Cuda 您是否已成功使用GPU？
我很想知道是否有人编写了一个应用程序，通过使用，例如。如果是这样，您发现了什么问题？与标准CPU相比，您取得了哪些性能提升？我一直在使用GPGPU进行运动检测（最初使用CG，现在使用CUDA）和稳定（使用CUDA）以及图像处理。 在这种情况下，我得到了大约10-20倍的加速Cuda 您是否已成功使用GPU？,cuda,gpgpu,hpc,Cuda,Gpgpu,Hpc,我很想知道是否有人编写了一个应用程序，通过使用，例如。如果是这样，您发现了什么问题？与标准CPU相比，您取得了哪些性能提升？我一直在使用GPGPU进行运动检测（最初使用CG，现在使用CUDA）和稳定（使用CUDA）以及图像处理。 在这种情况下，我得到了大约10-20倍的加速 据我所知，这对于数据并行算法来说是相当典型的 我已经编写了一些简单的应用程序，如果您可以并行化浮点计算，这将非常有帮助 我发现以下课程是由伊利诺伊大学Urrina MangaPange教授和NVIDIA工程师在我开始的时候非
据我所知，这对于数据并行算法来说是相当典型的 我已经编写了一些简单的应用程序，如果您可以并行化浮点计算，这将非常有帮助
我发现以下课程是由伊利诺伊大学Urrina MangaPange教授和NVIDIA工程师在我开始的时候非常有用的：（包括所有课程的录音）。P>但我还没有任何关于CUDA的实践经验，我一直在研究这个主题，发现了一些使用GPGPU API记录积极结果的论文（它们都包括CUDA） 这描述了如何通过创建大量并行原语（映射、散布、聚集等）并行化数据库连接，这些原语可以组合成一个高效的算法 在这种情况下，AES加密标准的并行实现以与离散加密硬件相当的速度创建
最后，本文分析了CUDA在结构化和非结构化网格、组合逻辑、动态规划和数据挖掘等许多应用中的应用情况。我在CUDA中实现了蒙特卡罗计算，用于一些金融用途。经过优化的CUDA代码比“本可以更努力，但不是真的”多线程CPU实现快约500倍。（此处将GeForce 8800GT与Q6600进行比较）。众所周知，蒙特卡罗问题是令人尴尬的平行问题 遇到的主要问题包括由于G8x和G9x芯片对IEEE单精度浮点数的限制而导致的精度损失。随着GT200芯片的发布，可以通过使用双精度单元在一定程度上缓解这一问题，但要牺牲一些性能。我还没有试过
此外，由于CUDA是一个C扩展，因此将其集成到另一个应用程序中是非常重要的。我一直在用gpgpu而不是CUDA进行开发。 您将获得何种性能增益取决于许多因素，但最重要的是数值强度。（即计算操作与内存引用的比率。） BLAS level-1或BLAS level-2函数（如添加两个向量）仅对每3个内存引用执行1次数学运算，因此NI为（1/3）。与仅在cpu上运行相比，使用CAL或Cuda运行速度总是较慢。主要原因是将数据从cpu传输到gpu和gpu所需的时间 对于像FFT这样的函数，有O（N logn）计算和O（N）内存引用，因此NI是O（logn）。如果N非常大，比如1000000，那么在gpu上执行它可能会更快；如果N很小，比如说1000，它几乎肯定会慢一些 对于BLAS 3级或LAPACK函数，如矩阵的LU分解，或查找其特征值，有O（N^3）计算和O（N^2）内存引用，因此NI为O（N）。对于非常小的阵列，假设N是几分，这在cpu上仍然会更快，但随着N的增加，算法会很快从内存边界转到计算边界，gpu上的性能增长也会很快 任何涉及复杂算术的运算都比标量算术要多，标量算术通常使NI增加一倍并提高gpu性能
（来源：）
以下是CGEMM的性能—在Radeon 4870上完成的复杂单精度矩阵乘法。我已将CUDA用于几种图像处理算法。当然，这些应用程序非常适合CUDA（或任何GPU处理范式） 在我看来，将算法移植到CUDA有三个典型阶段：
这与为CPU优化代码非常相似。然而，GPU对性能优化的响应甚至比CPU更难预测。是的。我已经使用CUDAAPI实现了 这相当容易，因为它是一个过滤器，必须在给定输入图像的情况下并行运行。我在这方面没有遇到太多困难，因为它只需要一个简单的内核。加速比约为300倍。这是我关于CS的最后一个项目。可以找到这个项目（它是用葡萄牙语写成的） 我也试过写分割算法，但写起来很痛苦，因为CUDA还处于起步阶段，所以发生了很多奇怪的事情。我甚至在代码O_O中添加了
if（false）{}