ASC Student Supercomputer Challenge (2019) Preliminary Contest Notifications
一、初賽交一套文件：提案書、優化後源代碼、輸出文件。英文書寫。
2019年3月3日上午8：00前 郵箱：[email protected]
提案文件格式（.docx或.pdf)命名（AAAUniversity_BBB.docx)
其餘文件壓縮到壓縮包裏（AAAUniversity_BBB.zip)
- HPL的輸出文件
- HPCG的輸出文件
- 所需文件的單獨的圖像超分辨率的挑戰
- CESM測試所需文件
二、建議要求
A.大學超級計算機活動要點
- 與超級計算相關的硬件和軟件平臺
- 與超級計算機相關的課程、培訓和興趣小組
- 與超級計算機相關的研究和應用
- 超級計算研究重點成果簡述(不超過2項)
B.隊伍介紹
- 簡要描述您的團隊的構建過程
- 團隊成員簡介(含團隊合影)
- 團隊口號。
C.技術方案要求
1、高性能計算機系統設計（15）
a)在3000瓦的功率預算範圍內，系統設計要達到最好的計算性能。
b)指定系統軟硬件配置及互連。描述功耗，評估性能，並分析所提議的體系結構的優缺點。
c)您的系統應該基於浪潮 NF5280M5服務器。下表所列組件及具體功耗，供您在設計系統時參考。
2、HPL和HPCG（15）
提案應包括對軟件環境(操作系統、編譯器、數學庫、MPI軟件、軟件版本等)、測試方法、性能優化方法、性能評估、問題及解決方案分析等的描述。如能對HPL和HPCG算法進行深入分析，並提供源代碼，則更好。
Download the HPL software at http://www.netlib.org/benchmark/hpl/.
Download the HPCG software at https://github.com/hpcg-benchmark/hpcg
建議在x86 Xeon CPU或Tesla GPU平臺上運行HPL和HPCG的驗證和優化。但是，歡迎使用其他硬件平臺的團隊提交他們的分析和結果
3、單圖像超分辨率挑戰（30）
摘要單圖像超分辨率(SR)是近二十年來一個非常有吸引力的研究課題，從低分辨率(LR)圖像中提取高分辨率(HR)圖像是一項極具挑戰性的任務。從衛星和航空成像到醫學圖像處理、人臉圖像分析、文本圖像分析、符號和數字車牌讀取、生物特徵識別[1]，它在許多現實世界的問題中都有實際應用。
目前，隨着深度學習的復興，利用深度卷積神經網絡(CNN)來執行超分辨率[2]的研究前景十分廣闊。超分辨率的最終目標之一是產生高視覺質量的輸出，就像人類觀察者所感知的那樣。然而,目前最先進的(SOTA)文中針對超分辨率重建方法主要集中在最小化均方誤差和峯值信噪比(PSNR)高,但他們往往缺乏高頻細節和感知不滿意,他們無法匹配富達預期更高的分辨率[3]。爲了克服這一缺點，在SR[3]中引入了生成對抗性網絡(GAN)，以鼓勵網絡偏愛看起來更像自然圖像的解決方案。
在本次比賽中，參賽者需要設計一種算法，使用深度學習等SOTA策略對使用雙三次核下採樣的圖像進行4x SR上標。例如，400x600圖像經過4倍放大後的分辨率是1600x2400。評估將以感知質量感知的方式進行。使用pirm2018[4]中定義的感知指數(PI)來計算重建的高分辨率圖像的質量。PI越低，重建圖像的質量越高。Ma和NIQE是兩種無參考圖像質量度量[5-6]。
數據集和代碼
Microsoft OneDrive: https://1drv.ms/f/s!AnPwwYkVpK6HhRohl-gY_9YK3VWP
Baidu SkyDrive: https://pan.baidu.com/s/19qBbUcMUiX2kc3ORXK9vpA Password: o571
在初賽中，ASC19_03/images目錄中提供了80幅LR圖像(png格式)進行測試，這些圖像由組委會製作，從未出現在公共網站上。相應的HR圖像由委員會保留用於計分。圖1展示了LR/HR圖像的一個示例。
委員會不會提供任何培訓/驗證數據集，參與者可以爲網絡培訓和驗證準備自己的數據集。
ASC19_03/ Scripts /score目錄中提供了用於計算PI分數和均方根誤差(RMSE)的腳本。按照README設置驗證腳本。
ASC19_03/scripts/down-sampling目錄中提供了用於4x向下採樣的腳本。
最後將提供一個特定的訓練/驗證數據集和測試數據集
A：每隊提交80張重建的高分辨率圖像進行評分測試。
B:對於初始和最終階段，每個團隊還應該提交一個文件夾，其中包含可以重現測試結果的源代碼和模型。
1. 每個小組只提交一個測試結果文件和相應的模型源代碼。
2. 委員會可以運行提交的代碼，以確保提交的測試結果的合法性和有效性。
3.委員會將忽略任何不遵守規則的提交。請務必檢查您的成績文件與評分腳本前提交。
標準
均方差應該在8-18之間，否則Spi得分爲0；
Sprop是委員會根據參與者的提案給出的分數。Sprop的最大值是10。鼓勵參與者詳細描述他們的神經網絡設計和網絡性能。
參與者必須爲此任務使用PyTorch框架(https://pytorch.org/)。使用或依賴於任何其他深度學習框架的提交將被取消
委員會沒有爲這項任務提供任何基線代碼，參與者應該基於公共資源設計他們的深度學習網絡。參與者還應該考慮他們的神經網絡的訓練性能。鼓勵使用數據並行和模型並行等分佈式培訓策略來加速培訓過程。
參考：
[1]. K. Nasrollahi and T. B. Moeslund. Super-resolution: A comprehensive survey. In Machine
Vision and Applications, volume 25, pages 1423–1468. 2014.
[2]. Johnson, Justin; Alahi, Alexandre; Fei-Fei, Li (2016-03-26). "Perceptual Losses for Real-Time
Style Transfer and Super-Resolution". arXiv:1603.08155
[3]. Ledig, C., Theis,L., Huszar,F., Caballero,J., Cunningham,A.,Acosta,A., Aitken, A.P., Tejani, A.,
Totz, J., Wang, Z., et al.: Photo-realistic single image super- resolution using a generative adversarial
network. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. pp.
4681–4690 (2017)
[4]. https://www.pirm2018.org/PIRM-SR.html
[5]. A. Mittal, R. Soundararajan and A. C. Bovik, "Making a “Completely Blind” Image Quality
Analyzer," in IEEE Signal Processing Letters, vol. 20, no. 3, pp. 209-212, March 2013.
[6]. Ma C , Yang C Y , Yang X , et al. Learning a No-Reference Quality Metric for Single-Image
Super-Resolution[J]. Computer Vision & Image Understanding, 2016.
4、. The CESM Test（30）
在氣候建模社區廣泛使用的模型中，社區地球系統模型(community Earth System Model, CESM)已成爲世界上最流行的氣候模型之一，廣泛應用於氣候變化、氣候預測和氣候變化的各種研究。
CESM是一個完全耦合的、社區式的全球氣候模型，它提供了最先進的計算機模擬地球過去、現在和未來的氣候狀態。CESM是全球大約12個氣候模型之一，可以用來模擬地球氣候系統的許多組成部分，包括海洋、大氣、海冰和陸地覆蓋。利用CESM，研究人員現在可以模擬海洋生態系統與溫室氣體的相互作用;臭氧、粉塵等大氣化學物質對氣候的影響;碳在大氣、海洋和陸地表面的循環;以及溫室氣體對高層大氣的影響。
CESM各組成部分的數學原理和算法在參考文獻[1]和[2]中有詳細描述。我們建議使用穩定版本的cesm1.2.2，其源代碼可在參考[3]中獲得。關於CESM的安裝和使用的更多信息可以從參考[4]中找到
參考：
[1]. CAM4 description:
http://www.cesm.ucar.edu/models/ccsm4.0/cam/docs/description/cam4_desc.pdf
[2]. CPL document:
http://www.cesm.ucar.edu/models/cesm1.2/cpl7/
[3]. CESM source code: https://svn-ccsm-models.cgd.ucar.edu/cesm1/release_tags/cesm1_2_2/
[4]. CESM usersguide:
http://www.cesm.ucar.edu/models/cesm1.2/cesm/doc/usersguide/book1.html
測試命令介紹
在這一挑戰中，鼓勵所有參與者完成計算，獲得正確的權利，並努力減少時間和資源的計算需求。 提案文件應包括軟件環境的描述（操作系統，編譯器，數學庫，MPI軟件，netcdf庫版本和CESM版本等），測試方法，性能優化方法，性能評估，問題和解決方案分析等。 深入分析CESM算法和源代碼的深入分析。 下面列出了此挑戰的詳細任務和要求。
根據EXP 1 - 2的說明，對給定的數據編譯、安裝CESM並運行程序。請提交最終迭代生成的文件，每個步驟的屏幕輸出，每個步驟的命令行，這些都應該壓縮成tar文件。文件(見下表)
1. 要求的CESM文件應該上傳到ASC19委員會指定的位置(待定，稍後將通過電子郵件通知)，您應該將帶有上傳文件的MD5代碼的下載鏈接複製到您的提案中(如果需要，請使用密碼)
2. 用什麼樣的計算資源向提案提交描述和總結(配置和體系結構)用於執行計算，以及每個步驟所需的時間(鼓勵提交日誌文件)。您還可以描述如何編譯這個包，是否對代碼執行一些修改，以及如何和爲什麼執行這些修改
3.描述您考慮的(或已經執行的)可以減少此類計算挑戰的計算需求的策略。
4. 注意，爲了確保結果的一致性，我們提供的每個參數及其值都是必要的。其他可能影響應用程序性能的參數，您可以根據您的平臺使用它們，我們在本說明書中不展示。
5. 由於模型輸出數據很大，評估數據可以從模型輸出數據中選擇五個變量，您應該將它們提取到特定的文件中進行驗證。例如,0001-01.nc應該包含1月0001和01-02這五個變量。nc應該包含0002年2月的5個變量的值，與其他變量相同，直到0010-12。五個評價變量可以是U10,TS, PS, Z3,SST
爲了編譯和安裝CESM，您可以參考以下步驟
下載CESM源代碼。您可以在CESM用戶指南的“下載CESM”小節中看到關於正確獲取代碼的完整信息。在下載源代碼之前，您可能需要一個svn工具。
我們建議您使用cesm1_2_2版本。如果您無法成功下載pio和genf90，可以從以下網站下載:
Microsoft OneDrive: https://1drv.ms/f/s!AnPwwYkVpK6HhRohl-gY_9YK3VWP
Baidu SkyDrive: https://pan.baidu.com/s/19qBbUcMUiX2kc3ORXK9vpA Password: o571
您應該使用CESM用戶指南的第5章將CESM移植到您的個人系統。您可以創建自己的個人文件，比如env_mach_specific、mkbatch、config_compiler。xml config_machine.xml
然後您可以創建案例，然後編譯和運行模型。
我們需要您創建以下案例，成功編譯並安裝以下案例。運行長度可以用env_run.xml中的STOP_N和STOP_DATE來控制。您可以對此進行修改，以確保運行長度爲10年。注意，您可以使用“RESUBMIT”多次提交任務。
EXP1 : The compset is E1850CN and the resolution is 0.47x0.63_gx1v6.
要創建compset爲E1850CN，分辨率爲0.47x0.63_gx1v6的情況。
./create_newcase –res 0.47x0.63_gx1v6 –compset E1850CN –case $CASE –machine
$YOURMACHINENAME
輸入$CASE目錄，然後運行腳本
./cesm_setup and ./$CASE.build
在運行$CASE.run之前，您應該精確指定ocean模型的數據名稱——“DOCN_SOM_FILENAME”
然後運行腳本./$CASE.submit
在CESM成功運行之後，您可以在您正在設置的輸出文件DOUT_S_ROOT中找到日誌和hist文件
案例名稱應該是b.e12.B.0.47 x0.63_gx1v6.001
您可以從https://svn-ccsminputdata.cgd.ucar.edu/trunk/inputdata/手動下載案例的輸入數據，或者在運行$ case時使用svn自動下載輸入數據。創建案例後構建腳本。網站的用戶名和密碼分別爲guestuser和friendly。
請注意，如果您成功運行CESM模型，您應該使用netcdf庫，我們建議您可以使用netcdf版本(4.3.3.1或更高版本)，其中netcdf fortran和netcdf C是單獨安裝的。您可以從網站https://www.unidata.ucar.edu/downloads/netcdf/index.jsp下載。安裝軟件參考網址https://www.unidata.ucar.edu/software/netcdf/docs/getting_and_building_netcdf.html。
評估
我們可以使用CESM和RMSE的診斷包來評估模型結果。
CESM的診斷包可以獲得每個變量的氣候學和年變異性。
在我們的評估中，我們使用500hPa位勢高度作爲代表。然後計算模型結果與觀測數據之間的RMSE。
x1,t的時間序列模型的結果,x2,t你預測時刻的觀測數據。
RMSE反映了預測數據與真實值的偏差，RMES越小，預測精度越高。
有關詳細信息，請參考https://en.wikipedia.org/wiki/Root-mean-square_deviation
注:我們有專業人員進行評估。本部分僅介紹評估方法，因爲診斷包涉及netcdf、ncl、nco等多個atmosphere軟件，對於非專業的學生來說更加複雜。這部分是不必要的，您不需要爲這部分提供任何結果。僅供參考