CUDA中的并行列表约简

我正在阅读Cuda并行简化白皮书，但不幸的是，我的算法似乎反复产生错误的结果，我似乎无法找出原因（当然教科书上的例子一定有用？当然我只是做了一些非常明显的错误？）。这是我的内核函数：

我的定义：

 #define BLOCK_SIZE 512

 __global__ void total(float * inputList, float * outputList, int len) {
      __shared__ float sdata[2*BLOCK_SIZE];
      unsigned int tid = threadIdx.x;
      unsigned int i = blockIdx.x*(blockDim.x*2) + threadIdx.x;
      sdata[t] = inputList[i]+inputList[i+blockDim.x];
      __syncthreads();
      for (unsigned int s=blockDim.x/2; s>0; s>>=1) {
        if (tid < s) {
          sdata[tid] += sdata[tid + s];
        }
        __syncthreads();
      }
      if (tid == 0) 
        outputList[blockIdx.x] = sdata[0];
}

  outputSize = inputSize / (BLOCK_SIZE<<1);
  cudaMalloc((void**) &deviceInput, inputSize*sizeof(float));
  cudaMalloc((void**) &deviceOutput, outputSize*sizeof(float));
  cudaMemcpy(deviceInput, hostInput, inputSize*sizeof(float), cudaMemcpyHostToDevice);

 dim3 dimGrid((inputSize-1)/BLOCK_SIZE +1, 1, 1);
 dim3 dimBlock(BLOCK_SIZE,1,1);

 total<<<dimBlock, dimGrid>>>(deviceInput, deviceOutput, outputSize);
 cudaDeviceSynchronize();

 cudaMemcpy(hostOutput, deviceOutput, outputSize*sizeof(float), cudaMemcpyDeviceToHost);

我的内核函数：

 #define BLOCK_SIZE 512

 __global__ void total(float * inputList, float * outputList, int len) {
      __shared__ float sdata[2*BLOCK_SIZE];
      unsigned int tid = threadIdx.x;
      unsigned int i = blockIdx.x*(blockDim.x*2) + threadIdx.x;
      sdata[t] = inputList[i]+inputList[i+blockDim.x];
      __syncthreads();
      for (unsigned int s=blockDim.x/2; s>0; s>>=1) {
        if (tid < s) {
          sdata[tid] += sdata[tid + s];
        }
        __syncthreads();
      }
      if (tid == 0) 
        outputList[blockIdx.x] = sdata[0];
}

  outputSize = inputSize / (BLOCK_SIZE<<1);
  cudaMalloc((void**) &deviceInput, inputSize*sizeof(float));
  cudaMalloc((void**) &deviceOutput, outputSize*sizeof(float));
  cudaMemcpy(deviceInput, hostInput, inputSize*sizeof(float), cudaMemcpyHostToDevice);

 dim3 dimGrid((inputSize-1)/BLOCK_SIZE +1, 1, 1);
 dim3 dimBlock(BLOCK_SIZE,1,1);

 total<<<dimBlock, dimGrid>>>(deviceInput, deviceOutput, outputSize);
 cudaDeviceSynchronize();

 cudaMemcpy(hostOutput, deviceOutput, outputSize*sizeof(float), cudaMemcpyDeviceToHost);

最后，我的最后计算：

 for (int counter = 1; counter < outputSize; counter++) {
    hostOutput[0] += hostOutput[counter];
 }

for（int counter=1；counter

---

任何帮助都将不胜感激。

代码假定输入大小是块大小的倍数。如果inputSize不是块大小的倍数，它将读取inputList数组的末尾

代码假定输入大小是块大小的倍数。如果inputSize不是块大小的倍数，它将读取inputList数组的末尾

下面代码行中的内核启动配置不正确

total<<<dimBlock, dimGrid>>>(deviceInput, deviceOutput, outputSize); 

total（设备输入、设备输出、输出大小）；

内核配置的第一个参数是网格大小，第二个参数是块大小

您应该这样做：

total<<<dimGrid, dimBlock>>>(deviceInput, deviceOutput, outputSize); 

total（设备输入、设备输出、输出大小）；

请始终检查返回的错误代码，以了解程序失败的原因

---

在当前代码中，内核启动应该失败。如果对

cudaDeviceSynchronize

调用进行错误检查，则可能会找到错误结果的原因。

代码下一行中的内核启动配置不正确

total<<<dimBlock, dimGrid>>>(deviceInput, deviceOutput, outputSize); 

total（设备输入、设备输出、输出大小）；

内核配置的第一个参数是网格大小，第二个参数是块大小

您应该这样做：

total<<<dimGrid, dimBlock>>>(deviceInput, deviceOutput, outputSize); 

total（设备输入、设备输出、输出大小）；

请始终检查返回的错误代码，以了解程序失败的原因

---

在当前代码中，内核启动应该失败。对

cudaDeviceSynchronize

调用进行错误检查可能会导致错误结果的原因。

内核函数输入参数

int-len

似乎从未使用过。内核函数输入参数

int-len

似乎从未使用过。这是一个好地方-这总是会导致错误结果。我在回答中提到的假设只会在某些情况下引起问题……好的地方——这总是会导致不正确的结果。我在回答中提到的假设只会在某些情况下引起问题。。。