CUDA优化问题

Question

这里有一个简单的程序：

void multiply(const int* v_in, const int* w_in, int n_v, int n_w, int* w_out) 
    { 
     for(int i=0; i<n_w; i++) 
     { 
     int sum=0; 
     for(int j=0; j<n_v; j++) 
      sum += (w_in[i]*v_in[j])>>1; 
     w_out[i]=sum; 
     } 
    } 

设定n_v，n_w〜10^6。很显然，在CUDA中至少有十几种等同的方法可以实现，用不同的方式将（n_v * n_w）操作细分为线程，有或没有共享内存......从理论上讲，哪种方法最快？

Answer 1

简单：

void multiply(const int* v_in, const int* w_in, int n_v, int n_w, int* w_out) 
    { 
     int *v = shared; // dynamic 
     for(int i = block.rank; i < n_w; i += block.size) 
     { 
     int w = w_in[i]; // coalesced 
     int sum=0; 
     for(int j=0; j<n_v; j += block.size) { // assumption 
      v[block.rank] = v_in[j+block.rank]; 
      __synch(); 
      for(int k = 0; k < block.size; ++k) 
       sum += (w*v[k])>>1; // 
      __synch(); // ouch 
     } 
     w_out[i] = sum; // ditto 
     } 
    }