排序方式： 共有1条查询结果，搜索用时 0 毫秒
1
1.
传统阴阳K-means算法处理大规模聚类问题时计算开销十分昂贵.针对典型众核处理器的体系结构特征,提出了一种阴阳K-means算法高效并行加速实现.该实现基于一种新内存数据布局,采用众核处理器中的向量单元来加速阴阳K-means中的距离计算,并面向非一致内存访问(non-unified memory access,NUMA)特性进行了针对性的访存优化.与阴阳K-means算法的开源多线程实现相比,该实现在ARMv8 和x86 众核平台上分别获得了最高约5.6 与8.7 的加速比.因此上述优化方法在众核处理器上成功实现了对阴阳K-means算法的加速. 相似文献
1