Блог

Привет, я хотел реализовать цикл, который имеет чрезвычайно большую тягу, но я нахожу его намного медленнее, чем обычный код на C . Не могли бы вы, пожалуйста, сказать мне, где я ошибаюсь. fi и fj являются основными векторами

xsize обычно составляет около 7-8-значного числа

 thrust::host_vector <double> df((2*floor(r)*(floor(r) 1) 1)*n*n); 
thrust::device_vector<double> gpu_df((2*floor(r)*(floor(r) 1) 1)*n*n); 
     for(i=0;i<xsize;i  )
     {
        gpu_df[i]=(fi[i]-fj[i]);

         if(gpu_df[i]<0)
            gpu_df[i]=0;
        else 
       gpu_df[i]=gpu_df[i]*(fi[i]-fj[i]);
        if(gpu_df[i]>255)
            gpu_df[i]=255;
        //      cout<<fi[i]<<"n";
     }
df=gpu_df;
  

Я чувствую, что код не распараллеливается. Не могли бы вы, пожалуйста, помочь мне.

Чтобы запускать программы на графическом процессоре с помощью Thrust, вам нужно написать их в терминах алгоритмов Thrust, таких как reduce , transform , sort и т.д. В этом случае мы можем записать вычисления в терминах transform , поскольку цикл просто вычислял функцию F(fi[i], fj[i]) и сохранял результат в df[i] . Обратите внимание, что мы должны сначала переместить входные массивы на устройство перед вызовом transform , потому что Thrust требует, чтобы входные и выходные массивы находились в одном и том же месте.

 #include <thrust/host_vector.h>
#include <thrust/device_vector.h>
#include <thrust/functional.h>
#include <cstdio>

struct my_functor
  : public thrust::binary_function<float,float,float>
{
  __host__ __device__
  float operator()(float fi, float fj)
      {
    float d =  fi - fj;

    if (d < 0)
      d = 0;
    else
      d = d * d;

    if (d > 255)
      d = 255;

    return d;
  }
};

int main(void)
{
  size_t N = 5;

  // allocate storage on host
  thrust::host_vector<float>   cpu_fi(N);
  thrust::host_vector<float>   cpu_fj(N);
  thrust::host_vector<float>   cpu_df(N);

  // initialze fi and fj arrays
  cpu_fi[0] = 2.0;  cpu_fj[0] =  0.0;
  cpu_fi[1] = 0.0;  cpu_fj[1] =  2.0;
  cpu_fi[2] = 3.0;  cpu_fj[2] =  1.0;
  cpu_fi[3] = 4.0;  cpu_fj[3] =  5.0;
  cpu_fi[4] = 8.0;  cpu_fj[4] = -8.0;

  // copy fi and fj to device
  thrust::device_vector<float> gpu_fi = cpu_fi;
  thrust::device_vector<float> gpu_fj = cpu_fj;

  // allocate storage for df
  thrust::device_vector<float> gpu_df(N);

  // perform transformation
  thrust::transform(gpu_fi.begin(), gpu_fi.end(),  // first input range
                    gpu_fj.begin(),                // second input range
                    gpu_df.begin(),                // output range
                    my_functor());                 // functor to apply

  // copy results back to host
  thrust::copy(gpu_df.begin(), gpu_df.end(), cpu_df.begin());

  // print results on host
  for (size_t i = 0; i < N; i  )
    printf("f(%2.0lf,%2.0lf) = %3.0lfn", cpu_fi[i], cpu_fj[i], cpu_df[i]);

  return 0;
}
  

Для справки, вот выходные данные программы:

 f( 2, 0) =   4
f( 0, 2) =   0
f( 3, 1) =   4
f( 4, 5) =   0
f( 8,-8) = 255