GPU，目前有兩種API framework，分別為CUDA和OpenGL，以使用nVidia顯示卡來說，甚至於可以將C++程式碼不用修改直接用CUDA編譯後，就可以在GPU執行而且得到不錯的效果，如果再配合CUDA的規範去改寫甚至可以有數百倍的效果。

　　有了這個的特性，王教授把它運用在需要高度運算的平行視覺領域中，更是得到如魚得水的效果，譬如在一個光線不怎麼好的環境要做影像復原（Image Restoration），也就是如何把亮與不亮的部份都變亮，常用的方法就是高斯模糊的演算法，當然在運用CUDA的細節部份還需要考量那些適合使用GPU，大致可以歸納出：

l   Domain decomposition à GPGPU

l   Function decomposition à CPU

從實驗數據來看，確實也獲得非常好的效果。

　　從王教授的演說內容給我了一些啟發，我們現在作實驗經常需要好幾台機器跑好幾天，如果能運用GPGPU來做，應該可以節省不少時間，只不過現在通常運用的一些模擬工具（如：NS2，OMNet++等）不知是否支援CUDA，如果能夠支援的話，那對我們真是一大福音。