维护/维持两个代码集的风险，一个用于GPU的CPU，需要执行非常类似的功能

Question

这是一个错误的标题，但希望我的描述更清晰。我正在管理一个数十年前的建模和模拟应用程序。我们有兴趣编写一些代码在GPU上运行，因为我们相信它会加快模拟速度（是的，我们在时代中非常落后）。我们终于有机会做到这一点（即金钱），所以现在我们要确保我们理解这样做的后果，特别是维持代码。问题是，由于我们的许多用户没有高端GPU（目前），我们仍然需要我们的代码来支持正常的处理和GPU处理（即我相信我们现在将有两组代码执行非常类似的操作）。有没有人需要经历这些，并有任何教训和/或建议，他们想分享？如果有帮助，我们目前的应用程序是用C++开发的，我们正在考虑与NVIDIA合作，并在GPU中编写Cuda。

Answer 1

这与使用矢量化或其他汇编指令编写手工装配版本类似，同时还保持C/C++版本。有长期在这样做的经验lot，这个建议是基于此。 （我在GPU中做这件事的经验是短期（几年）和更短（几次））。

你会想编写单元测试。

单元测试使用CPU实现（因为我还没有找到它们并不简单的情况）来测试GPU实现。

该测试运行几个模拟/模型，并声明结果是相同如果可能的话。它们每晚都会运行，并且/或者每次更改代码库作为验收套件的一部分。

这确保了两个代码库不会因为它们不断被执行而变得“陈旧”，而且这两个独立的实现实际上有助于维护另一个代码库。

另一种方法是运行混合解决方案。有时，运行混合的CPU和GPU比其中一个更快，即使它们都解决相同的问题。当你不得不切换技术（比如说，一种新的GPU语言，或者一个分布式设备网络，或者未来20年出现的新技术）时，“更简单”的CPU实现将会成为生命的救星。