[发明专利]一种基于OpenCL的KNN-GPU加速方法

摘要

本发明涉及一种基于OpenCL的KNN-GPU加速方法。本发明主要完成KNN算法的并行化实现，首先是CPU端的准备工作，包括OpenCL平台的初始化、设备端的存储配置，然后在GPU上的计算过程，包括设备端的测试数据及训练数据在索引空间表示、距离计算及排序等步骤，最后将GPU端所得到的分类结果输出到CPU端显示。本发明还对GPU端的内存访问进行了优化，采用了局部存储器的存储和读取数据，进一步提高了并行化效率。通过实验证明，本发明能够有效提高KNN分类算法的效率，且分类精度保持不变，能够广泛应用于文本及图像等分类计算中。

主权项

一种基于OpenCL的KNN‑GPU加速方法，如图1所示，其特征在于基于OpenCL平台的并行化处理，具体步骤如下：步骤1：初始化OpenCL平台：首先获取OpenCL平台信息，接着获取设备ID，最后创建设备运行环境的上下文；步骤2：设备端的存储配置操作：CPU端配置三个存储器：1是用于存储输入训练数据，2是用于存储输入测试数据，3是用于存储输出分类数据；GPU端则从对应的存储器中读取数据；步骤3：配置GPU设备端的测试数据和训练数据：按照GPU设备端分配线程数，设置工作组的大小，工作项的大小和数据维度的大小，据此建立测试数据和训练数据的索引空间，用于之后的计算；步骤4：GPU端的KNN算法：在设置完KNN算法内核函数参数后， 内核函数将被调度在GPU上并行计算，得到测试数据的距离和所属的分类；步骤5：CPU端的存储配置操作：GPU端的计算处理完成后，需要把设备内存中的分类计算的结果传回到CPU，完成数据的输出；步骤6：确定测试点的类别；根据GPU端的计算结果，判定测试的所属的类别。