如何在CUDA中用较少的线程调用_设备_函数

我想从执行基数排序的内核内部调用一个独占扫描函数。但是独占扫描只需要一半的线程就可以完成它的工作

独占扫描算法需要几个_syncthreads（）。如果一开始我有一个陈述，比如

如果（threadIdx.x>NTHREADS/2）返回

这些线程将不参与独占扫描同步线程，这是不允许的。

---

有没有办法解决这个问题。我确实有对独占扫描的调用，它被_syncthread（）s包围。

类似的东西应该可以工作（不要使用提前返回）：

\uuuu syncthreads（）；//在进入独占扫描区域时
//开始独占扫描功能
如果（threadIdx.x

---

这有点乏味，但这是我所知道的唯一遵守

\uu syncthreads（）

法律条文的方法。您还可以尝试按照您指定的方式保留代码，让不做任何工作的线程提前返回/退出。它可能会起作用，可能会起作用。但不能保证它能在未来的体系结构或更新的工具链中工作。

只需指出另一种选择：
您还可以使用相当于

\uuuu syncthreads（）

的内联程序集，该程序集允许使用可选参数表示compute capability 2.0以后提供的参与线程数。像这样的方法应该会奏效：

#define __syncthreads_active(active_threads) asm volatile("bar.sync 0, %0;" :: "r"(active_threads));

if(threadIdx.x >= NTHREADS/2) return;

int active_warps = (NTHREADS/2 + warpSize) / warpSize;
int active_threads = active_warps * warpSize; // hopefully the compiler will optimize this to a simple active_threads = (NTHREADS/2 + warpSize) & ~32

__syncthreads_active(active_threads);
// do some work...
__syncthreads_active(active_threads);
// do some more work...
__syncthreads_active(active_threads);

免责声明：写在浏览器中，完全未经测试

---

不过，这是否值得麻烦是另一个问题。

我学习了一些关于内联asm so+1的知识，但是

\uuuSyncThreads

已经并且总是按照扭曲中的线程数递增——不多也不少——即使发散分支中只有一个线程命中

\uSyncThreads

。这实际上使它成为一种指令。

#define __syncthreads_active(active_threads) asm volatile("bar.sync 0, %0;" :: "r"(active_threads));

if(threadIdx.x >= NTHREADS/2) return;

int active_warps = (NTHREADS/2 + warpSize) / warpSize;
int active_threads = active_warps * warpSize; // hopefully the compiler will optimize this to a simple active_threads = (NTHREADS/2 + warpSize) & ~32

__syncthreads_active(active_threads);
// do some work...
__syncthreads_active(active_threads);
// do some more work...
__syncthreads_active(active_threads);