Cuda 内联PTX汇编代码功能强大吗？

我看到一些代码示例，其中人们在C代码中使用内联PTX汇编代码。CUDA工具包中的文档提到PTX功能强大，为什么如此？如果我们在C代码中使用这样的代码，我们会得到什么好处？

内联PTX允许您访问未通过CUDA intrinsincs公开的指令，并允许您应用编译器中缺少的或语言规范禁止的优化。有关使用内联PTX的有利示例，请参阅：

使用内联PTX的128位加法只需要四条指令，因为它可以直接访问进位标志。作为HLL，C/C++没有进位标志的表示，因为给定的硬件平台可能没有进位标志（例如MIPS）、单个进位标志（例如x86、sm_2x）甚至多个进位标志。与128位加法和减法的4指令PTX版本不同，这些操作可以用C编码，如下所示：

#define SUBCcc(a,b,cy,t0,t1,t2) \
  (t0=(b)+cy, t1=(a), cy=t0<cy, t2=t1<t0, cy=cy+t2, t1-t0)
#define SUBcc(a,b,cy,t0,t1) \
  (t0=(b), t1=(a), cy=t1<t0, t1-t0)
#define SUBC(a,b,cy,t0,t1) \
  (t0=(b)+cy, t1=(a), t1-t0)
#define ADDCcc(a,b,cy,t0,t1) \
  (t0=(b)+cy, t1=(a), cy=t0<cy, t0=t0+t1, t1=t0<t1, cy=cy+t1, t0=t0)
#define ADDcc(a,b,cy,t0,t1) \
  (t0=(b), t1=(a), t0=t0+t1, cy=t0<t1, t0=t0)
#define ADDC(a,b,cy,t0,t1) \
  (t0=(b)+cy, t1=(a), t0+t1)

unsigned int cy, t0, t1, t2;

res.x = ADDcc  (augend.x, addend.x, cy, t0, t1);
res.y = ADDCcc (augend.y, addend.y, cy, t0, t1);
res.z = ADDCcc (augend.z, addend.z, cy, t0, t1);
res.w = ADDC   (augend.w, addend.w, cy, t0, t1);

res.x = SUBcc  (minuend.x, subtrahend.x, cy, t0, t1);
res.y = SUBCcc (minuend.y, subtrahend.y, cy, t0, t1, t2);
res.z = SUBCcc (minuend.z, subtrahend.z, cy, t0, t1, t2);
res.w = SUBC   (minuend.w, subtrahend.w, cy, t0, t1);

定义子合同（a、b、cy、t0、t1、t2）\

---

这个问题有点像问“一根绳子长吗？”。没有一个明确的答案。在某些情况下，明确控制编译器发出的PTX指令是有利的或必要的，而在其他情况下则不是。PTX仍然只是GPU将运行的代码的中间表示形式。我希望有一些示例可以展示PTX的威力，这会让我信服。我承认这是一个一般性的问题，但我需要一些例子来说服自己，使用PTX可以给你一些CUDA-C无法提供的额外威力。内联PTX可以让你访问未通过CUDA内部函数公开的指令，并让你应用优化，这些优化要么是在comp中缺乏的，要么是语言规范禁止使用内联PTX。有关使用内联PTX有利的工作示例，请参阅：Hey njuffa@，将该评论升级为回答：-）@ArchaEastware:谢谢，完成。我错过了原始海报上的澄清，他只是在寻找一个具体的例子，而我通过内联PTX指向128位算术的指针应该很符合要求。性能呢？这样的代码注入能提高性能吗？在我提到的例子中，内联PTX的使用使所需的指令数量最小化。如果应用程序的指令吞吐量有限，这有助于提高应用程序的性能。显然，人们只希望在提供明显好处的地方使用这种低级接口，但这适用于在任何平台上使用内联汇编。有关过早优化的标准警告适用。