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
中原大學 資訊工程學系 鍾武君所指導 童俊森的 基於GPU共享與零碎資源再利用的作業調度方法 （2021），提出HPC NVIDIA關鍵因素是什麼，來自於深度學習、作業排程、資源管理。
而第二篇論文東吳大學 資訊管理學系 鄭為民所指導 洪晨愷的 CUDA為基礎之 CNN演算法研究 （2020），提出因為有 影像辨識的重點而找出了 HPC NVIDIA的解答。
基於GPU共享與零碎資源再利用的作業調度方法
為了解決HPC NVIDIA 的問題，作者童俊森 這樣論述：
目前針對多重深度學習訓練作業共享GPU集群的調度方法，鮮少在討論GPU共享的調度設計，且依賴性能預測模型的演算法存在系統開銷的問題，再加上目前先進的演算法無法細粒度的調度作業，使空閒的GPU資源無法有效利用，導致現有的解決方案仍有改善空間。本論文基於暫停和恢復機制，可保存模型訓練狀態和遷移，提出輕量級的採樣分析方法預測每一作業完成時間，並在GPU共享的前提下，解決大量異質作業提交導致大型作業的飢餓問題，達到資源碎片再利用的目的。本論文基於Microsoft Philly真實集群的紀錄，透過TF-Slim工具進行基準測試得到的數據，以及設置深度學習訓練模擬實驗 ，進而評估四種影像分類模型的GP
U平均利用率及作業時間。實驗使用三組隨機種子隨機產生100個模擬作業，分別在間隔一秒到達及基於卜瓦松分布到達下，比較二種無GPU共享的方法和五種基於GPU共享技術的性能。根據模擬實驗結果顯示，相較於無GPU共享的依序調度，本論文提出的方法可提升約4.1倍的資源利用率，以及減少約3.6倍的完工時間。
CUDA為基礎之 CNN演算法研究
為了解決HPC NVIDIA 的問題，作者洪晨愷 這樣論述：
在人工智慧應用發展成熟的潮流下，演算法已發展成熟，技術已能達到一定的正確率， 而運算速度轉而 成為技術發展的一大關鍵。在速度的提升研究上又能分為兩個方向：演算法的優化以及硬體結構的提升。 因此 本研究是針對 卷積神經網 路的演算法在由 NVIDIA所推出的 GeForce GTX 1650的 CUDA的環境下操作，透過對 手寫數字 圖像的分類實驗，了解 參數及環境 對其效能的影響， 得使用環境為 CUDA之訓練結果在準確率以及訓練時間上都比使用 CPU有較佳及較快的結果，在效能的表現上來得更高，以及在針對手寫數字圖片這種圖形輪廓較單一的影 像訓練次數越多準確率不一定會越高， 以及 threa
d的數量設置越多， 在效能上反而有較差的表現。