歡迎來到演算法、軟體和硬體三位一體的未來世界論文書籍站
國立暨南國際大學 資訊管理學系 姜美玲所指導 蘇暐倫的 針對多執行緒程式的增強任務選擇策略與改進NUMA系統節點間負載平衡的研究 （2018），提出AMD Rome CPU關鍵因素是什麼，來自於NUMA、多執行緒、負載平衡、遠端記憶體存取。
而第二篇論文國立臺灣大學 資訊工程學研究所 劉邦鋒、吳真貞所指導 歐力偉的 異質行動平台的CPU-GPU協作 （2018），提出因為有 OpenCL、GPGPU、移動計算、異構系統、片上系統、深度學習、轉移學習的重點而找出了 AMD Rome CPU的解答。
AMD Rome CPU進入發燒排行的影片
Thanks for watching
PC SPEC
CPU :AMD Athlon II X4 760K
GPU :HIS R7 240 IceQ Boost Clock 2GB DDR3
Board :BIOSTAR (Hi-Fi) A55S3
Ram :DDR3(1600) 8GB. (4GBX2)
針對多執行緒程式的增強任務選擇策略與改進NUMA系統節點間負載平衡的研究
為了解決AMD Rome CPU 的問題，作者蘇暐倫 這樣論述：
NUMA多核心系統將系統的資源分為多個節點，具備多核心系統平行運算的高效能和擴展性的優點。然而，當處理器核心間負載不均時，會觸發作業系統的負載平衡機制將process搬移至不同的處理器核心去執行，由於process可能被跨節點搬移，使得遠端記憶體存取於搬移後發生。為了同時維持負載平衡與降低遠端記憶體存取，先前的研究提出了kernel-level Memory-aware Load Balancing (kMLB)機制以增強Linux核心的跨節點負載平衡，此機制修改了Linux核心的記憶體管理的相關函式及資料結構，以記錄每個task在執行時所使用的記憶體Page分配在各個節點的數量，利
用這些記憶體使用的資訊來推估各個task最大可能的遠端記憶體存取量，並提出了數個挑選task的策略，挑選預期會減少最多的遠端記憶體存取的task來進行搬移。 在本研究中，我們針對多執行緒process來考量跨節點負載平衡的問題。在Linux核心中將屬於同個process的多執行緒組成一個群組，彼此共享相同的記憶體空間。然而，在執行時各執行緒可能會被分配於不同的節點上執行，因此引發不同程度的遠端記憶體存取。本研究除了發現先前研究中提出的最大效益的task挑選策略也適合用於多執行緒process，我們亦提出一個新的task挑選策略，它並不依賴kMLB機制，而是考量了此task的執行緒群組中的
所有執行緒被分配在各個節點的情形，分佈最發散的即是被選擇的task。 另一方面，雖然挑選最適合的task來進行跨節點搬移可以降低遠端記憶體存取，但同時也增加挑選的成本，如需檢視每個能被搬移的task後才能做出挑選的決定。所以我們使用一些優化的方式來省略對多執行緒process而言是多餘的推估判斷，使得挑選task的流程更有效率。在使用PARSEC 3.0測效程式進行的實驗顯示，與原本的Linux核心相比，我們修改後的Linux核心最多可提昇系統效能達11.1%。
異質行動平台的CPU-GPU協作
為了解決AMD Rome CPU 的問題，作者歐力偉 這樣論述：
現代GPU架構的出現，使電腦能利用GPU的通用計算能力（GPGPU）以較低的計算成本解決大規模問題。這項技術創新也可在移動裝置上使用，解決了近期設備的主要問題之一：能量消耗。在本論文中，我們開發了一種新穎的方法，使CPU和GPU能夠在行動計算環境下進行合作。而目標是讓兩者都克服移動裝置的資源短缺，並減輕行動計算裝置的冷卻限制。如今已經開發了許多技術，使CPU和GPU能夠交互作用且執行一些密集型平行計算。但是，這些方法通常用來解決伺服器或桌上型PC所遭遇的議題。而移動計算環境存在許多特定領域的限制，這些限制促使我們再次回顧CPU和GPU的互動方式。並提出此篇論文解決可移植性效能、記憶體消耗和能
源消耗等目標。現代移動GPU因為精確度不足，使得它們無法運作於任何大規模數據分析任務，如主成分分析（PCA）。在本文中，我們將結合CPU的高精確性與與移動GPU的低功耗性來解決移動GPU精確度不足的限制。近來，深度學習被應用於解決許多機器學習的問題。有趣的是，在移動裝置上要訓練神經網絡常被認為是繁瑣的。幾個常見的深度學習框架（如TensorFlow Lite）僅在移動裝置上基於CPU實作了預測功能。但在本文中，我們建議利用移動裝置的CPU-GPU協作來執行含訓練到推理的深度學習計算。