基于CPU-GPU的有序統(tǒng)計(jì)類恒虛警檢測(cè)優(yōu)化

火靜斌,張曉濱,田 澤

(1.西安工程大學(xué),陜西 西安 710048;2.集成電路與微系統(tǒng)設(shè)計(jì)航空科技重點(diǎn)實(shí)驗(yàn)室,陜西 西安 710068)

0 引 言

在雷達(dá)系統(tǒng)中,恒虛警率檢測(cè)技術(shù)(CFAR)通過動(dòng)態(tài)調(diào)整檢測(cè)門限來檢測(cè)背景雜波干擾下的目標(biāo)。為了估計(jì)雜波功率,需要對(duì)每個(gè)雷達(dá)回波樣本進(jìn)行大量的計(jì)算。雷達(dá)系統(tǒng)需要高吞吐量和低延遲,傳統(tǒng)的CFAR處理通常使用現(xiàn)場(chǎng)可編程門陣列(FPGA)或數(shù)字信號(hào)處理器(DSP)[1-2],但也存在一定的問題,如開發(fā)周期長(zhǎng)、調(diào)試難度大、耗費(fèi)資源等。隨著GPU統(tǒng)一渲染架構(gòu)的出現(xiàn),基于CPU-GPU的異構(gòu)計(jì)算體系結(jié)構(gòu)開始普及,OpenCL、CUDA等開發(fā)平臺(tái)簡(jiǎn)化了GPU編程難度,基于異構(gòu)計(jì)算平臺(tái)的GPU開發(fā)環(huán)境已廣泛應(yīng)用于雷達(dá)信號(hào)處理領(lǐng)域[3-6]。

在雷達(dá)應(yīng)用中,有多種方法可以實(shí)現(xiàn)恒虛警檢測(cè),比如經(jīng)典的單元平均恒虛警檢測(cè)技術(shù)(Cell Averaging CFAR,CACFAR)、平均選大(Greatest of CFAR,GOCFAR)和平均選小恒虛警檢測(cè)技術(shù)(Smallest of CFAR,SOCFAR)。但是在需要多目標(biāo)或高性能的應(yīng)用環(huán)境中,有序統(tǒng)計(jì)類恒虛警檢測(cè)技術(shù)的應(yīng)用范圍更廣[7]。與其他檢測(cè)方法不同的是,OSCFAR的內(nèi)部實(shí)現(xiàn)更為復(fù)雜,屬于計(jì)算密集型方法,需要高性能計(jì)算設(shè)備。文獻(xiàn)[8]在Tesla C1060 GPU上研究了PD雷達(dá)中CACFAR的GPU實(shí)現(xiàn),通過對(duì)算法進(jìn)行了優(yōu)化,提高了算法的并行性,達(dá)到了一定的加速效果。文獻(xiàn)[9]利用OpenCL在集成顯卡以及中等級(jí)別產(chǎn)品AMD GPU實(shí)現(xiàn)CACFAR,但由于使用零填充方法,容易造成程序虛警。文獻(xiàn)[10]利用積分圖像算法加速了并行均值濾波算法,但需要兩個(gè)內(nèi)核函數(shù)上分別實(shí)現(xiàn)計(jì)算并行前綴和以及平均值,會(huì)產(chǎn)生額外的計(jì)算以及對(duì)共享內(nèi)存的不必要訪問。文獻(xiàn)[11]在GPU端采用Blelloch掃描算法來對(duì)CA-CFAR求和過程進(jìn)行優(yōu)化,避免了重復(fù)計(jì)算,但存在的問題是數(shù)據(jù)必須是以二的指數(shù)冪格式傳輸。文獻(xiàn)[12]提出的局部最大最小快速濾波是一種充分考慮數(shù)據(jù)重用的算法,可以用來解決GOCFAR、SOCFAR的數(shù)據(jù)重用,但存在邊界溢出的問題。

以上都是對(duì)均值類恒虛警檢測(cè)算法進(jìn)行了GPU加速實(shí)現(xiàn),而對(duì)OSCFAR加速的研究還比較少。文獻(xiàn)[13]在FGPA上設(shè)計(jì)實(shí)現(xiàn)了可以規(guī)避排序算法的OSCFAR,但是如果需要排序值計(jì)算信噪比時(shí)不能滿足系統(tǒng)要求。文獻(xiàn)[14]設(shè)計(jì)了重復(fù)快速排序算法,但快速排序不適合在GPU上進(jìn)行計(jì)算。文獻(xiàn)[15]提出了具有分布式直方圖的OSCFAR的計(jì)算方法,但是需要一定的計(jì)算量。文獻(xiàn)[16]提出了基于“掃雷算法”的OSCFAR算法,適合并行計(jì)算,但是需要利用第三方工具做預(yù)處理排序。

該文的研究重點(diǎn)是在OSCFAR中使用GPU進(jìn)行加速,提出了一種改進(jìn)的OSCFAR方法,使其適用于GPU并行實(shí)現(xiàn)。首先,設(shè)計(jì)了一個(gè)預(yù)處理程序,對(duì)每個(gè)多普勒通道進(jìn)行數(shù)據(jù)擴(kuò)充。在預(yù)處理程序中,為了減少GPU處理中的分支操作,對(duì)每個(gè)多普勒通道數(shù)據(jù)進(jìn)行擴(kuò)充,大小為左右保護(hù)單元以及參考單元數(shù)量之和,從而優(yōu)化設(shè)備計(jì)算效率。其次,設(shè)計(jì)并實(shí)現(xiàn)了CPU-GPU異構(gòu)架構(gòu)下OSCFAR的并行加速方法。根據(jù)GPU的顯存大小,將原始數(shù)據(jù)按時(shí)間順序劃分為若干個(gè)子數(shù)據(jù)并傳輸?shù)紾PU。為了優(yōu)化計(jì)算效率,預(yù)處理程序分配給CPU執(zhí)行,之后OSCFAR由GPU執(zhí)行。為了證明所提出方法的可行性,在雷達(dá)模擬噪聲信號(hào)為瑞利噪聲背景條件下,對(duì)有序統(tǒng)計(jì)類恒虛警檢測(cè)方法進(jìn)行了仿真實(shí)驗(yàn)。在實(shí)驗(yàn)中,所提出的方法消耗時(shí)間是僅在CPU上運(yùn)行的OSCFAR所消耗時(shí)間的1/60,且目標(biāo)信號(hào)質(zhì)量并沒有降低。

1 有序統(tǒng)計(jì)類恒虛警處理方法分析

在瑞利背景條件下,假設(shè)v(t)是單脈沖檢測(cè)中某個(gè)分辨單元的一個(gè)觀測(cè)值,當(dāng)使用平方律檢波器進(jìn)行檢波時(shí),可寫成如下形式:

D(v)=I2(v)+Q2(v)

(1)

其中,I(v)表示信號(hào)的同相分量,Q(v)表示信號(hào)的正交分量。在一般的雜波環(huán)境中,可以認(rèn)為接收到的雜波的包絡(luò)服從瑞利分布。在均勻的瑞利雜波背景條件下,單元平均方法就是利用檢測(cè)單元周圍的前沿滑窗和后沿滑窗中的一組獨(dú)立同分布的參考單元采樣的平均值來估計(jì)雜波功率水平的。有序統(tǒng)計(jì)類(Order Statistics)OSCFAR是采用統(tǒng)計(jì)手段來估計(jì)雜波水平功率。該方法和常規(guī)均值類CFAR的區(qū)別是其在多目標(biāo)環(huán)境下檢測(cè)性能較好,但是在雜波邊緣環(huán)境和均勻環(huán)境下會(huì)存在一定的損失,如圖1所示。

圖1 有序統(tǒng)計(jì)類CFAR檢測(cè)方法

數(shù)據(jù)經(jīng)過平方率檢波得到距離多普勒功率譜,對(duì)每個(gè)待檢測(cè)單元D選取參考單元(xi(i=1,2,…,n),yj(j=1,2,…,n)),為了防止目標(biāo)的能量泄露到參考單元造成雜波功率估計(jì)值較高,一般在檢測(cè)單元兩側(cè)選取一定的保護(hù)單元(np)。OSCFAR算法是將待檢測(cè)單元兩側(cè)參考單元(ns)拼接后進(jìn)行排序,得到一個(gè)遞增序列。然后取第K個(gè)有序值作為雜波水平的估計(jì)值,一般條件下K的取值和rate相關(guān),具體計(jì)算方式為K=rate*2n。OSCFAR的虛警概率PFA與門限因子α的關(guān)系如下:

(2)

一般條件下,虛警概率PFA為固定概率值,由此計(jì)算得到門限監(jiān)測(cè)因子α,檢測(cè)門限T為門限監(jiān)測(cè)因子與有序值K的乘積。將待檢測(cè)目標(biāo)單元與檢測(cè)門限進(jìn)行比較,如果待檢測(cè)單元的功率值大,則判決為目標(biāo),否則判為雜波。

從有序統(tǒng)計(jì)類恒虛警檢測(cè)圖中可看出,均值類恒虛警檢測(cè)方法CACFAR是每一個(gè)采樣點(diǎn)需要完成一次求和運(yùn)算,這樣可以通過并行掃描的方式避免大量的重復(fù)運(yùn)算。例如Blelloch算法是在GPU端計(jì)算掃描的方法,避免了CPU完成掃描處理時(shí)主機(jī)段與設(shè)備端之間的傳輸時(shí)間。而OSCFAR與CACFAR的區(qū)別在于中間的排序過程,會(huì)耗費(fèi)系統(tǒng)大量的資源。為此,如何選擇適合GPU并行的排序算法以及對(duì)完整流程的并行化設(shè)計(jì)是OSCFAR加速研究的重點(diǎn)。

2 基于GPU的有序統(tǒng)計(jì)類恒虛警檢測(cè)并行化技術(shù)

脈沖多普勒雷達(dá)信號(hào)處理系統(tǒng)常用的算法模塊包括脈沖壓縮、動(dòng)目標(biāo)信號(hào)顯示、動(dòng)目標(biāo)檢測(cè)、恒虛警檢測(cè)。雷達(dá)信號(hào)在經(jīng)過前三個(gè)步驟之后可以得到大小為Np*Ns的二維矩陣,針對(duì)該矩陣進(jìn)行距離維CFAR檢測(cè)時(shí),各個(gè)脈沖之間不存在聯(lián)系,可以同時(shí)進(jìn)行Np個(gè)脈沖的CFAR檢測(cè),因此存在數(shù)據(jù)集的并行。針對(duì)有序統(tǒng)計(jì)類的檢測(cè)算法而言,處理主要有平方率檢波、每個(gè)單元的雜波功率估計(jì)(包括窗口排序)、檢測(cè)門限計(jì)算以及待檢測(cè)單元的比較,都可以由GPU的多個(gè)線程完成。因此,OSCFAR具有較好的數(shù)據(jù)以及線程級(jí)別的可并行性。

2.1 有序統(tǒng)計(jì)類恒虛警檢測(cè)的GPU實(shí)現(xiàn)

基于OpenCL的OSCFAR處理流程如圖2所示,采用以單個(gè)脈沖為單位進(jìn)行OSCFAR,單個(gè)脈沖內(nèi)的平方率檢波,兩側(cè)參考單元的排序,以及待檢測(cè)單元的分支可以由多個(gè)線程并行實(shí)現(xiàn)。

圖2 基于OpenCL的OSCFAR處理流程

大小為Np*Ns的數(shù)據(jù)從主機(jī)端傳到設(shè)備端后,按照流程可以將算法分解為兩個(gè)模塊依次對(duì)應(yīng)兩個(gè)內(nèi)核函數(shù),第一個(gè)內(nèi)核函數(shù)平方率檢波主要將復(fù)數(shù)信號(hào)轉(zhuǎn)化為實(shí)數(shù)信號(hào),數(shù)據(jù)格式為實(shí)部虛部交替存儲(chǔ),即連續(xù)兩個(gè)數(shù)據(jù)分別是信號(hào)的實(shí)部和虛部,一般采用OpenCL內(nèi)建矢量數(shù)據(jù)類型表示。若采用一維尋址的方式,設(shè)置合適的workgroup大小p,則需要的workgroup數(shù)量為Np*Ns/p記為q,每個(gè)線程完成一個(gè)平方律檢波計(jì)算,總的計(jì)算組織架構(gòu)如圖3所示。

圖3 平方率檢波處理流程

第二個(gè)內(nèi)核函數(shù)主要用于計(jì)算雜波功率水平估計(jì)以及與實(shí)際值進(jìn)行判斷,若采用一維尋址的方式,設(shè)置workgroup大小,每個(gè)線程進(jìn)行一個(gè)信號(hào)的雜波水平估計(jì)與判斷。假設(shè)單側(cè)參考單元大小為nr,單側(cè)保護(hù)單元大小為np,由此可以將距離維度的數(shù)據(jù)劃分為三個(gè)部分:對(duì)于前nr+np個(gè)元素來說,如果要填充左右數(shù)據(jù)的話可以從右側(cè)取2*(nr+np)個(gè)元素對(duì)其排序后將第K個(gè)有序值作為待檢測(cè)單元的估計(jì)值,對(duì)于最后nr+np個(gè)元素取其左側(cè)2*(nr+np)個(gè)元素,中間部分的話直接從左右兩側(cè)各取nr+np個(gè)元素。將兩側(cè)數(shù)據(jù)排序取K值作為雜波功率的估計(jì)值,最后將估計(jì)值與實(shí)際值作對(duì)比確定是否為目標(biāo)對(duì)象。

2.2 算法優(yōu)化

優(yōu)化1:數(shù)據(jù)填充。

在估計(jì)雜波功率水平時(shí),需要將距離維度的數(shù)據(jù)劃分為三個(gè)部分,即需要三個(gè)分支操作來進(jìn)行各自的計(jì)算。由于GPU的設(shè)計(jì)不善于處理分支判斷,因此需要將每個(gè)線程進(jìn)行統(tǒng)一操作。采取的辦法是數(shù)據(jù)擴(kuò)充,擴(kuò)充的方法如圖4所示。如果填充數(shù)據(jù)零的話,對(duì)于均值類CFAR和有序統(tǒng)計(jì)類OSCFAR來說,將導(dǎo)致雜波功率估計(jì)值變小,從而導(dǎo)致檢測(cè)門限變小容易造成虛警[9]。因此,可以采取的方法是將原數(shù)據(jù)做復(fù)制,不論是鏡像復(fù)制還是按序復(fù)制都會(huì)對(duì)這兩類數(shù)據(jù)結(jié)果產(chǎn)生影響較小,在實(shí)驗(yàn)中采用按序復(fù)制一側(cè)的方法。

圖4 數(shù)據(jù)填充方式

優(yōu)化2:排序分析。

得到數(shù)據(jù)后將兩側(cè)數(shù)據(jù)合并,利用合適的排序算法得到雜波功率的估計(jì)值。采取的排序算法可以是傳統(tǒng)的冒泡排序算法以及快速排序,由于只需要遞增排序前K個(gè)元素,對(duì)于冒泡排序來說,時(shí)間復(fù)雜度可以降為O(K×N)。當(dāng)數(shù)據(jù)量過大時(shí),排序過程可能成為程序瓶頸,快速排序具有良好的執(zhí)行效率可以提高性能,但由于OpenCL平臺(tái)限制,GPU執(zhí)行的機(jī)器代碼僅包含分支和循環(huán),一般情況下,對(duì)于函數(shù)調(diào)用來說編譯器會(huì)將函數(shù)轉(zhuǎn)換為內(nèi)聯(lián)函數(shù),但是對(duì)于遞歸調(diào)用來說無法做到。因此,對(duì)于高效的快速排序無法應(yīng)用到本項(xiàng)目場(chǎng)景中。

為此,解決的辦法是采用雙調(diào)排序。雙調(diào)排序是基于Batcher定理的一種適用于數(shù)據(jù)并行的排序算法,首先需要生成一個(gè)雙調(diào)序列(有一個(gè)非嚴(yán)格遞增序列和一個(gè)非嚴(yán)格遞減數(shù)列),然后將該序列劃分為兩個(gè)子序列(左邊的雙調(diào)序列小于右邊的序列),繼續(xù)對(duì)每個(gè)子序列進(jìn)行劃分直到序列長(zhǎng)度為1,就可以得到單調(diào)遞增的序列。

優(yōu)化3:內(nèi)存優(yōu)化。

對(duì)于平方率檢波內(nèi)核函數(shù)來說,AMD系列GPU支持的最大workgroup大小為256,為此可以將交替存儲(chǔ)的實(shí)虛數(shù)拷貝到本地內(nèi)存中,減少函數(shù)對(duì)全局內(nèi)存的訪問,提高設(shè)備計(jì)算能力。除此之外,可以在程序中使用頁(yè)鎖定(Page-Locked)內(nèi)存分配方式,操作系統(tǒng)不需要對(duì)其分頁(yè)也不需要將其交換到磁盤上,可以將其一直置于物理內(nèi)存中,GPU根據(jù)其物理地址直接與主機(jī)進(jìn)行數(shù)據(jù)的復(fù)制與傳遞,可以獲得更好的加速性能。

對(duì)齊訪問全局內(nèi)存對(duì)于AMD系列以及Nvida系列GPU來說都會(huì)提高GPU性能。本實(shí)驗(yàn)中,在主機(jī)端對(duì)數(shù)組數(shù)據(jù)進(jìn)行手工填充比較復(fù)雜,該文采用了OpenCL引入的clEnqueueWriteBufferRect命令將主機(jī)端數(shù)據(jù)拷貝到設(shè)備端。在創(chuàng)建緩存時(shí),用來確定的列數(shù)是滿足對(duì)齊后所需的數(shù)據(jù)。對(duì)于一維的大小為256的workgroup來說,列數(shù)應(yīng)該四舍五入到最近的256的倍數(shù)。

3 實(shí)驗(yàn)評(píng)估

實(shí)驗(yàn)中用到的GPU硬件平臺(tái)分別為Intel(R) HD Graphics520和AMD Radeon R7 M370。CPU為Core(TM)i5-6200U CPU@2.30 GHz。所使用的數(shù)據(jù)是由Matlab仿真的線性調(diào)頻信號(hào),其主要參數(shù)如表1所示。

表1 模擬信號(hào)參數(shù)

3.1 優(yōu)化實(shí)驗(yàn)結(jié)果對(duì)比

由之前的模擬數(shù)據(jù)可知,采樣頻率(fs)為2.0×106,雷達(dá)發(fā)射脈沖重復(fù)周期(PRT)為4.096×10-3,則單個(gè)脈沖周期的采樣點(diǎn)數(shù)fs*PRT為8 192。脈沖數(shù)量為16,則總的采樣點(diǎn)數(shù)為16*8 192。雷達(dá)信號(hào)在經(jīng)過脈沖壓縮、MTI、MTD之后可以得到大小為16*8 192的二維復(fù)數(shù)矩陣。由于存儲(chǔ)的數(shù)據(jù)格式為實(shí)虛部交替存儲(chǔ),交由主機(jī)端存儲(chǔ)時(shí)數(shù)據(jù)16*8 192*2。首先,數(shù)據(jù)在經(jīng)過平方率檢波內(nèi)核函數(shù)時(shí),相鄰兩個(gè)數(shù)據(jù)之間分別是采樣點(diǎn)的實(shí)部與虛部,將二者的平方和存入該線程的寄存器中。其次,針對(duì)該矩陣進(jìn)行距離維CFAR檢測(cè)時(shí),采用一維尋址方式,設(shè)置全局工作組大小16*8 192,由于workgroup中的work-item不存在數(shù)據(jù)共享,并未設(shè)置本地workgroup大小。處理雜波功率水平估計(jì)采用有序統(tǒng)計(jì)類方式,測(cè)試穩(wěn)定后取三次實(shí)驗(yàn)結(jié)果,表2給出了CFAR在CPU和GPU上運(yùn)行時(shí)間對(duì)比。

表2 CPU與GPU運(yùn)行時(shí)間以及加速比

其中,Graphics520執(zhí)行期間,兩個(gè)內(nèi)核函數(shù)(平方率檢波,雜波估計(jì)與判別)分別耗費(fèi)的時(shí)間為0.251 ms、99.111 ms。由表2可以看出,并行化后的恒虛警檢測(cè)在GPU上有著良好的性能。經(jīng)過算法優(yōu)化后的OSCFAR方法實(shí)驗(yàn)結(jié)果如表3所示。優(yōu)化后系統(tǒng)的執(zhí)行時(shí)間較優(yōu)化前縮小到原來的1/7,實(shí)驗(yàn)證明,該方法加速效果明顯。

表3 優(yōu)化前后的執(zhí)行事件對(duì)比

3.2 算法優(yōu)化實(shí)驗(yàn)結(jié)果分析

對(duì)于OSCFAR來說,優(yōu)化的方面分別是將條件分支通過數(shù)據(jù)擴(kuò)充解決、排序算法的合理使用和內(nèi)存優(yōu)化。本實(shí)驗(yàn)采用不同的策略在16個(gè)雷達(dá)脈沖,在每個(gè)脈沖的采樣點(diǎn)數(shù)為8 192的條件下進(jìn)行了分支與數(shù)據(jù)填充實(shí)驗(yàn)分析,得到的實(shí)驗(yàn)結(jié)果如表4所示。

表4 分支與數(shù)據(jù)填充實(shí)驗(yàn)分析

對(duì)于數(shù)據(jù)擴(kuò)充來說會(huì)影響到兩個(gè)方面,首先是在主機(jī)端(CPU)擴(kuò)充了數(shù)據(jù),對(duì)于每個(gè)雷達(dá)脈沖的8 192個(gè)采樣點(diǎn)來說,只會(huì)在其兩側(cè)分別添加保護(hù)單元和參考單元的總數(shù),導(dǎo)致數(shù)據(jù)傳輸時(shí)間會(huì)受到一定的影響。其次就是減少數(shù)據(jù)流分支,對(duì)于工作組中的線程執(zhí)行同樣的操作會(huì)對(duì)GPU執(zhí)行效率產(chǎn)生了近5倍的性能提升,對(duì)整體的優(yōu)化有著顯著的提升。

除此之外,有序統(tǒng)計(jì)類恒虛警檢測(cè)中的排序算法也會(huì)對(duì)GPU執(zhí)行效率有一定影響,實(shí)驗(yàn)中采用了改進(jìn)過的冒泡排序和雙調(diào)排序來對(duì)參考單元數(shù)量進(jìn)行排序,數(shù)據(jù)采用填充過的雷達(dá)信號(hào)數(shù)據(jù),實(shí)驗(yàn)結(jié)果如表5所示。分析算法中存在的瓶頸,通過設(shè)計(jì)更加合理、更加具有并行性的排序算法,對(duì)估計(jì)每個(gè)待檢測(cè)單元的功率值的GPU執(zhí)行效率有了近1.5倍的性能提升。

表5 排序算法實(shí)驗(yàn)分析

對(duì)于OSCFAR中的兩個(gè)內(nèi)核函數(shù)都可以在內(nèi)存優(yōu)化方面有一定的空間,采用的方法就是減少對(duì)全局內(nèi)存的訪問,利用本地內(nèi)存提升效率。利用頁(yè)鎖定機(jī)制,系統(tǒng)不需要進(jìn)行分頁(yè)也不需要置換內(nèi)存,可以獲得較好的加速性能。缺點(diǎn)就是如果數(shù)據(jù)量過大的話,一旦沒有足夠的物理內(nèi)存供程序使用,系統(tǒng)性能有所下降。通過循環(huán)展開將平方率檢波后的二維數(shù)據(jù)映射到OpenCL二維空間,提升計(jì)算部件的利用率。實(shí)驗(yàn)結(jié)果如表6所示:算法經(jīng)過頁(yè)鎖定機(jī)制以及內(nèi)存訪問對(duì)齊后的性能有所提升。

表6 主存與循環(huán)展開實(shí)驗(yàn)分析

3.3 誤差分析

圖5展示了OSCFAR在CPU端和GPU端的目標(biāo)檢測(cè)對(duì)比結(jié)果,二者處理結(jié)果近乎一致。在處理待檢測(cè)功率估計(jì)值時(shí)將CPU與GPU的數(shù)據(jù)做誤差分析,得到的結(jié)果如圖6所示,其絕對(duì)誤差小于3×10-3,且GPU具有更好的數(shù)據(jù)精度。

圖5 OSCFAR CPU與GPU處理結(jié)果

圖6 CPU和GPU誤差分析結(jié)果

4 結(jié)束語

提出了一種基于GPU的恒虛警檢測(cè)并行處理方法,通過對(duì)原數(shù)據(jù)進(jìn)行填充、采用雙調(diào)排序并行化等優(yōu)化策略來實(shí)現(xiàn)GPU加速?；贠penCL通用異構(gòu)平臺(tái)的GPU加速滿足了雷達(dá)信號(hào)處理高性能要求,在集成顯卡以及中等級(jí)別的AMD顯卡上可以達(dá)到60倍左右的加速比,本研究為后續(xù)基于國(guó)產(chǎn)GPU的加速積累了經(jīng)驗(yàn)。