Merge pull request #103 from marekrydlewski/additional-changes-doc

Changes and fixes to tests chapter
marekrydlewski · Feb 4, 2017 · afc7b0f · afc7b0f
2 parents 87f6d31 + e1dc9e4
commit afc7b0f
Show file tree

Hide file tree

Showing 2 changed files with 46 additions and 4 deletions.
diff --git a/Documentation/main.pdf b/Documentation/main.pdf
diff --git a/Documentation/main.tex b/Documentation/main.tex
@@ -1159,8 +1159,8 @@ \subsubsection{Przebieg testów}
 \textbf{Zmienny parametr} & \textbf{Próg min. powszechności} & \textbf{Próg maks. odległości} \\
 \hline
 Rozmiar instancji & 0.2 & 3 \\
-Próg min. powszechności & 0.05 - 0.4 & 5 \\
-Próg maks. odległości & 5 & 3 - 8 \\
+Próg min. powszechności & 0.1 - 0.5 & 5 \\
+Próg maks. odległości & 5 & 2 - 6 \\
 \hline
 \end{tabular}
 \caption{Wartości parametrów dla poszczególnych grup testów}
@@ -1229,6 +1229,7 @@ \subsubsection{Zmienny rozmiar danych}
 
 Przeprowadzono również oddzielne testy dla części algorytmu odpowiedzialnej za odkrywanie relacji sąsiedztwa - ich efekt prezentuje Rysunek~\ref{chart:planesweep-datasize}. Na jego podstawie można zauważyć, że do pewnego rozmiaru danych wejściowych czas wykonania wersji równoległej na CPU oraz GPU jest wyższy niż czas wykonania wersji sekwencyjnej na CPU. Wynika to z faktu, że nakład pracy utworzony przez działania mające na celu zrównoleglenie obliczeń jest na tyle duży, że w ogólnym rozrachunku szybsze jest sekwencyjne wykonanie wszystkich obliczeń niż próba ich równoleglenia. Mimo tego czas odkrywania relacji sąsiedztwa w porównaniu do ogólnego czasu wykonania algorytmu jest na tyle niski, że nie ma to większego wpływu na ogólny obraz. W~dodatku głównym zadaniem algorytmów eksploracyjnych jest przeszukiwanie dużych zestawów danych, więc sytuacja ta, która zachodzi wyłącznie przy bardzo małych ilościach danych jest dopuszczalna.
 
+Wykres czasów dla implementacji na GPU zaznaczono na wykresie linią przerywaną ze względu na to, że przedstawia on czasy wykonania samych obliczeń nie uwzględniając dodatkowego nakładu pracy związanego z~przygotowaniem danych do obliczeń. Na Rysunku \ref{chart:gpu-planesweep-data-preparation} porównano czasy wykonań części odpowiedzialnej za odkrywanie relacji sąsiedztwa w.w. implementacji bez oraz z~uwzględnieniem przygotowania danych. Łatwo można na nim zauważyć, jak duży może być nakład pracy związany z przygotowaniem danych który umożliwi przetwarzanie na GPU.
 \begin{figure}[H]
 \begin{tikzpicture}
 \begin{axis}[
@@ -1280,9 +1281,50 @@ \subsubsection{Zmienny rozmiar danych}
 \label{chart:planesweep-datasize}
 \end{figure}
 
+\begin{figure}[H]
+\begin{tikzpicture}
+\begin{axis}[
+            legend style={at={(0.5,-0.25)},anchor=north,legend cell align=left},
+            xlabel={Rozmiar danych},
+            ylabel={Czas (ms)},
+            ymin=0,
+           ymajorgrids=true,
+           grid style=dashed,
+           width=0.95\textwidth,
+           height=8cm,
+           point meta={y*100}
+           ]
+
+\addplot[
+          color=brown,
+          ultra thick,
+          mark=*,
+          smooth
+          ]
+          coordinates {
+         (1701,769.55)(3624,726.1)(7526,725.55)(15289,711.5)
+         };
+
+\addplot[
+          color=purple,
+          ultra thick,
+          mark=*,
+          smooth
+          ]
+          coordinates {
+         (1701,7.25)(3624,8.4)(7526,10)(15289,16)
+         };
+
+\legend{Z przygotowaniem danych, Bez przygotowania danych}
+\end{axis}
+\end{tikzpicture}
+\caption{Wykres zależności czasu znalezienia relacji sąsiedztwa od rozmiaru danych dla implementacji na GPU uwzględniający przygotowanie danych}
+\label{chart:gpu-planesweep-data-preparation}
+\end{figure}
+
 \subsubsection{Zmienny próg maksymalnej odległości}
 
-Wykresy zawarte w tym podrozdziale opisują zmienność czasu działania algorytmu w poszczególnych implementacjach ze względu na zmienny próg maksymalnej odległości.
+Wykresy zawarte w tym podrozdziale opisują zmienność czasu działania algorytmu w poszczególnych implementacjach ze względu na zmienny próg maksymalnej odległości. Zmienność ta przekłada się bezpośrednio na ilość znalezionych relacji sąsiedztwa w~początkowych krokach algorytmu, gdzie większa ilość takich relacji zwiększa ilość obliczeń w~dalszych etapach.
 
 \begin{figure}[H]
 \begin{tikzpicture}
@@ -1500,7 +1542,7 @@ \subsubsection{Zmienny próg maksymalnej odległości}
 
 \subsubsection{Zmienny próg minimalnej powszechności}
 
-Ostatni test skupia się na porównaniu czasów działania poszczególnych implementacji ze względu na zmienny próg minimalnej powszechności. Efekty tego porównania przedstawia Rysunek~\ref{chart:minprev-sparse}.
+Ostatni test skupia się na porównaniu czasów działania poszczególnych implementacji ze względu na zmienny próg minimalnej powszechności. Efekty tego porównania przedstawia Rysunek~\ref{chart:minprev-sparse}. Zmiany tego parametru przekładają się na to, ile par punktów połączonych relacją sąsiedztwa zostanie uwzględnione w~dalszych obliczeniach oraz na ilość wynikowych kolokacji.
 
 \begin{figure}[H]
 \begin{tikzpicture}