Cuda 大型阵列的前缀扫描

我想使用GPUgem中的指令为大型数组编写前缀扫描，这是我并行类的家庭作业。我确实遵循了书中的所有步骤，但我的代码仍然不起作用。我让它适用于4096大小的阵列，但不适用于更大的阵列。这是我的密码：

#include <stdio.h>
#include <sys/time.h>
#define THREADS 1024
typedef int mytype;

__global__ void phaseI(mytype *g_odata, mytype *g_idata, int n, mytype *aux)
{
  __shared__ mytype temp[THREADS];
  const int tid1 = threadIdx.x;
  int offset = 1;
  temp[2*tid1] = g_idata[2*tid1]; // load input into shared memory
  temp[2*tid1+1] = g_idata[2*tid1+1];
  for (int d = THREADS>>1; d > 0; d >>= 1) // build sum in place up the tree
  {
    __syncthreads();
    if (tid1 < d)
    {
      int ai = offset*(2*tid1+1)-1;
      int bi = offset*(2*tid1+2)-1;
      temp[bi] += temp[ai];
    }
    offset *= 2;
  }
  __syncthreads();
  if (tid1 == 0) {
    aux[blockIdx.x] = temp[THREADS - 1]; 
    temp[THREADS - 1] = 0;
  }
 for (int d = 1; d < THREADS; d *= 2) // traverse down tree & build scan
    {
      offset >>= 1;
      __syncthreads();
      if (tid1 < d)
      {
         int ai = offset*(2*tid1+1)-1;
         int bi = offset*(2*tid1+2)-1;
         mytype t = temp[ai];
         temp[ai] = temp[bi];
         temp[bi] += t;
      }
    }
  __syncthreads();
  g_odata[2*thid] = temp[2*thid]; // write results to device memory
  g_odata[2*thid+1] = temp[2*thid+1];
  }

__global__ void phaseII(mytype *g_odata, mytype *aux, int n)
{
  const int tid1 = threadIdx.x;
  const int B = (n / THREADS);
  int offset = 1;
 for (int d = B>>1; d > 0; d >>= 1) // build sum in place up the tree
  {
    __syncthreads();
    if (tid1 < d)
    {
      int ai = offset*(2*tid1+1)-1;
      int bi = offset*(2*tid1+2)-1;
      temp[bi] += temp[ai];
    }
    offset *= 2;
  }
  __syncthreads();
  if (tid1 == 0 && blockIdx.x == 0) {
    aux[B - 1] = 0;
  }
for (int d = 1; d < B; d *= 2) // traverse down tree & build scan
    {
      offset >>= 1;
      __syncthreads();
      if (tid1 < d)
      {
         int ai = offset*(2*tid1+1)-1;
         int bi = offset*(2*tid1+2)-1;
         mytype t = temp[ai];
         temp[ai] = temp[bi];
         temp[bi] += t;
      }
    }
  __syncthreads();  
  g_odata[2*thid] += aux[blockIdx.x];
  g_odata[2*thid+1] += aux[blockIdx.x];
}

int main(int argc, char *argv[])
{
  if (argc != 2) {
    printf("usage: %s n\n", argv[0]);
    return -1;
  }
  const int n = atoi(argv[1]);
  mytype *h_i, *d_i, *h_o, *d_o, *d_temp;
  const int size = n * sizeof(mytype);
  h_i = (mytype *)malloc(size);
  h_o = (mytype *)malloc(size);
  if ((h_i == NULL) || (h_o == NULL)) {
    printf("malloc failed\n");
    return -1;
  }
  for (int i = 0; i < n; i++) {
    h_i[i] = i;
    h_o[i] = 0;
  }
  cudaMalloc(&d_i, size);
  cudaMalloc(&d_temp, (n / THREADS) );
  cudaMalloc(&d_o, size);
  cudaMemset(d_o, 0, size);
  cudaMemset(d_temp, 0, (n / THREADS));
  cudaMemcpy(d_i, h_i, size, cudaMemcpyHostToDevice);
  int blocks = n / THREADS;
  phaseI<<<blocks, THREADS / 2 >>>(d_o, d_i, n, d_temp);
  phaseII<<<blocks, THREADS / 2>>>(d_o, d_temp, n);
  cudaThreadSynchronize();
  cudaMemcpy(h_o, d_o, size, cudaMemcpyDeviceToHost);
  printf("\n");
  for (int i = 0; i < n ; i++) {
    printf(" %d", h_o[i]); 
  }
  printf("\n\n");

  return 0;
}

#包括
#包括
#定义线程1024
typedef int-mytype；
__全局无效阶段（mytype*g\U odata、mytype*g\U idata、int n、mytype*aux）
{
__共享的_uuuMyType临时[线程]；
const int tid1=threadIdx.x；
int offset=1；
temp[2*tid1]=g_idata[2*tid1]；//将输入加载到共享内存中
温度[2*tid1+1]=g_idata[2*tid1+1]；
for（int d=THREADS>>1；d>0；d>>=1）//在树上就地构建sum
{
__同步线程（）；
如果（tid1>=1；
__同步线程（）；
如果（tid1>1；d>0；d>>=1）//在树上就地构建sum
{
__同步线程（）；
如果（tid1>=1；
__同步线程（）；
如果（tid1

---

有人知道我做错了什么吗？

我在您的代码中看到的一个可能错误如下：

  aux[thid] = temp[THREADS]; 

如果您的

temp

数组是

temp[1024]

，正如您所说，并且每个块有1024个线程，那么如果线程是1024个，temp[threads]将访问您的共享内存数组，超出范围（一个超出范围）。1024个元素的数组只有从0到1023的有效索引

除此之外，您似乎在询问如何从共享内存数组（

temp

）中取出最后一个元素，并将其放置在（可能是全局的）

aux

数组中的某个位置，该数组中每个块有一个元素

下面是一个充分发挥作用的示例：

$ cat t831.cu
#include <stdio.h>

#define THREADS 1024
#define BLOCKS    20

__global__ void kernel(int *aux){

  __shared__ int temp[THREADS];
  temp[threadIdx.x] = threadIdx.x + blockIdx.x;
  __syncthreads();
  if (threadIdx.x == 0)
    aux[blockIdx.x] = temp[THREADS-1];
}

int main(){

  int *h_data, *d_data;
  const int dsize = BLOCKS*sizeof(int);
  h_data=(int *)malloc(dsize);
  cudaMalloc(&d_data, dsize);
  memset(h_data, 0, dsize);
  cudaMemset(d_data, 0, dsize);
  kernel<<<BLOCKS, THREADS>>>(d_data);
  cudaMemcpy(h_data, d_data, dsize, cudaMemcpyDeviceToHost);
  for (int i = 0; i < BLOCKS; i++) printf("%d, ", h_data[i]);
  printf("\n");
  return 0;
}

$ nvcc -o t831 t831.cu
$ cuda-memcheck ./t831
========= CUDA-MEMCHECK
1023, 1024, 1025, 1026, 1027, 1028, 1029, 1030, 1031, 1032, 1033, 1034, 1035, 1036, 1037, 1038, 1039, 1040, 1041, 1042,
========= ERROR SUMMARY: 0 errors
$

$cat t831.cu
#包括
#定义线程1024
#定义块20
__全局无效内核（int*aux）{
__共享_uu; int temp[线程]；
temp[threadIdx.x]=threadIdx.x+blockIdx.x；
__同步线程（）；
if（threadIdx.x==0）
aux[blockIdx.x]=temp[THREADS-1]；
}
int main（）{
int*h_数据，*d_数据；
const int dsize=块*sizeof（int）；
h_data=（int*）malloc（dsize）；
cudaMalloc（和d_数据，dsize）；
memset（h_数据，0，dsize）；
cudaMemset（d_数据，0，数据大小）；
内核（d_数据）；
cudaMemcpy（h_数据、d_数据、dsize、cudaMemcpyDeviceToHost）；
对于（int i=0；i

请尝试一些方法，询问您收到的具体错误或具体的编程问题。显示你的代码！这个问题毫无意义。根据定义，块是独立的，共享内存具有块作用域。您想问的是什么？您需要发布可以由其他人编译的完整代码。如前所述，你的问题毫无意义。@Talonmes我编辑了我的文章，因为上一篇文章都是关于这段代码的。谢谢，我明白了：）我在我的代码中使用了你的建议，我认为我的共享内存部分工作正常，但我的代码没有给出正确的结果