一种基于cuda实现聚类的方法及装置制造方法
【专利摘要】本申请公开了一种基于CUDA实现聚类的方法及装置，包括：将确定的计算统一设备架构(CUDA)类数组和CUDA点数组划分为至少一个16*16的大小的矩阵；对不足16乘16的矩阵，赋值标志位为0，其他位为1；对各划分的矩阵，按照类似于矩阵乘法的形式进行矩阵运算；对不足16*16的矩阵，在结果累加时，乘上标志位，以获得GPU矩阵运算结果；统计GPU矩阵运算结果，当矩阵运算结果中改变的点数不小于预先设置的阈值时，根据矩阵运算结果更新CUDA类数组，直至聚类完成。本发明通过划分确定的CUDA类数组和CUDA点数组为16*16的矩阵；对不足16*16的矩阵，赋值标志位为0，其他位为1，在结果累加时，乘上标志位，以获得GPU矩阵运算结果。实现了对不规则的矩阵的聚类在CUDA下实现高效运行。
【专利说明】-种基于CUDA实现聚类的方法及装置
【技术领域】
[0001] 本申请涉及数据处理技术，尤指一种基于计算统一设备架构（CUDA)实现聚类的 方法及装置。
【背景技术】
[0002] 聚类分析又称群分析，它是研究（样品或指标）分类问题的一种统计分析方法，同 时也是数据挖掘的一个重要算法。聚类分析以相似性为基础，在一个聚类中的模式之间比 不在同一聚类中的模式之间具有更多的相似性。
[0003] K-means算法是聚类分析中的一种硬聚类算法，是典型的基于原型的目标函数聚 类方法，K-means算法以数据点到原型的某种距离作为优化的目标函数，利用函数求极值的 方法得到迭代运算的调整规则。K-means算法以欧式距离作为相似度测度，是求对应某一初 始聚类中心向量最优分类，使得评价指标最小；采用误差平方和准则函数作为聚类准则函 数。
[0004] 计算统一设备架构（Compute Unified Device Architecture，简称 CUDA)是英伟 达（NVIDIA)公司推出的并行计算架构，该架构通过利用图形处理器（GPU)的处理能力，能 够大幅提升计算性能。其中程序代码通常采用C语言的超集CUDA C编写。该技术封装了 使用GPU的细节，使用类似C语言的方式为使用者提供较简单利用GPU的编程体验。该技 术可以利用GPU的众核特性，大幅加速并行化的应用。
[0005] 目前，已经出现一些使用K-means聚类方法对CUDA进行优化的方法，并取得了不 错的效果。这些方法大致是将中央处理器（CPU)的点数组经过转置处理后赋值给CUDA点 数组，CPU类数组直接赋值给CUDA类数组，通过对K-means方法进行修改，对矩阵维度为2 的幂的矩阵，尤其常见的维度为32、64、128等矩阵，使用类似于矩阵乘法的形式（按照矩阵 相乘的方式进行矩阵运算，只是将矩阵元素的乘操作改为求差的平方）进行矩阵运算，通 过统计GPU矩阵运算结果，当GPU矩阵运算结果中改变的点数大于或等于预先设置的阈值 时，根据GPU矩阵运算结果更新CUDA类数组，否则，完成聚类。但是，现有使用K-means聚 类方法对CUDA进行优化的方法中，仅针对规则矩阵（指矩阵维度为2的幂的矩阵，尤其常 见的维度为32、64、128等矩阵）进行优化处理，对于维度不规则的矩阵，无法利用CUDA进 行优化处理，使K-means聚类方法在CUDA下实现高效运行。
【发明内容】
[0006] 为了解决上述问题，本发明提供一种基于CUDA实现聚类的方法及装置，能够支持 不规则矩阵的聚类，实现K-means聚类方法在CUDA下的高效运行。
[0007] 为了达到本发明的目的，本申请提供一种基于CUDA实现聚类的方法包括：
[0008] 将确定的计算统一设备架构CUDA类数组和CUDA点数组划分为一个或一个以上16 乘16的大小的矩阵；对不足16乘16的矩阵，标志位赋值为0,除标志位以外的其他位赋值 为1 ;
[0009] 对各划分的矩阵，按照类似于矩阵乘法的形式进行矩阵运算，对不足16乘16的矩 阵，在结果累加时，乘上标志位，以获得图形处理器GPU矩阵运算结果；
[0010] 统计GPU矩阵运算结果，当GPU矩阵运算结果中改变的点数大于或等于预先设置 的阈值时，根据GPU矩阵运算结果更新CUDA类数组，直至聚类完成。
[0011] 进一步地，该方法之前还包括：
[0012] 从输入文件中获取每行一组浮点数的二进制或文本形式的信息，根据获取的二进 制或文本形式的信息，建立中央处理器CPU内存相应的CPU点数组和CPU类数组；
[0013] 根据CPU点数组和CPU类数组，确定CUDA点数组、CUDA类数组。
[0014] 进一步地，根据CPU内存相应的数组，确定的GPU端CUDA点数组、CUDA类数组具 体包括：将CPU点数组转置变化后赋值给CUDA点数组，将CPU类数组直接赋值给CUDA类数 组。
[0015] 进一步地，统计GPU矩阵运算结果通过聚类结果数组实现统计。
[0016] 进一步地，该方法之前还包括：预先设置元素个数与CUDA点数组相同的聚类结果 数组，并初始化聚类结果数组各元素为-1。
[0017] 另一方面，本申请还提供一种基于CUDA实现聚类的装置，包括：划分单元、计算单 元和统计处理单元；其中，
[0018] 划分单元，用于将确定的计算统一设备架构CUDA类数组和CUDA点数组划分为一 个或一个以上16乘16的大小的矩阵；对不足16乘16的矩阵，标志位赋值为0,除标志位 以外的其他位赋值为1 ;
[0019] 计算单元，用于对各划分的矩阵，按照类似于矩阵乘法的形式进行矩阵运算，对不 足16乘16的矩阵，在结果累加时，乘上标志位，以获得图形处理器GPU矩阵运算结果；
[0020] 统计处理单元，用于统计GPU矩阵运算结果，当GPU矩阵运算结果中改变的点数大 于或等于预先设置的阈值时，根据GPU矩阵运算结果更新CUDA类数组，直至聚类完成。
[0021] 进一步地，该装置还包括接收单元和确定单元，
[0022] 接收单元，用于接收CPU处理的点数组和类数组；
[0023] 确定单元，用于将CPU点数组转置变化后赋值给CUDA点数组，将CPU类数组直接 赋值给CUDA类数组。
[0024] 与现有技术相比，本发明提供的技术方案，包括：将确定的计算统一设备架构 (CUDA)类数组和CUDA点数组划分为一个或一个以上16乘16的大小的矩阵；对不足16乘 16的矩阵，标志位赋值为0,除标志位以外的其他位赋值为1 ;对各划分的矩阵，按照类似于 矩阵乘法的形式进行矩阵运算，对不足16乘16的矩阵，在结果累加时，乘上标志位，以获得 图形处理器（GPU)矩阵运算结果；统计GPU矩阵运算结果，当GPU矩阵运算结果中改变的 点数大于或等于预先设置的阈值时，根据GPU矩阵运算结果更新CUDA类数组，直至聚类完 成。本发明通过划分确定的CUDA类数组和CUDA点数组为16乘16的大小的矩阵；对不足 16乘16的矩阵，标志位赋值为0,除标志位以外的其他位赋值为1 ;对不足16乘16的矩阵， 在结果累加时，乘上标志位，以获得GPU矩阵运算结果。实现了对不规则的矩阵的聚类，使 K-means聚类方法在CUDA下实现了高效运行。
【专利附图】
【附图说明】
[0025] 附图用来提供对本申请技术方案的进一步理解，并且构成说明书的一部分，与本 申请的实施例一起用于解释本申请的技术方案，并不构成对本申请技术方案的限制。
[0026] 图1为本发明基于CUDA实现聚类的方法的流程图；
[0027] 图2为本发明基于CUDA实现聚类的装置的结构框图。
【具体实施方式】
[0028] 为使本申请的目的、技术方案和优点更加清楚明白，下文中将结合附图对本申请 的实施例进行详细说明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中 的特征可以相互任意组合。
[0029] 图1为本发明基于CUDA实现聚类的方法的流程图，如图1所示，包括：
[0030] 步骤100、将确定的计算统一设备架构（CUDA)类数组和CUDA点数组划分为一个或 一个以上16乘16的大小的矩阵；对不足16乘16的矩阵，标志位赋值为0,除标志位以外 的其他位赋值为1 ;
[0031] 需要说明的是，CUDA类数组和CUDA点数组是在GPU内存中完成的数组，只有在 GPU上实现聚类时，才需要确定CUDA类数组和CUDA点数组。
[0032] 步骤101、对各划分的矩阵，按照类似于矩阵乘法的形式进行矩阵运算，对不足16 乘16的矩阵，在结果累加时，乘上标志位，以获得图形处理器（GPU)矩阵运算结果。这里， CUDA类数组和CUDA点数组划分为16乘16的矩阵，CUDA类数组的矩阵中行的元素与CUDA 点数组列的元素按照矩阵乘法会进行相乘，这里类似于矩阵乘法的形式，是指将该部分相 乘部分替换为求差的平方。
[0033] 以下以矩阵
【权利要求】
1. 一种基于CUDA实现聚类的方法，其特征在于，包括： 将确定的计算统一设备架构CUDA类数组和CUDA点数组划分为一个或一个以上16乘 16的大小的矩阵；对不足16乘16的矩阵，标志位赋值为0,除标志位以外的其他位赋值为 1 ; 对各划分的矩阵，按照类似于矩阵乘法的形式进行矩阵运算，对不足16乘16的矩阵， 在结果累加时，乘上标志位，以获得图形处理器GPU矩阵运算结果； 统计GPU矩阵运算结果，当GPU矩阵运算结果中改变的点数大于或等于预先设置的阈 值时，根据GPU矩阵运算结果更新CUDA类数组，直至聚类完成。
2. 根据权利要求1所述的方法，其特征在于，该方法之前还包括： 从输入文件中获取每行一组浮点数的二进制或文本形式的信息，根据获取的二进制或 文本形式的信息，建立中央处理器CPU内存相应的CPU点数组和CPU类数组； 根据CPU点数组和CPU类数组，确定CUDA点数组、CUDA类数组。
3. 根据权利要求2所述的方法，其特征在于，所述根据CPU内存相应的数组，确定的 GPU端CUDA点数组、CUDA类数组具体包括：将CPU点数组转置变化后赋值给CUDA点数组， 将CPU类数组直接赋值给CUDA类数组。
4. 根据权利要求1?3任一项所述的方法，其特征在于，所述统计GPU矩阵运算结果通 过聚类结果数组实现统计。
5. 根据权利要求4所述的方法，其特征在于，该方法之前还包括：预先设置元素个数与 CUDA点数组相同的聚类结果数组，并初始化聚类结果数组各元素为-1。
6. -种基于CUDA实现聚类的装置，其特征在于，包括：划分单元、计算单元和统计处理 单元；其中， 划分单元，用于将确定的计算统一设备架构CUDA类数组和CUDA点数组划分为一个或 一个以上16乘16的大小的矩阵；对不足16乘16的矩阵，标志位赋值为0,除标志位以外 的其他位赋值为1 ; 计算单元，用于对各划分的矩阵，按照类似于矩阵乘法的形式进行矩阵运算，对不足16 乘16的矩阵，在结果累加时，乘上标志位，以获得图形处理器GPU矩阵运算结果； 统计处理单元，用于统计GPU矩阵运算结果，当GPU矩阵运算结果中改变的点数大于或 等于预先设置的阈值时，根据GPU矩阵运算结果更新CUDA类数组，直至聚类完成。
7. 根据权利要求6所述的装置，其特征在于，该装置还包括接收单元和确定单元， 接收单元，用于接收CPU处理的点数组和类数组； 确定单元，用于将CPU点数组转置变化后赋值给CUDA点数组，将CPU类数组直接赋值 给⑶DA类数组。
【文档编号】G06F17/30GK104123372SQ201410360455
【公开日】2014年10月29日 申请日期:2014年7月25日 优先权日:2014年7月25日
【发明者】沈铂, 张刚, 邱学侃, 胡金辉, 王娅娟, 张清 申请人:浪潮(北京)电子信息产业有限公司