Cuda 分散通信模式

我正在从Udacity的并行编程学习CUDA。在测验中，他们有一个给定的问题，排序一个预先排序的变量（球员的身高）。既然它是输入和输出数组之间的一一对应，那么它是否应该是一种

映射

通信模式，而不是一种

分散

据我所知，CUDA对这些术语没有标准的定义。因此，我的回答只是建议如何解释它

因为，它是输入和输出数组之间的一一对应关系

该图似乎不支持此语句，它显示了输出数组中的间隙，而这些间隙没有与之关联的对应输入点

如果一组较小的值分布到一个较大的数组中（因此，在输出数组中，没有输入值对应于间隙位置），则可以使用散点来描述该操作。散点图和映射图都有描述输入值去向的映射图，但可能是讲师以区分这两种情况的方式定义了散点图和映射图，例如以下合理的定义：

分散：从输入到输出的一对一关系（即单向关系）。每个输入位置都有相应的输出位置，但并非每个输出位置都有相应的输入位置

映射：输入和输出之间的一对一关系（即双向关系）。每个输入位置都有一个对应的输出位置，每个输出位置都有一个对应的输入位置

---

聚集：从输出到输入的一对一关系（即单向关系）。每个输出位置都有相应的输入位置，但并非每个输入位置都有相应的输出位置。

每个通信模式（映射、分散、聚集等）的定义因语言/环境/上下文的不同而略有不同，但既然我也学过同样的Udacity课程，我将尝试在课程背景下解释这个术语：

Map

操作将每个输出元素计算为其相应输入元素的函数，即：

output[tid] = foo(input[tid]);

Gather

模式将每个输出元素计算为一个或多个（通常是多个）输入元素的函数，而不一定是对应的元素（通常是来自邻域的元素）。例如：

output[tid] = (input[tid-1] + input[tid+1]) / 2;

最后，

Scatter

操作使每个输入元素贡献给一个或多个（通常是多个）输出元素。比如说,

atomicAdd( &(output[tid-1]), input[tid]);
atomicAdd( &(output[tid]),   input[tid]);
atomicAdd( &(output[tid+1]), input[tid]);

问题中给出的示例显然是而不是地图，因为每个输出都是从不同位置的输入计算出来的

此外，很难看出同一个示例是如何分散的，因为每个输入元素只导致对输出的一次写入，但它确实是分散的，因为每个输入导致对其位置由输入确定的输出的写入

---

换句话说，每个CUDA线程在与其

tid

（线程ID号）关联的位置处理一个输入元素，并计算将结果写入何处。更常见的情况是，分散在几个地方而不是一个地方，因此这是一种特殊情况，最好用不同的名称命名。

每个玩家有3个属性（姓名、身高、等级）。 所以我认为散射是正确的，因为我们应该考虑这三个因素来产生输出。 如果玩家只有一个属性，比如等级， 我想这张地图是对的