Presentación

Introducción

En el presente blog se documenta el diseño, la implementación y el análisis estadístico de rendimiento de diversos paradigmas de cómputo paralelo y concurrente aplicados al procesamiento de imágenes. El proyecto consiste en someter a estrés el hardware aplicando un algoritmo de incremento de brillo sobre un set de tres imágenes idénticas en formato BMP de 24 bits, pero con resoluciones escalonadas: partiendo de una imagen mediana (base), duplicando sus dimensiones para una imagen grande, y cuadruplicándolas para una imagen muy grande.

Para medir y contrastar la eficiencia computacional, el experimento se dividió en cuatro enfoques arquitectónicos principales:

  1. Secuencial (Baseline): Generación del tiempo base de procesamiento en C++ tradicional, ejecutado tanto en entorno Windows como en Linux.

  2. SIMD y POSIX Threads: Paralelización a bajo nivel utilizando instrucciones vectoriales (registros XMM) y escalamiento concurrente con 1, 2, 4, 8 y 16 hilos.

  3. OpenMP: Paralelización de alto nivel mediante directivas de compilador (sin SIMD), ejecutándose con cargas de 2, 4, 8 y 16 hilos.

  4. Inteligencia Artificial (Python): Replicación del procesamiento en un lenguaje de alto nivel administrado, utilizando código generado por al menos dos modelos de IA generativa para contrastar su eficiencia y SpeedUp frente a las versiones nativas en C/C++.

Integrantes

  • Christian Hernández Mares
  • Valery Rodriguez Trejo
  • Victor Manuel Antonio Fuentes
  • Ángel Daniel Jiménez Pacheco

Comentarios

Publicar un comentario

Entradas más populares de este blog

¿Cómo se van a comportar los tiempos de ejecución si se mantiene el código, pero se varía el tamaño de la imagen a procesar, en cada configuración? Y ¿existe una variación y si existe cómo se podría explicar tal variación observada?

Imagen
Hipotesis: A mayor tamaño de imagen es más probable que el tiempo de ejecución sea mayor, dependiendo incluso de la configuración, algunas podrían tener mejores resultados que otras, pero eso no quita el hecho de que el tamaño de imagen aumenta el tiempo de ejecución. La manera en que se podría explicar la variación, es que una imagen de mayor tamaño tiene un conjunto de bytes mayor, por lo que el proceso para transformar la imagen conlleva un mayor tiempo. La variación del tiempo no será exactamente proporcional al tamaño de la imagen en todas las configuraciones, porque también influyen factores como el acceso a memoria, el uso de caché, la sobrecarga de los hilos, el sistema operativo y la forma en que se reparte la carga de trabajo. En imágenes pequeñas, la sobrecarga puede pesar más que el procesamiento; en imágenes grandes, el paralelismo puede aprovecharse mejor.   Metodología y diseño de pruebas Hardware utilizado: CPU: Ryzen 7 8700G - 4.2 GHz base / 5.1 GHz turbo 8 Nú...
Leer más

¿Cómo se comportan los tiempos de ejecución al incrementar el número de hilos?

Imagen
¿Cómo se comportan los tiempos de ejecución al incrementar el número de hilos? Introducción En esta entrada se analiza el rendimiento de un programa de procesamiento de imágenes BMP de 24 bits. El objetivo del programa es incrementar el brillo de una imagen utilizando una rutina SIMD en ensamblador y dividiendo el trabajo entre varios hilos. La pregunta que se busca responder es la siguiente: ¿Cómo se van a comportar los tiempos de ejecución al incrementar el número de hilos con un mismo tamaño de imagen a procesar? Esta pregunta es importante porque permite observar si el uso de más hilos realmente mejora el rendimiento del procesamiento de imágenes, y también permite identificar si existe un punto donde agregar más hilos deja de ser útil. Hipótesis iniciales Hipótesis 1: Se debería reducir el tiempo de ejecución, ya que con un mayor número de hilos se puede dividir la tarea en más partes y así ejecutar el código al mismo tiempo, consiguiendo así un menor tiempo de ejecución. Hipótesi...
Leer más

¿Qué código reportará mejor Speedup, el generado por IA en un lenguaje de alto nivel como Python o el de la versión C/C++?

Imagen
Hipotesis La versión en C/C++ reportará un Speedup algo superior al de Python. C/C++ se compila a código nativo ya que permite el uso real de hilos en paralelo y la implementación de bajo nivel con instrucciones SIMD permite procesar múltiples canales de píxeles simultáneamente por ciclo de reloj, aprovechando verdaderamente el hardware sin intermediarios. El código de Python tendrá un Speedup cercano a 1 (nulo o sin mejora) en arquitecturas multihilo puro debido al mecanismo Global Interpreter Lock, que restringe la ejecución de bytecode a un solo hilo nativo a la vez. Incluso si la IA genera un código estructurado con hilos, estos se ejecutarán de forma secuencial en la CPU, a menos que se recurra explícitamente a multiprocesamiento, el cual tiene una sobrecarga de memoria muy alta en comparación con C++. Metodología y diseño de pruebas Hardware utilizado: CPU: Intel Core Ultra 7 255H (Frecuencia Base: 2.00 GHz / Turbo Máximo: 5.10 GHz) 16 Núcleos físicos  22 Hilos Caché 24MB...
Leer más