हमें एल्ब्रस पर निम्न-स्तर के अनुकूलन की आवश्यकता क्यों है या मान्यता प्रणाली को डेढ़ गुना करने की गति कैसे है

2019 में मिलने और स्मार्ट IDReader के लिए नई सुविधाओं को विकसित करने से थोड़ा आराम करने के बाद, हमें याद आया कि हमने लंबे समय तक घरेलू प्रोसेसर के बारे में कुछ नहीं लिखा था। इसलिए, हमने तत्काल सही करने का फैसला किया और एल्ब्रस पर एक और मान्यता प्रणाली दिखाई।

एक मान्यता प्रणाली के रूप में, पेंटिंग ऑब्जेक्ट्स की मान्यता प्रणाली को "एक उदाहरण के अनुसार प्रशिक्षण के साथ विधि द्वारा अनियंत्रित परिस्थितियों में" माना जाता था। यह प्रणाली एकवचन बिंदुओं और उनके विवरणों के आधार पर छवि का विवरण बनाती है, जिसे वह चित्रों के अनुक्रमित डेटाबेस में खोजता है। हमने इस प्रणाली के प्रदर्शन का विश्लेषण किया और एल्गोरिथम के सबसे अधिक समय लेने वाले निम्न-स्तरीय भाग की पहचान की, जिसे तब एल्ब्रस प्लेटफॉर्म के उपकरणों का उपयोग करके अनुकूलित किया गया था।

हम किस तरह की मान्यता प्रणाली की बात कर रहे हैं?

वर्तमान में, अधिकांश संग्रहालयों और दीर्घाओं ने विभिन्न उपकरणों का उपयोग स्वतंत्र रूप से अपने आप को प्रदर्शनी के साथ परिचित करने के लिए किया है। क्लासिक ऑडियो गाइड के साथ, इमेज प्रोसेसिंग और विश्लेषण विधियों का उपयोग करने वाले मोबाइल एप्लिकेशन व्यापक हो गए हैं। इनमें से कुछ एप्लिकेशन प्रदर्शनियों (बार या क्यूआर) [2] के लिए ग्राफिक कोड पहचानते हैं, दूसरों के लिए [3-4] इनपुट डेटा फोटो या वीडियो फ्रेम हैं जो क्लोज़-अप (स्मार्टिफ़, आर्टबिट) में प्रदर्शित प्रदर्शनी के साथ हैं। बेशक, बाद की श्रेणी के "मोबाइल गाइड" उपयोगकर्ता के लिए अधिक सुविधाजनक होते हैं [5] प्रदर्शन संख्या या क्यूआर मान्यता की मैनुअल प्रविष्टि के साथ समाधान की तुलना में: संख्या और कोड काफी छोटे होते हैं, और उनकी खोज और प्रविष्टि के लिए अतिरिक्त कार्यों की आवश्यकता होती है जो एक्सपोज़र रिव्यू से संबंधित नहीं होते हैं। यह ऐसी व्यवस्था है जिस पर हम विचार करेंगे।

चित्रों में चित्रों को पहचानने का कार्य निम्नानुसार तैयार किया गया था। अनुरोध छवि $$$क्यू$ कक्षाओं में से एक को सौंपा जाना चाहिए $$$C = \ {C_i \} _ {i \ _ [0, N]} $ मे$ जहाँ $$$C_i$ - छवि वर्ग $$$मैं$ पर प्रदर्शन $$$i [in [1, N]$ । $$$C_0$ - मान "अज्ञात चित्र" के अनुरूप अन्य छवियों का एक वर्ग। प्रत्येक के लिए $$$C_i$ संदर्भ छवि सेट $$$T_i$ ।
इसके अलावा, हमें निम्नलिखित मान्यताओं द्वारा निर्देशित किया गया था:

1. अनुरोध छवि $$$क्यू$ इसलिए, भ्रमण के दौरान एक अप्रस्तुत उपयोगकर्ता द्वारा मोबाइल डिवाइस के कैमरे का उपयोग करना, इसलिए:
   क) इसमें दृश्य दोष हो सकते हैं - चकाचौंध, खंडित क्षेत्र, शोर;
   बी) कोण, फ़्रेमिंग, प्रकाश और रंग संतुलन अज्ञात हैं (छवि 1 ए);
   ग) विदेशी वस्तुएं, जैसे कि दृश्य, चित्र फ़्रेम, आगंतुक, चित्र पर मौजूद हो सकते हैं (चित्र। 1 बी)।
2. संदर्भ छवि $$$T$ यह एक उच्च-रिज़ॉल्यूशन वाली छवि है जिसमें किसी चित्र या उसके डिजिटल प्रजनन का ललाट प्रक्षेपण होता है। मानक में विदेशी वस्तुएं और दृश्य दोष नहीं होते हैं। उदाहरण के लिए, कला एल्बमों के गुणात्मक रूप से स्कैन किए गए पृष्ठ (छवि 2) हो सकते हैं।
3. चित्र (दोनों अनुरोध पर और मानक पर) किसी भी शैली पर लागू हो सकते हैं - यथार्थवाद,
   प्रभाववाद, अमूर्ततावाद, भग्न ग्राफिक्स, आदि।
4. वर्गों की संख्या $$$एन$ संग्रह के आकार से मेल खाता है और एक गैलरी तक पहुंच सकता है
   सैकड़ों हजारों प्रदर्शन [6]।

चित्र 1 - छवि अनुरोध के उदाहरण क) एक तस्वीर कम रोशनी में दूर से ली गई है, बी) एक आगंतुक फ्रेम में है।

चित्र 2 - चित्रों के लिए संदर्भ चित्रों के उदाहरण ए) क्लाउड मोनेट "डी वूरज़ान एन डे वेस्टरहेम", बी) सल्वाडोर डाली "ला ​​पर्सिस्टेनिया डी ला मेमोरिया"

इस समस्या के हमारे समाधान का मुख्य विचार इनपुट छवि से चित्र का एक विशेष विवरण बनाने पर आधारित है, जो तब इस चित्र को उच्च-रिज़ॉल्यूशन वाले चित्रों के संदर्भ चित्रों के डेटाबेस में खोजने के लिए उपयोग किया जाता है जो ज्यामितीय विकृतियों और अन्य फोटो-दोषों के अधीन नहीं हैं। YACIPE एल्गोरिथ्म [7] और उनके RFD विवरणक का उपयोग करते हुए पाए गए एकवचन बिंदुओं के निर्देशांक को इस तरह के विवरण के रूप में उपयोग किया जाता है।

प्रत्येक संदर्भ के लिए $$$T_i$ एक विवरण बनाएँ, और फिर इसे अनुक्रमित करें - विवरण में प्रत्येक बिंदु के लिए हम फॉर्म का एक रिकॉर्ड दर्ज करते हैं $$$\ langle i, f_i \ rangle$ एक यादृच्छिक श्रेणीबद्ध श्रेणीबद्ध खोज वृक्ष [8] में, जो आपको रैखिक खोज की तुलना में महत्वपूर्ण गति प्राप्त करने के साथ निकटतम पड़ोसियों के लिए अनुमानित खोज करने की अनुमति देता है। हमिंग दूरी का उपयोग मीट्रिक के रूप में किया जाता है, क्योंकि हम एक द्विआधारी विवरणक का उपयोग करते हैं।

मान्यता प्रक्रिया इस प्रकार है:

1. अनुरोध छवि में $$$क्यू$ पेंटिंग क्षेत्र $$$Q_L$ फ्रेम की आयताकारता की धारणा का उपयोग करके पूर्व-स्थानीयकृत। ज़ोन खोज को तेजी से चतुष्कोण खोज एल्गोरिथ्म का उपयोग करके किया जाता है [9] जिसमें हटाए गए पहलू अनुपात पर प्रतिबंध है। यह निम्नलिखित समस्याओं को रोकता है:
   - फ्रेम में विदेशी वस्तुओं के कारण चित्र क्षेत्र का अपर्याप्त विवरण, जिसमें सर्वोत्तम रेटिंग के साथ विशेष बिंदु हो सकते हैं;
   - चित्र के बाहर स्थित क्षेत्रों के विवरणों की तुलना करने के लिए कम्प्यूटेशनल लागत;
   - डेटाबेस और तस्वीर के मानक में मानक के बीच के पैमाने और कोण में एक महत्वपूर्ण बेमेल है, जो मिलान विवरणकों के गलत परिणाम की ओर जाता है।

   
   

2. पाया क्षेत्र में छवि को सामान्य रूप से सामान्यीकृत किया गया है:

   
   

   $$

   $$Q ^ * = H (Q_L),$$
   
   

   जहाँ $$$ज$ - प्रक्षेप्य परिवर्तन।

   
   

3. एक कॉम्पैक्ट विवरण बनाएँ $$$w ^ *$ :
   क) एल्गोरिथ्म को स्केलिंग के लिए अधिक लचीला बनाने के लिए अनुपात को बनाए रखते हुए छवि को एक मानक आकार में घटाया जाता है;
   बी) उच्च आवृत्ति शोर एक गाऊसी फिल्टर द्वारा दबा दिया जाता है;
   ग) एकवचन बिंदुओं की गणना परिणामी छवि पर की जाती है, उनकी संख्या कृत्रिम रूप से सीमित होती है $$$एम$ YACIPE के आंतरिक मूल्यांकन द्वारा सबसे अच्छा;
   d) पाया गया एकवचन बिंदुओं के आस-पास के रंग RFD जैसे वर्णनों की गणना की जाती है, क्योंकि हमारे कार्य में इनपुट छवियों के रंग विशेषताओं के बारे में जानकारी को सहेजना महत्वपूर्ण था। उदाहरण के लिए, अंजीर में चित्र। 3 इसके बिना अंतर करना बेहद मुश्किल होगा;
   घ) इस प्रकार, छवि का वर्णन $$$मैं$ के रूप में प्रतिनिधित्व किया जा सकता है: $$$w ^ * = \ {\ langle p_i, f_i) \ rangle \} _ {i \ _ [1, M]} $ मे$ जहाँ $$$p_i = \ langle x_i, y_i \ rangle$ क्या मैं-वें एकवचन बिंदु के निर्देशांक हैं, और $$$f_i$ इ-वें एकवचन बिंदु के पड़ोस को संभालता है।

   
   

4. प्रत्येक प्रविष्टि के लिए $$$\ langle p, f \ rangle \ w में ^ *$ सूचकांक विवरणक के निकटतम पड़ोसियों के लिए एक अनुमानित खोज करता है $$$च$ । मतदान प्रक्रिया को लागू विवरणकर्ताओं - डिस्क्रिप्टर पर लागू किया जाता है $$$f_i$ मानक के लिए एक आवाज जोड़ता है $$$T_i$ । फिर, सबसे अधिक वोटों वाले K उम्मीदवारों को चुना जाता है।

   
   

5. प्रत्येक के लिए $$$K$ RANSAC एल्गोरिथ्म का उपयोग करके चयनित विकल्प, अनुमानित परिवर्तन की खोज की जाती है $$$ज$ किसी दिए गए ज्यामितीय त्रुटि के भीतर अनुवाद करना $$$\ डेल्टा$ क्वेरी अंक $$$Q ^ *$ संदर्भ बिंदुओं के लिए $$$T$ । डॉट्स की जोड़ी $$$\ langle p, p '\ rangle$ करीब विवरणकर्ताओं के साथ एक वैध मैच माना जाता है यदि:

   
   

   $$

   $$\ _ बाएं | एच (पी) - पी 'सही है | <\ delta, p \ w in w ^ *, p '\ in w ^ T$$
   
   

6. अंतिम परिणाम के रूप में, मानक का चयन किया जाता है $$$T_b$ जिसके लिए सही तुलना की संख्या अधिकतम हो गई। यदि यह एक निश्चित सीमा मूल्य से कम है $$$आर$ , इसका परिणाम झूठी सकारात्मकता से बचने के लिए "अज्ञात चित्र" होगा (उदाहरण के लिए, उन चित्रों में जिनके लिए खोज डेटाबेस में मानक का कोई विवरण नहीं है)।

   
   

चित्रा 3 - क्लाउड मोनेट। रेन कैथेड्रल, वेस्ट फेसेड, सनलाइट (बाएं) और रेन कैथेड्रल, पोर्टल और टॉवर सेंट-रोमेन इन द सन (दाएं)।

सिस्टम के मुख्य भागों में से एक हैमिंग दूरी का उपयोग करके मीट्रिक के रूप में करीबी विवरणों की खोज है। चूंकि इसकी गणना कई बार की जाती है, इसलिए यह चरण कम्प्यूटेशनल रूप से समय लेने वाला बन जाता है और सिस्टम के 65% समय लेता है। यही कारण है कि हमने इसे अनुकूलित किया।

एल्ब्रस की वास्तुकला का एक बहुत छोटा विवरण

एल्ब्रस का प्रोसेसर आर्किटेक्चर एक विस्तृत कमांड शब्द (बहुत लंबा निर्देश शब्द, वीएलआईडब्ल्यू) के सिद्धांत का उपयोग करता है। इसका मतलब है कि प्रोसेसर समूहों में निर्देशों को निष्पादित करता है, और प्रत्येक समूह के भीतर कोई निर्भरता नहीं होती है और इन निर्देशों को समानांतर में निष्पादित किया जाता है। ऐसे प्रत्येक समूह को एक व्यापक कमांड शब्द कहा जाता है। व्यापक कमांड शब्द एक अनुकूलन कंपाइलर द्वारा उत्पन्न होते हैं, जो स्रोत कोड के अधिक विस्तृत विश्लेषण को संभव बनाता है, जिससे अधिक कुशल समानांतरकरण [10] हो जाता है।

एल्ब्रस वास्तुकला की एक विशेषता स्मृति के साथ काम करने के तरीके हैं। मेमोरी एक्सेस समय का अनुकूलन करने वाले कैश होने के अलावा, एल्ब्रस प्रोसेसर डेटा को प्री-पेजिंग के लिए एक हार्डवेयर-सॉफ्टवेयर विधि का समर्थन करते हैं। यह विधि प्रारंभिक डेटा बफर में मेमोरी एक्सेस और पंपिंग डेटा की भविष्यवाणी करने की अनुमति देती है। प्रोसेसर के हार्डवेयर में सरणियों (ऐरे एक्सेस यूनिट, एएयू) तक पहुंचने के लिए एक विशेष उपकरण शामिल है, लेकिन स्वैपिंग की आवश्यकता कंपाइलर द्वारा निर्धारित की जाती है, जो एएयू के लिए विशेष निर्देश उत्पन्न करती है। कैश में सरणी तत्वों को रखने की तुलना में स्वैप डिवाइस का उपयोग करना अधिक कुशल है, क्योंकि सरणी तत्वों को अक्सर क्रमिक रूप से संसाधित किया जाता है और शायद ही कभी एक से अधिक बार उपयोग किया जाता है [11]। हालांकि, यह ध्यान दिया जाना चाहिए कि एलब्रस पर प्री-पेजिंग बफर का उपयोग केवल तभी संभव है जब संरेखित डेटा के साथ काम किया जाए। इसके कारण, संरेखित डेटा को पढ़ना / लिखना, अनलगंटेड डेटा के लिए संबंधित संचालन की तुलना में बहुत तेज होता है।

इसके अलावा, एलब्रस प्रोसेसर कमांड स्तर पर समानांतरवाद के अलावा कई प्रकार के समानतावाद का समर्थन करते हैं: SIMD- समानांतरवाद, नियंत्रण प्रवाह की समानता, एक बहु-मशीन परिसर में कार्यों के समानांतरवाद। हमारे लिए विशेष रूप से रुचि सिमड समवर्ती है।

SIMD- विस्तार प्रोसेसर एल्ब्रस का उपयोग करने की विशेषताएं

SIMD एक्सटेंशन का उपयोग दो मोड में किया जा सकता है: स्वचालित और प्रत्यक्ष। पहले मामले में, डेवलपर की भागीदारी के बिना संकलक द्वारा पूरी तरह से संचालन का समानांतरकरण किया जाता है। यह मोड सीमित है, क्योंकि अनुकूलित कोड को स्रोत कोड के व्यवहार को पूरी तरह से दोहराना होगा, जिसमें अतिप्रवाह, गोलाई, आदि जैसे व्यवहार शामिल हैं। इस स्थिति में, SIMD- एक्सटेंशन निर्देशों का व्यवहार प्रोसेसर निर्देशों से इन पहलुओं में भिन्न हो सकता है। इसके अलावा, संकलक में उपयोग किए जाने वाले एल्गोरिदम अपूर्ण हैं और हमेशा कुशल समानांतर प्रदर्शन करने में सक्षम नहीं हैं। हालाँकि, डेवलपर्स सीधे आंतरिक रूप से सिमड एक्सटेंशन कमांड का उपयोग कर सकते हैं। आंतरिक कार्य ऐसे कार्य हैं जिनके कॉल को कंपाइलर द्वारा किसी दिए गए प्लेटफ़ॉर्म के लिए उच्च-प्रदर्शन कोड के साथ बदल दिया जाता है, विशेष रूप से, SIMD एक्सटेंशन कमांड के साथ। Elbrus-4C और Elbrus-8C प्रोसेसर आंतरिक के एक सेट का समर्थन करते हैं, जिसके लिए रजिस्टर का आकार 64 बिट्स है। इसमें डेटा रूपांतरण, वेक्टर तत्वों के आरंभीकरण, अंकगणितीय संचालन, बिटवाइज़ लॉजिकल ऑपरेशंस, वेक्टर तत्वों के क्रमांकन आदि के संचालन शामिल हैं।

एल्ब्रस प्लेटफ़ॉर्म पर आंतरिक का उपयोग करते समय, स्मृति तक पहुंचने के लिए विशेष ध्यान दिया जाना चाहिए, क्योंकि व्यावहारिक कार्यों, उदाहरण के लिए, छवि प्रसंस्करण कार्य, अक्सर 64-बिट रजिस्टर में डेटा के असंतुलित पढ़ने की आवश्यकता होती है। इस तरह की रीडिंग अपने आप में अक्षम है, क्योंकि इसमें डेटा ब्लॉक बनाने के लिए रीड कमांड और उसके बाद के कमांड की एक जोड़ी की आवश्यकता होती है, लेकिन इससे भी महत्वपूर्ण बात यह है कि डेटा एक्सेस की गति को बढ़ाने के लिए एरे स्वैप स्वैप का उपयोग नहीं किया जा सकता है। हालांकि, यह ध्यान देने योग्य है कि अलिखित डेटा की अक्षम पहुंच की समस्या Elbrus-4C और Elbrus-8C प्रोसेसर के लिए प्रासंगिक है, जबकि नए Elbrus-8CV के लिए कमांड सिस्टम के 5 वें संस्करण के साथ, यह आंशिक रूप से हल है। यह उम्मीद की जाती है कि निर्देश प्रणाली के 6 वें संस्करण के साथ एलब्रस प्रोसेसर पूरी तरह से हल हो जाएंगे।

हालाँकि, Elbrus-4C और Elbrus-8C प्रोसेसर पर, निम्न-स्तरीय डेटा प्रोसेसिंग को कुशलतापूर्वक खाते के संरेखण में लिया जाता है। उदाहरण के लिए, संख्यात्मक सरणियों के लिए, इसमें कई चरण शामिल हो सकते हैं: प्रारंभिक भाग (एक सरणियों के 64-बिट संरेखण सीमा तक) को संसाधित करना, संरेखित मेमोरी एक्सेस का उपयोग करके मुख्य भाग को संसाधित करना और सरणी के शेष तत्वों को संसाधित करना। चूंकि संकलन के दौरान पार्सिंग पॉइंटर्स एक तुच्छ कार्य नहीं है, आप –faligned कंपाइलर –faligned उपयोग कर सकते हैं, जिसके साथ सभी मेमोरी एक्सेस ऑपरेशन एक संरेखित तरीके से किए जाते हैं।

एल्ब्रस प्लेटफ़ॉर्म पर आंतरिक का उपयोग करने की अगली विशेषता सीधे इसकी वीएलआईडब्ल्यू वास्तुकला से संबंधित है। कई अंकगणितीय तर्क उपकरणों (ALU) की उपस्थिति के कारण, जो समानांतर में काम करते हैं और विस्तृत कमांड शब्द बनाते समय लोड किए जाते हैं, कई आदेशों को एक साथ निष्पादित किया जा सकता है। कुल मिलाकर, एल्ब्रस -4 सी और एल्ब्रस -8 सी प्रोसेसर में छह ALU होते हैं जिन्हें एक व्यापक टीम के हिस्से के रूप में इस्तेमाल किया जा सकता है, लेकिन प्रत्येक ALU आंतरिक के अपने स्वयं के सेट का समर्थन करता है। सरल ऑपरेशन, जैसे कि 64-बिट रजिस्टरों में तत्वों को जोड़ना या गुणा करना, एक नियम के रूप में दो ALU का समर्थन करते हैं। इसका अर्थ है कि एल्ब्रस प्रोसेसर एकल घड़ी चक्र में दो ऐसे निर्देशों को निष्पादित कर सकता है। ऐसा करने के लिए, रनिंग लूपिंग का उपयोग निष्पादन योग्य कोड में किया जाना चाहिए। एल्ब्रस प्लेटफ़ॉर्म के लिए अनुकूलन कंपाइलर प्राग्मा #pragma unroll(n) का समर्थन करता है, जो n लूप पुनरावृत्तियों की तैनाती की अनुमति देता है।

इन सुविधाओं को ध्यान में रखते हुए अतिरिक्त फ़ंक्शन के कार्यान्वयन का एक उदाहरण हमारे पिछले लेख में पाया जा सकता है।

प्रयोगों

हुर्रे, पाठ समाप्त हो गया है और अंत में हम एल्ब्रस पर कुछ लॉन्च करेंगे!

सबसे पहले, हम अलग से हैमिंग दूरी पर विचार करते हैं। आगे की हलचल के बिना, हमने यादृच्छिक डेटा के दो बिट वैक्टर की तुलना की। बाइनरी मानों को 8-बिट पूर्णांक के सरणियों में पैक किया गया था, और सरलता के लिए, हम मानते थे कि मूल वैक्टर की लंबाई 8. के ​​गुणक हैं। हमेशा की तरह, कोड सी ++ में लिखा गया है, जिसे lcc द्वारा संकलित किया गया है 1.21.24 - एक अनुकूलन एल्ब्रस संकलक।

हमने हैमिंग दूरी के कई कार्यान्वयन लिखे, जो क्रमिक रूप से एल्ब्रस प्रोसेसर की विशेषताओं को ध्यान में रखते थे। वे इस तरह दिखते थे:

1. 8-बिट पूर्णांक और पूर्व-परिकलित मानों की तालिका के बीच एक बिटवाइज़ XOR का उपयोग किया जाता है। इंट्रिसिक्स और अन्य ट्रिक्स के बिना यह एक बुनियादी कार्यान्वयन है।
2. यह 32-बिट पूर्णांक और आंतरिक के बीच XOR का उपयोग करता है जो 32-बिट पूर्णांक - popnnt32 में इकाइयों की संख्या की गणना करता है। 32-बिट सीमा संरेखण प्रदर्शन नहीं किया गया था।
3. 64-बिट पूर्णांक - popnnt64 में इकाइयों की संख्या की गणना करने के लिए 64-बिट पूर्णांक और आंतरिक के बीच XOR का उपयोग करता है। 64-बिट सीमा संरेखण प्रदर्शन नहीं किया गया था।
4. 64-बिट पूर्णांक - popnnt64 में इकाइयों की संख्या की गणना करने के लिए 64-बिट पूर्णांक और आंतरिक के बीच XOR का उपयोग करता है। स्मृति तक पहुंच एक संरेखित तरीके से की जाती है। चूंकि सरणियों के शुरुआती पते अलग-अलग संरेखण हो सकते हैं, जब सरणियों में से एक को पढ़ते हुए, दो पड़ोसी 64-बिट ब्लॉक पढ़ते हैं और आवश्यक 64-बिट ब्लॉक उनसे बनता है।
5. 64-बिट पूर्णांक - popnnt64 में इकाइयों की संख्या की गणना करने के लिए 64-बिट पूर्णांक और आंतरिक के बीच XOR का उपयोग करता है। स्मृति तक पहुंच एक संरेखित तरीके से की जाती है। चूंकि सरणियों के शुरुआती पते अलग-अलग संरेखण हो सकते हैं, जब सरणियों में से एक को पढ़ते हुए, दो पड़ोसी 64-बिट ब्लॉक पढ़ते हैं और आवश्यक 64-बिट ब्लॉक उनसे बनता है। इसके अतिरिक्त, -faligned कंपाइलर ध्वज का -faligned ।
6. 64-बिट पूर्णांक - popnnt64 में इकाइयों की संख्या की गणना करने के लिए 64-बिट पूर्णांक और आंतरिक के बीच XOR का उपयोग करता है। स्मृति तक पहुंच एक संरेखित तरीके से की जाती है। चूंकि सरणियों के शुरुआती पते अलग-अलग संरेखण हो सकते हैं, जब सरणियों में से एक को पढ़ते हुए, दो पड़ोसी 64-बिट ब्लॉक पढ़ते हैं और आवश्यक 64-बिट ब्लॉक उनसे बनता है। इसके अतिरिक्त, कंपाइलर फ़्लैग- -faligned और कंपाइलर प्रैग्मस #pragma unroll(2) अनरोल #pragma unroll(2) (पॉपकंटे 64 की गणना के लिए दोनों उपलब्ध ALU का उपयोग करने के लिए) और #pragma loop count(1000) (अतिरिक्त #pragma loop count(1000) ऑप्टिमाइज़ेशन सक्षम करने के लिए) का उपयोग किया गया था।

समय मापन के परिणाम तालिका 1 में दिखाए गए हैं।

तालिका 1. एक एल्ब्रस -4 सी प्रोसेसर वाली मशीन पर लंबाई 10 ^ 5 की पैक बाइनरी संख्या के दो सरणियों के बीच हैमिंग की दूरी की गणना करने का समय। 10 ^ 5 से अधिक का औसत समय शुरू होता है।

यह देखा जा सकता है कि माना जाने वाले सभी अनुकूलन में रनटाइम में 11.5 गुना की कमी आई। यह ध्यान देने योग्य है कि स्मृति तक असंतुलित पहुंच के लिए आंतरिकता का उपयोग केवल 1.13 गुना (पॉपकांटे 32 के लिए) और 2.4 गुना (पॉपकंटे 64 के लिए) दिखाया गया, जबकि डेटा संरेखण के लिए लेखांकन एपीबी सरणी स्वैप बफर के उपयोग के लिए प्रेरित हुआ। जिसकी सहायता से एक और 3.4 गुना (58 एमएस बनाम 17.15 एमएस) द्वारा त्वरण प्राप्त करना संभव था। इस तथ्य के बावजूद कि -falign फ्लैग के उपयोग ने उपरोक्त उदाहरण में एक महत्वपूर्ण प्रदर्शन लाभ नहीं दिखाया, अधिक जटिल एल्गोरिदम में यह संभव है कि कंपाइलर स्रोत कोड का गहराई से विश्लेषण नहीं कर सकता है ताकि एपीबी के लिए कमांड उत्पन्न हो सके। विशेष ALUs की वास्तविक संख्या को ध्यान में रखते हुए हमें एक और 1.4 बार गणना की गति बढ़ाने की अनुमति दी।

इतना बुरा नहीं है! चूंकि हमने कार्यान्वयन के लिए 6 विकल्पों की तुलना की है, इसलिए हम अंतिम, सबसे तेज़ का छद्म कोड देते हैं:

 :  8-   A  B,  T,  T[i]      i :   res,     A  B offset ←       A  64- effective_len ←   ,      64- for i from 1 to offset: res ← res + T[xor(A[i] , B[i])] v_a ← 64-  ,   A[offset+1] v_b1 ← 64-  ,   B[offset] v_b2 ← 64-  ,   v_b1 //        64-   for i from offset to effective_len: v_b ← align(v_b1, v_b2) //  64-  ,  v_a res ← res + popcnt64(xor(v_a, v_b)) v_a ←  64-   v_b1 ← v_b2 v_b2 ←  64-   //     

यह एक बार और सभी के लिए 11.5 गुना तक हैमिंग दूरी की गणना को गति देने के लिए बहुत अच्छा होगा, लेकिन जीवन में सब कुछ थोड़ा अधिक जटिल है: इस तरह के कार्यान्वयन से केवल पर्याप्त रूप से बड़ी लंबाई के सरणियों के साथ एक फायदा होगा। अंजीर में। चित्रा 4 पूर्व-गणना मूल्यों की तालिका और हमारे अंतिम कार्यान्वयन का उपयोग करके गणना समय की तुलना प्रस्तुत करता है। आप देख सकते हैं कि हमारे संस्करण के साथ यह केवल 400 बाइट्स से अधिक लंबाई के साथ शुरू होने वाली जीत के लिए शुरू होता है, और एल्ब्रस पर अनुकूलन करते समय इसे भी ध्यान में रखना होगा।

चित्रा 4 - एलब्रस -4 सी में उनकी लंबाई के आधार पर दो सरणियों के बीच हैमिंग दूरी की गणना के लिए औसत समय (प्रति 1 बाइट)।

यह सब है, अब हम पूरे सिस्टम के ऑपरेटिंग समय को मापने के लिए तैयार हैं। हमने 933 अनुरोधों के लिए औसत अनुरोध प्रसंस्करण समय (छवि लोडिंग को छोड़कर) मापा। छवि के एक कॉम्पैक्ट विवरण को संकलित करते समय, एक 5328-बिट रंग आरएफडी-जैसे बाइनरी डिस्क्रिप्टर का उपयोग किया गया था। इसमें इनपुट इमेज सेक्शन के प्रत्येक चैनल के लिए गणना किए गए 3 संगीन 1776-बिट ग्रे RFD डिस्क्रिप्टर शामिल थे। एक तरफ, ऐसे लंबे विवरणकर्ता गणना और तुलना की उच्च गति के साथ कृपया नहीं करते हैं, दूसरी तरफ, वे काम की पर्याप्त उच्च गुणवत्ता प्रदान करते हैं। हालांकि, अच्छी खबर है - हम उनकी तुलना करने के लिए हैमिंग दूरी के तेजी से कार्यान्वयन का उपयोग कर सकते हैं! तुलना किए गए सरणियों की लंबाई 666 बाइट्स है, जो कि एलब्रस -4 सी के लिए 400 बाइट्स की सीमा मूल्य से अधिक है।

माप परिणाम तालिका 2 में दिखाए गए हैं। यह देखा जा सकता है कि हैमिंग दूरी का केवल एक त्वरित कार्यान्वयन 1.5 गुना तेज क्वेरी प्रसंस्करण देता है। यह भी ध्यान देने योग्य है कि यह अनुकूलन गणना के परिणामों को नहीं बदलता है, और इसलिए मान्यता की गुणवत्ता।

तालिका 2. अनियंत्रित परिस्थितियों में पेंटिंग ऑब्जेक्ट की एक मान्यता प्रणाली के लिए अनुरोध का औसत प्रसंस्करण समय।

निष्कर्ष

इस लेख में, हमने अनियंत्रित परिस्थितियों में वस्तुओं को चित्रित करने के लिए मान्यता प्रणाली की संरचना के बारे में थोड़ी बात की और एक बार फिर दिखाया कि निम्न-स्तरीय जोड़तोड़ एल्ब्रस प्लेटफ़ॉर्म पर इसकी गति को काफी बढ़ा सकती है। तो, हेमिंग दूरी का प्रस्तावित कार्यान्वयन परिमाण के एक क्रम का काम करता है (!) इनपुट वैक्टर की पर्याप्त बड़ी लंबाई के साथ पूर्व-परिकलित मानों की तालिका का उपयोग करके कार्यान्वयन की तुलना में तेज़, और पूरे सिस्टम को डेढ़ गुना तेज किया गया था! इस परिणाम को प्राप्त करने के लिए, SIMD एक्सटेंशन का उपयोग किया गया था, और एलब्रस -4 सी और एल्ब्रस -8 सी प्रोसेसर की वास्तुकला और मेमोरी एक्सेस विशेषताओं को ध्यान में रखा गया था। ये परिणाम बताते हैं कि एल्ब्रस प्रोसेसर में कुशल संचालन के लिए महत्वपूर्ण संसाधन होते हैं, जो विशेष रूप से निष्पादित अनुकूलन की अनुपस्थिति में पूरी तरह से उपयोग नहीं किए जाते हैं। हालांकि, यह उम्मीद की जाती है कि नए एल्ब्रस प्रोसेसर पर मेमोरी एक्सेस के तरीकों में सुधार किया जाएगा, जो इनमें से कुछ अनुकूलन को स्वचालित रूप से निष्पादित करने की अनुमति देगा और डेवलपर्स के जीवन को बहुत सुविधाजनक बनाएगा।

साहित्य

[१] एन.एस. स्कोर्युकिना, ए.एन. मिलोवोरोव, डी.वी. फील्ड, वी.वी. Arlazarov। एक उदाहरण के अनुसार प्रशिक्षण के साथ अनियंत्रित परिस्थितियों में पेंटिंग वस्तुओं की मान्यता की विधि // आईएसए आरएएस के लेनदेन। - विशेष अंक, 2018 - पी। 5-15।
[२] पेरेज़-सनगस्टिन एम। एट अल। मानव-व्यवहार में संग्रहालय जैसी जगहों / कंप्यूटरों में उपयोगकर्ता की व्यस्तता बढ़ाने के लिए क्यूआर कोड का उपयोग करना। - 2016. - टी। 60. - एस 73-85। doi: 10.1016 / j.chb.2016.02.02.012
[३] एंटोशचुक एस। जी, गोडोविचको एन। ए। मोबाइल वर्चुअल गाइड सिस्टम में छवि की बिंदु विशेषताओं का विश्लेषण // प्रैटसी। - 2013. - नहीं। 1 (40)। - एस 67-72।
[४] एंड्राट्टा सी।, लियोनार्डी एफ। एक मोबाइल म्यूजियम गाइड के लिए उपस्थिति आधारित पेंटिंग मान्यता // कंप्यूटर विज़न सिद्धांत और अनुप्रयोग पर अंतर्राष्ट्रीय सम्मेलन, विज़ैप। - 2006।
[५] लियोनार्ड वेन। 2014. संग्रहालय गाइड एप्लिकेशन में दृश्य मान्यता: क्या आगंतुक इसे चाहते हैं? .. कम्प्यूटिंग सिस्टम में मानव कारकों पर SIGCHI सम्मेलन की कार्यवाही में (CHI '14)। एसीएम, न्यूयॉर्क, एनवाई, यूएसए, 635-638।
doi: 10.1145 / 2556288.2557270
[६] त्रेताकोव गैलरी, https://www.tretyakovgallery.ru/collection/
[[] लुकोयानोव ए.एस., निकोलेव डी। पी।, कोनोवलेंको आई। ए। स्थानीयकरण के बड़े प्रसार के साथ चित्रों के लिए वाईएपीई एल्गोरिदम का संशोधन // सूचना प्रौद्योगिकी और नैनोटेक्नोलोजी। - 2018 ।-- एस। 1193-1204
[[] मुजा एम।, लोवे डीजी फास्ट बाइनरी फीचर्स का मिलान // कंप्यूटर और रोबोट विजन (सीआरवी), २०१२ का नौवां सम्मेलन। - IEEE, 2012 ।-- एस। 404-410।
doi: 10.1109 / CRV.2012.60
[९] स्कोरुकीना, एन।, निकोलाव, डीपी, शेशकस, ए।, पोल्वॉय, डी। (२०१५, फरवरी)। मोबाइल उपकरणों पर वास्तविक समय आयताकार दस्तावेज़ का पता लगाना। मशीन विजन पर सातवें अंतर्राष्ट्रीय सम्मेलन (ICMV 2014) (वॉल्यूम 9445, पृष्ठ 94452A) में। प्रकाशिकी और फोटोनिक्स के लिए इंटरनेशनल सोसायटी।
doi: 10.1117 / 12.2181377
[१०] किम ए.के., बाइकोव आई। एन। और अन्य रूसी प्रौद्योगिकियाँ "एलब्रस" व्यक्तिगत कंप्यूटर, सर्वर और सुपर कंप्यूटर के लिए // आधुनिक सूचना प्रौद्योगिकी और आईटी शिक्षा, एम।: इंटरनेट मीडिया के विकास के लिए फाउंडेशन, आईटी शिक्षा, मानव क्षमता "इंटरनेट मीडिया की लीग", 2014, 10 नहीं, पी। 39-50।
[११] किम ए.के., परेकाटोव वी.आई., एर्मकोव एस.जी. माइक्रोप्रोसेसर और कंप्यूटिंग सिस्टम
एल्ब्रस परिवार। - सेंट पीटर्सबर्ग: पीटर, 2013 ।-- 272 एस।