DevGang
Авторизоваться

Повышение производительности JavaScript с помощью GPU.js 

Вы когда-нибудь пытались выполнить сложные вычисления, чтобы обнаружить, что это занимает вечность и замедляет ваши процессы?

Есть много способов решить эту проблему, например с помощью веб-воркеров или фоновых потоков. GPU снимает нагрузку с вашего процессора, давая вашему процессору больше места для других процессов. Между тем, веб-воркеры по-прежнему работают на вашем процессоре, но в разных потоках.

В этом руководстве для начинающих мы продемонстрируем, как использовать GPU.js для выполнения сложных математических вычислений и повышения производительности приложений JavaScript.

Что такое GPU.js?

GPU.js - это библиотека ускорения JavaScript, созданная для Интернета, и Node.js для программирования общего назначения на графических процессорах (GPGPU). Это позволяет передавать сложные и трудоемкие вычисления на GPU, а не на CPU, для более быстрых вычислений и операций. Существует также резервный вариант: в ситуациях, когда графический процессор не в вашей системе, функции по-прежнему будут выполняться на вашем обычном движке JavaScript.

Когда у вас есть сложные вычисления, которые нужно выполнить с вашей системой, вы по существу перекладываете эту нагрузку на графический процессор вашей системы, а не на CPU, тем самым увеличивая скорость и время обработки.

Высокопроизводительные вычисления - одно из главных преимуществ использования GPU.js. Если вы хотите запустить параллельные вычисления в браузере без каких-либо предварительных знаний о WebGL, GPU.js - это библиотека для вас.

Почему вам следует использовать GPU.js

Существует бесчисленное множество причин, по которым вам следует использовать графический процессор для выполнения сложных вычислений, и их слишком много, чтобы изучить их в одной публикации. Ниже приведены некоторые из наиболее заметных преимуществ использования графического процессора.

  1. GPU можно использовать для выполнения массовых параллельных вычислений GPGPU. Это тип вычислений, которые необходимо выполнять асинхронно.
  2. Когда графический процессор недоступен в системе, он изящно возвращается к JavaScript.
  3. В настоящее время графический процессор работает в браузере и на Node.js, что идеально подходит для ускорения веб-сайтов с тяжелыми вычислениями.
  4. GPU.js построен с учетом JavaScript, поэтому функции используют допустимый синтаксис JavaScript.

Если вы считаете, что ваши процессоры справляются с этой задачей и вам не нужен GPU.js, взгляните на приведенный ниже результат выполнения вычислений с этим GPU и CPU.

Источник:&nbsp;Hackernoon<br>
Источник: Hackernoon

Как видите, GPU в 22,97 раза быстрее CPU.

Как работает GPU.js

Учитывая такой уровень скорости, экосистема JavaScript словно получила ракету, на которой можно двигаться. GPU помогает веб-сайтам загружаться еще быстрее, особенно сайтам, которым приходится выполнять сложные вычисления на главной странице. Вам больше не нужно беспокоиться об использовании фоновых потоков и загрузчиков, поскольку графический процессор может выполнять вычисления в 22,97 раза быстрее, чем обычный процессор.

Метод gpu.createKernel создает ядро с ускорением GPU, транспилированное из функции JavaScript.

Запуск функции ядра параллельно с графическим процессором приводит к более быстрым вычислениям - в 1–15 раз быстрее, в зависимости от вашего оборудования.

Начало работы с GPU.js

Чтобы показать, как использовать GPU.js для более быстрого вычисления сложных вычислений, давайте рассмотрим быструю практическую демонстрацию.

Установка:

sudo apt install mesa-common-dev libxi-dev  // using Linux

npm:

npm install gpu.js --save

// OR

yarn add gpu.js

Импортируем GPU.js в ваш проект Node.

import { GPU } from ('gpu.js')

// OR
const { GPU } = require('gpu.js')

const gpu = new GPU();

Демонстрация умножения

В приведенном ниже примере вычисления выполняются параллельно на GPU.

Во-первых, сгенерируйте большой набор данных.

const getArrayValues = () => {

    //Create 2D arrary here
    const values = [[], []]

    // Insert Values into first array
    for (let y = 0; y < 600; y++){
      values[0].push([])
      values[1].push([])

      // Insert values into second array
      for (let x = 0; x < 600; x++){
        values\[0\][y].push(Math.random())
        values\[1\][y].push(Math.random())
      }
    }

    //Return filled array
    return values
  }

Создайте kernel ​​(другое слово для функции, работающей на графическом процессоре).

  const gpu = new GPU();

  // Using `createKernel()` method to multiply the array
  const multiplyLargeValues = gpu.createKernel(function(a, b) {
    let sum = 0;
    for (let i = 0; i < 600; i++) {
      sum += a\[this.thread.y\][i] * b\[i\][this.thread.x];
    }
    return sum;
  }).setOutput([600, 600])

Вызовите ядро ​​с матрицами в качестве параметров.

  const largeArray = getArrayValues()
  const out = multiplyLargeValues(largeArray[0], largeArray[1])

Результат:

console.log(out\[y\][x]) // Logs the element at the xth row and the yth column of the array
console.log(out\[10\][12]) // Logs the element at the 10th row and the 12th column of the output array

Запуск тестов GPU

Вы можете запустить тесты, выполнив шаги, указанные на GitHub.

npm install @gpujs/benchmark

const benchmark = require('@gpujs/benchmark')

const benchmarks = benchmark.benchmark(options);

Объект options содержит различные конфигурации которые можно передать в тесте.

Отправляйтесь на официальный сайт GPU.js, чтобы увидеть полную точку отсчета вычислений. Это поможет вам понять, какую скорость вы можете получить с помощью GPU.js для сложных вычислений.

Вывод

В этом руководстве мы изучили GPU.js, разобрали, как он работает, и продемонстрировали, как выполнять параллельные вычисления. Мы также показали, как настроить GPU.js в вашем приложении Node.js.

Источник:

#JavaScript #NodeJS
Комментарии
Чтобы оставить комментарий, необходимо авторизоваться

Присоединяйся в тусовку

В этом месте могла бы быть ваша реклама

Разместить рекламу