64位linux并行计算大气模型效率优化研究,64位Linux并行计算大气模型效率优化研究...

第26卷第6期

2009年6月

计算机应用研究

ApplicationResearchofComputers

V01.26No.6

Jun.2009

64位Linux并行计算大气模型

效率优化研究术

朱云1,LINChe-jenl’2,陈春贻3,JANG

(1.华南理工大学环境科学与工程学院,广州510006;2.Dept.of

Carey

4,钟义龙1

CivilEngineering,LamarUniversity,Beau.

mont,TX77710-0024,USA;3.广东省环境信息中心,广州510640;4.USEPA/OffieeofAirQualityPlanning&Standards,RTP,NC27711,USA)

摘要:研究了CMAQ大气模型在64位Linux操作系统上不同CPU核心数目并行计算模拟耗时以及结果的差

异情况。研究结果表明,并行计算能大幅缩短CMAQ模拟耗时,以16个cPu核心并行处理为性价比最佳值;此

时连续模拟中国区域37天空气质量状况(分辨率36km、167行×97列、垂直14层)平均耗时小于16min/d,而相同情况下单核模拟耗时大于2h/d;多于16个核心并行处理时,随核心数量的增加模型性能提升的趋势减缓;

操作系统和参与运算的核心数目对CMAQ模型模拟结果没有影响。

关键词:并行计算;空气质量模型;CMAQ;Linux中图分类号:TP39

文献标志码:A

文章编号:1001.3695(2009)06.2266.04

doi:10.3969/j.issn.1001-3695.2009.06.081

Airqualitymodelparallelcomputationoptimizedresearch

using64.bitLinuxplatform

ZHUYunl,LIN

Che-jenl”,CHENChun—yi3,JANG

(1.Coll管geofEnvironmental&沥柳出Er硒neenng,South

China扔渤嘶矿Technology,‰硝咖口510006,China;2.鲫.ofCivilEn-

J,咖m锄n

Centre,Guangzhou510640,

2771

Carey4,ZHONGYi.10n91

∥,l∞一,曙,LamarUniversity,Beaumont,TX77710-0024,USA;3.GuangdongProvirtoeEnvironmentChina;4.USEPA/OffweofAir

0嘶Planning&Standards,R仰,Ⅳc

CMAQrun

number.Theaverage

up

to

1,USA)

Abstract:ne

byU.S.EPA

were

computationalefficiencyandsimulationresultsofcommunitymuhiscaleairqualityrCMAQ)modeldeveloped

analyzedusingavarietyofparallelCPUcoresundertwo64bitLinuxOSplaffo咖s.Theresultsshowthat

can

theparallelcomputingsignificantlyreducethe

cores

time,and16appearsimulationtime

per

to

betheoptimalperformancecomparing

was

hardwareinvestmentparallelCPUusingthe16parallelday

day

reducedtolessthan16minutes

period

overa

2hoursusingsinglecolewhentheairqualityweresimulatedbyCMAQfora37一

mainChinesenationaldomainwitha36kmresolution.167lOWX97column.14layers.Theimprovementof

cores,compared

to

computationalefficiencytionsystem.

perCPUseemed

werenot

to

droprapidlywhenmorethan16CPU

coreswere

used.Inaddition,this

coresor

paper

vet-

ifiedthatthesimulationresults

beaffectedbytheusageofdifferentnumberofparallelCPUdifferentopera-

Keywords:parallelcomputation;airqualitymodel;communitymultisealeairquality(CAMQ);Linux

程式。

0引言

CMAQ…是美国环保总署(USEPA)为仿真分析各种复杂大气物理、化学过程而发展的数学模型。CMAQ系统考虑了多种污染物之间的反应过程,并能准确描述大气中复合污染物质浓度的时空分布,适合处理复杂的空气污染问题嵋o。目前CMAQ已经在国内外空气质量管理尤其是相关科研中得到了广泛的应用口“…。

如图1所示,CCTM(化学传输模型)是CMAQ模型的核心

Q堪垃世J墟I删

Ca肫

grm(aotmm∞dprojection

veltlcalsnucnl耻

am)

chemicalmechanism

图1CMAQ核心处理程序组成

输入数据由以下几个子程式生成:经过MCIP(气象化学界面处理器)编译处理后的气象模型(MM5)数据;经过排放模型(SMOKE等)处理过的排放源数据,其中大点源的排放数据

收稿日期:2008.08.13;修回日期:2008 11一12家“863”计划资助项目(2006AA06A308)

基金项目:中美双边合作项目;广东省普通高等学校重点实验室开放基金资助项目:国

作者简介:朱云(1972一),男,湖南长沙人,副教授,博士,主要研究方向为环境模拟与环境信息系统(zhuyun@scut.edu.cn):unChe-jen(1968-),男,羡籍中国台湾人,美国Lamar

University副教影华南理工大学讲座教授,博士,主要研究方向为大气环境模拟及水污染控制;陈春赠

(1963 ),男,海南人,高级I程师,主要研究方向为环境管理与环境信息g统;JangCavey(1966一),男,美籍中国台湾人,美国环保总署国家科学家,博士。主要研究方向为大气环境污染控制及管理;钟义龙(1976一),男,广东揭阳人,系统分析员,硕士,主要研究方向为环境模拟与信息系统.

万方数据

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值