lihiajiaose的专栏

原创 基于FPGA异构计算快速构建高性能图像处理解决方案

用户在数据中心进行方案集成过程中，传统数据中心的设计环境是软件，把FPGA导入到数据中心之后，对方案的可用性有非常高的要求。涉及图片部分的产品有几个典型的应用场景，第一是缩略图的场景，整个流程包括图片的上传、JPEG解码、缩放、JPEG编码和推送客户端，很好的适配了以下几种典型场景：第一是手机的云相册，客户上传大量的图片到云端，在不同的终端上浏览上传的图片，在浏览时不需要把原图转成各种尺寸的图像推送到客户端，只需要在线算出不同的尺寸推送到客户端，在电商平台和社交网络上都大量涉及到这样的应用场景。

原创 图像处理框架、工具

原创 用于图像处理的高性能计算框架

Integrated Performance Primitives，Intel 提供的高性能多媒体函数库，包含许多从底层优化的函数，涵盖包括图像处理在内的多种应用，其接口形式与NPP库类似。典型地，对于图像处理中的for循环（逐像素）处理，CUDA可以通过编写内核函数完成多CUDA核的并行加速，而TBB则可以通过其特定接口完成多CPU的并行处理加速。最后提供一下作者使用TBB加速的关键代码段，主要完成的是彩色图像的色彩校正，在Xeon E3-1230 v2平台（4核心8线程）上，算法执行速度提升明显。

原创 关于高性能计算（并行计算）的知识记录汇总（OpenMP、OpenCL、CUDA、TBB）

所以OpenCL的程序主线程，会根据系统中是几个核的多核CPU，那种架构的CPU（arm或者x86），有没有GPU，哪种GPU?intel,nvidia,amd等多家硬件厂商支持OpenCL，但是同时也有自己的小九九，比如nvidia的cuda，就提供了针对自己的更多的功能，而且函数上据说也更为高级。他的基本原理就是系统里边内置一个类似编译器，好像llvm,API的东西，软件写完的代码只有到最后的硬件执行的时候进行最终编译，这个编译过程似乎是通过系统里边的硬件驱动Driver，现在都还需要另外安装，

原创 大数组累计求和 - CPU、OpenMP、CUDA三种方法的性能对比

版权声明：本文为优快云博主「BeALinuxGraphicCoder」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。这很好理解，CUDA就是为并行计算而生的，OpenMP相当于提供了一个便捷创建多线程的方法，运行结果：CPU和GPU代码是并行的，所以不能简单用CPU上的时间函数来计算GPU的开销。两个核函数sum()和sum2()本身的开销很小，不过cudaMalloc和cudaMemcpy()的开销却很大。方法三：使用CUDA计算，归约思想。