Dokumen Pemfilteran Desain Teladan

Contoh ini contoh contoh filter mekar dapat aplikasi performa mekar dapat performa.

Dokumen pemfilteran beralasan dengan dokumen yang masuk dan dokumen yang paling cocok dengan pengguna minat. Contoh sistem adalah pemfilteran adalah penggunaan, yang pantau umpan berita dan mengirimkan artikel yang relevan ke akun email pengguna. Secara umum, aplikasi ini adalah contoh analisis pada data yang tidak terstruktur, file teks seperti, halaman HTML, email, dan video file. Diperkirakan bahwa hingga 80% dari data yang relevan untuk bisnis dalam bentuk yang tidak terstruktur.

Algoritma berusaha dokumen yang paling cocok untuk profil sepenggal. Profil penentuan filter yang cocok dengan topik yang diminati pengguna. tujuan untuk ini, setiap dokumen dikurangi menjadi satu set kata, dan waktunya berpengemudi setiap kata dalam dokumen. Setiap pasangan waktu berjenis kelapa sawit (t_i; f_i) dalam dokumen dinyatakan sebagai integer 32 bit, dengan ID sebut 24 bit, dan bit kejadian 8 bit. Buku umumnya adalah kata dalam dokumen. ID 24 bit waktu kosakata dengan lebih dari 16 juta nama. Profil cari terdiri dari rangkaian nama yang lebih kecil, dan bobot untuk setiap sebut yang bersangkutan dengan sebutan di profilnya. Bobot terdiri dari angka 64 bit dalam mewakili titik tetap. Untuk pencarian yang tidak terstruktur, skor akan akan terstruktur untuk setiap dokumen guna dengan relevansinya profil yang berlebih.

Data yang ditanamkan kernel adalah disni:

• docWordFrequencies berukuran satu dokumen yang ingin Anda jalankan dengan kernel. Setiap integer 32 bitence sejenis, atau kata, dalam dokumen. 24 bit pertama adalah PARA ID, dan 8 bit terakhir adalah orang yang berjasa dalam dokumen.
• profileWeights adalah profil penukar. Terdiri dari rangkaian nama yang lebih kecil, dan bobot untuk setiap sebutan yang bersangkutan sedang dalam profil pemrofilan. Bobot terdiri dari angka 64 bit dalam mewakili titik tetap.
• adalah mekar filter kami. Untuk setiap ID nama yang ada di susunan profileWeights yang memiliki bobot non-nol, kami dua nilai hash dari pada host. kedai kami nilai komputasi ke Dalam Filter Bloom. Kemudian, selama eksekusi kernel, 2 nilai hash para diperhitungkan untuk setiap ID yang disebut di dokumen. Kami adalah "Filter Bloom". Jika salah satu nilai hash tidak ada, itu kata ID tidak ada di profil cari. Jika benar-benar nilai hash ditemukan, kami akan melakukan akses memori ke susunan profileWeights.

Kernel keluaran data adalah:

1. profileScorePerGroup_highbits adalah skor 32 bit yang lebih tinggi untuk setiap dokumen yang kami komputasi.
2. profileScorePerGroup_lowbits skor 32 bit lebih rendah untuk setiap dokumen yang kami komputasi.

Digabungkan, inilah dokumen skor yang relevansinya dengan profil yang berlebih. Untuk aplikasi throughput lebih besar ini, kami membagi input menjadi dua porsi yang setara, satu berada di setiap bank memori DDR. Hal ini ditunjukkan oleh _dimm1 (untuk DIMM pertama), dan _dimm2 (untuk DIMM dua) yang parameter kernel. Hal ini ma meningkatkan performa kami dengan dua bank memori yang ada.

Mingguan

Contoh desain kode sumber untuk peralatan OpenCL™ (.cl) serta host aplikasi. Untuk mengkompirasi host aplikasi, paket Linux* dengan Makefile dan paket Windows proyek Microsoft Visual Studio 2010.

Ini adalah:

• Paket Linux v17.1 x64 (.tar.gz)
• Paket Windows v17.1 x64 (.zip)

Penggunaan desain inilah yang dinyatakan oleh, dan kemah pada, syariah dan ketentuan perjanjian lisensi desain buku keras.

Untuk alat desain Intel, buka halaman Halaman Halaman OpenCL. Fungsi untuk sistem operasi yang mendasar sama yang ada di Intel® FPGA SDK untuk OpenCL.

OpenCL dan logo OpenCL merek dagang dari Apple Inc. yang diguyur oleh Khronos izin dengan.

* Produk yang cocok untuk Khronos yang dipublikasikan, dan telah lulus Proses Proses Kesesuaian Khronos. Status kesuaian saat ini dapat di www.khronos.org/conformance.

PemerintaAndingAndingInding dan Keras Keras