一種基于cuda實現聚類的方法及裝置制造方法
【專利摘要】本申請公開了一種基于CUDA實現聚類的方法及裝置，包括：將確定的計算統一設備架構(CUDA)類數組和CUDA點數組劃分為至少一個16*16的大小的矩陣；對不足16乘16的矩陣，賦值標志位為0，其他位為1；對各劃分的矩陣，按照類似于矩陣乘法的形式進行矩陣運算；對不足16*16的矩陣，在結果累加時，乘上標志位，以獲得GPU矩陣運算結果；統計GPU矩陣運算結果，當矩陣運算結果中改變的點數不小于預先設置的閾值時，根據矩陣運算結果更新CUDA類數組，直至聚類完成。本發明通過劃分確定的CUDA類數組和CUDA點數組為16*16的矩陣；對不足16*16的矩陣，賦值標志位為0，其他位為1，在結果累加時，乘上標志位，以獲得GPU矩陣運算結果。實現了對不規則的矩陣的聚類在CUDA下實現高效運行。
【專利說明】-種基于CUDA實現聚類的方法及裝置
【技術領域】
[0001] 本申請涉及數據處理技術，尤指一種基于計算統一設備架構（CUDA)實現聚類的 方法及裝置。
【背景技術】
[0002] 聚類分析又稱群分析，它是研究（樣品或指標）分類問題的一種統計分析方法，同 時也是數據挖掘的一個重要算法。聚類分析以相似性為基礎，在一個聚類中的模式之間比 不在同一聚類中的模式之間具有更多的相似性。
[0003] K-means算法是聚類分析中的一種硬聚類算法，是典型的基于原型的目標函數聚 類方法，K-means算法以數據點到原型的某種距離作為優化的目標函數，利用函數求極值的 方法得到迭代運算的調整規則。K-means算法以歐式距離作為相似度測度，是求對應某一初 始聚類中心向量最優分類，使得評價指標最小；采用誤差平方和準則函數作為聚類準則函 數。
[0004] 計算統一設備架構（Compute Unified Device Architecture，簡稱 CUDA)是英偉 達（NVIDIA)公司推出的并行計算架構，該架構通過利用圖形處理器（GPU)的處理能力，能 夠大幅提升計算性能。其中程序代碼通常采用C語言的超集CUDA C編寫。該技術封裝了 使用GPU的細節，使用類似C語言的方式為使用者提供較簡單利用GPU的編程體驗。該技 術可以利用GPU的眾核特性，大幅加速并行化的應用。
[0005] 目前，已經出現一些使用K-means聚類方法對CUDA進行優化的方法，并取得了不 錯的效果。這些方法大致是將中央處理器（CPU)的點數組經過轉置處理后賦值給CUDA點 數組，CPU類數組直接賦值給CUDA類數組，通過對K-means方法進行修改，對矩陣維度為2 的冪的矩陣，尤其常見的維度為32、64、128等矩陣，使用類似于矩陣乘法的形式（按照矩陣 相乘的方式進行矩陣運算，只是將矩陣元素的乘操作改為求差的平方）進行矩陣運算，通 過統計GPU矩陣運算結果，當GPU矩陣運算結果中改變的點數大于或等于預先設置的閾值 時，根據GPU矩陣運算結果更新CUDA類數組，否則，完成聚類。但是，現有使用K-means聚 類方法對CUDA進行優化的方法中，僅針對規則矩陣（指矩陣維度為2的冪的矩陣，尤其常 見的維度為32、64、128等矩陣）進行優化處理，對于維度不規則的矩陣，無法利用CUDA進 行優化處理，使K-means聚類方法在CUDA下實現高效運行。
【發明內容】
[0006] 為了解決上述問題，本發明提供一種基于CUDA實現聚類的方法及裝置，能夠支持 不規則矩陣的聚類，實現K-means聚類方法在CUDA下的高效運行。
[0007] 為了達到本發明的目的，本申請提供一種基于CUDA實現聚類的方法包括：
[0008] 將確定的計算統一設備架構CUDA類數組和CUDA點數組劃分為一個或一個以上16 乘16的大小的矩陣；對不足16乘16的矩陣，標志位賦值為0,除標志位以外的其他位賦值 為1 ;
[0009] 對各劃分的矩陣，按照類似于矩陣乘法的形式進行矩陣運算，對不足16乘16的矩 陣，在結果累加時，乘上標志位，以獲得圖形處理器GPU矩陣運算結果；
[0010] 統計GPU矩陣運算結果，當GPU矩陣運算結果中改變的點數大于或等于預先設置 的閾值時，根據GPU矩陣運算結果更新CUDA類數組，直至聚類完成。
[0011] 進一步地，該方法之前還包括：
[0012] 從輸入文件中獲取每行一組浮點數的二進制或文本形式的信息，根據獲取的二進 制或文本形式的信息，建立中央處理器CPU內存相應的CPU點數組和CPU類數組；
[0013] 根據CPU點數組和CPU類數組，確定CUDA點數組、CUDA類數組。
[0014] 進一步地，根據CPU內存相應的數組，確定的GPU端CUDA點數組、CUDA類數組具 體包括：將CPU點數組轉置變化后賦值給CUDA點數組，將CPU類數組直接賦值給CUDA類數 組。
[0015] 進一步地，統計GPU矩陣運算結果通過聚類結果數組實現統計。
[0016] 進一步地，該方法之前還包括：預先設置元素個數與CUDA點數組相同的聚類結果 數組，并初始化聚類結果數組各元素為-1。
[0017] 另一方面，本申請還提供一種基于CUDA實現聚類的裝置，包括：劃分單元、計算單 元和統計處理單元；其中，
[0018] 劃分單元，用于將確定的計算統一設備架構CUDA類數組和CUDA點數組劃分為一 個或一個以上16乘16的大小的矩陣；對不足16乘16的矩陣，標志位賦值為0,除標志位 以外的其他位賦值為1 ;
[0019] 計算單元，用于對各劃分的矩陣，按照類似于矩陣乘法的形式進行矩陣運算，對不 足16乘16的矩陣，在結果累加時，乘上標志位，以獲得圖形處理器GPU矩陣運算結果；
[0020] 統計處理單元，用于統計GPU矩陣運算結果，當GPU矩陣運算結果中改變的點數大 于或等于預先設置的閾值時，根據GPU矩陣運算結果更新CUDA類數組，直至聚類完成。
[0021] 進一步地，該裝置還包括接收單元和確定單元，
[0022] 接收單元，用于接收CPU處理的點數組和類數組；
[0023] 確定單元，用于將CPU點數組轉置變化后賦值給CUDA點數組，將CPU類數組直接 賦值給CUDA類數組。
[0024] 與現有技術相比，本發明提供的技術方案，包括：將確定的計算統一設備架構 (CUDA)類數組和CUDA點數組劃分為一個或一個以上16乘16的大小的矩陣；對不足16乘 16的矩陣，標志位賦值為0,除標志位以外的其他位賦值為1 ;對各劃分的矩陣，按照類似于 矩陣乘法的形式進行矩陣運算，對不足16乘16的矩陣，在結果累加時，乘上標志位，以獲得 圖形處理器（GPU)矩陣運算結果；統計GPU矩陣運算結果，當GPU矩陣運算結果中改變的 點數大于或等于預先設置的閾值時，根據GPU矩陣運算結果更新CUDA類數組，直至聚類完 成。本發明通過劃分確定的CUDA類數組和CUDA點數組為16乘16的大小的矩陣；對不足 16乘16的矩陣，標志位賦值為0,除標志位以外的其他位賦值為1 ;對不足16乘16的矩陣， 在結果累加時，乘上標志位，以獲得GPU矩陣運算結果。實現了對不規則的矩陣的聚類，使 K-means聚類方法在CUDA下實現了高效運行。
【專利附圖】
【附圖說明】
[0025] 附圖用來提供對本申請技術方案的進一步理解，并且構成說明書的一部分，與本 申請的實施例一起用于解釋本申請的技術方案，并不構成對本申請技術方案的限制。
[0026] 圖1為本發明基于CUDA實現聚類的方法的流程圖；
[0027] 圖2為本發明基于CUDA實現聚類的裝置的結構框圖。
【具體實施方式】
[0028] 為使本申請的目的、技術方案和優點更加清楚明白，下文中將結合附圖對本申請 的實施例進行詳細說明。需要說明的是，在不沖突的情況下，本申請中的實施例及實施例中 的特征可以相互任意組合。
[0029] 圖1為本發明基于CUDA實現聚類的方法的流程圖，如圖1所示，包括：
[0030] 步驟100、將確定的計算統一設備架構（CUDA)類數組和CUDA點數組劃分為一個或 一個以上16乘16的大小的矩陣；對不足16乘16的矩陣，標志位賦值為0,除標志位以外 的其他位賦值為1 ;
[0031] 需要說明的是，CUDA類數組和CUDA點數組是在GPU內存中完成的數組，只有在 GPU上實現聚類時，才需要確定CUDA類數組和CUDA點數組。
[0032] 步驟101、對各劃分的矩陣，按照類似于矩陣乘法的形式進行矩陣運算，對不足16 乘16的矩陣，在結果累加時，乘上標志位，以獲得圖形處理器（GPU)矩陣運算結果。這里， CUDA類數組和CUDA點數組劃分為16乘16的矩陣，CUDA類數組的矩陣中行的元素與CUDA 點數組列的元素按照矩陣乘法會進行相乘，這里類似于矩陣乘法的形式，是指將該部分相 乘部分替換為求差的平方。
[0033] 以下以矩陣
【權利要求】
1. 一種基于CUDA實現聚類的方法，其特征在于，包括： 將確定的計算統一設備架構CUDA類數組和CUDA點數組劃分為一個或一個以上16乘 16的大小的矩陣；對不足16乘16的矩陣，標志位賦值為0,除標志位以外的其他位賦值為 1 ; 對各劃分的矩陣，按照類似于矩陣乘法的形式進行矩陣運算，對不足16乘16的矩陣， 在結果累加時，乘上標志位，以獲得圖形處理器GPU矩陣運算結果； 統計GPU矩陣運算結果，當GPU矩陣運算結果中改變的點數大于或等于預先設置的閾 值時，根據GPU矩陣運算結果更新CUDA類數組，直至聚類完成。
2. 根據權利要求1所述的方法，其特征在于，該方法之前還包括： 從輸入文件中獲取每行一組浮點數的二進制或文本形式的信息，根據獲取的二進制或 文本形式的信息，建立中央處理器CPU內存相應的CPU點數組和CPU類數組； 根據CPU點數組和CPU類數組，確定CUDA點數組、CUDA類數組。
3. 根據權利要求2所述的方法，其特征在于，所述根據CPU內存相應的數組，確定的 GPU端CUDA點數組、CUDA類數組具體包括：將CPU點數組轉置變化后賦值給CUDA點數組， 將CPU類數組直接賦值給CUDA類數組。
4. 根據權利要求1?3任一項所述的方法，其特征在于，所述統計GPU矩陣運算結果通 過聚類結果數組實現統計。
5. 根據權利要求4所述的方法，其特征在于，該方法之前還包括：預先設置元素個數與 CUDA點數組相同的聚類結果數組，并初始化聚類結果數組各元素為-1。
6. -種基于CUDA實現聚類的裝置，其特征在于，包括：劃分單元、計算單元和統計處理 單元；其中， 劃分單元，用于將確定的計算統一設備架構CUDA類數組和CUDA點數組劃分為一個或 一個以上16乘16的大小的矩陣；對不足16乘16的矩陣，標志位賦值為0,除標志位以外 的其他位賦值為1 ; 計算單元，用于對各劃分的矩陣，按照類似于矩陣乘法的形式進行矩陣運算，對不足16 乘16的矩陣，在結果累加時，乘上標志位，以獲得圖形處理器GPU矩陣運算結果； 統計處理單元，用于統計GPU矩陣運算結果，當GPU矩陣運算結果中改變的點數大于或 等于預先設置的閾值時，根據GPU矩陣運算結果更新CUDA類數組，直至聚類完成。
7. 根據權利要求6所述的裝置，其特征在于，該裝置還包括接收單元和確定單元， 接收單元，用于接收CPU處理的點數組和類數組； 確定單元，用于將CPU點數組轉置變化后賦值給CUDA點數組，將CPU類數組直接賦值 給⑶DA類數組。
【文檔編號】G06F17/30GK104123372SQ201410360455
【公開日】2014年10月29日 申請日期:2014年7月25日 優先權日:2014年7月25日
【發明者】沈鉑, 張剛, 邱學侃, 胡金輝, 王婭娟, 張清 申請人:浪潮(北京)電子信息產業有限公司