更新GPU版本
__global__ void hash (float *largeFloatingPointArray,int largeFloatingPointArraySize, int *dictionary, int size, int num_blocks)
{
int x = (threadIdx.x + blockIdx.x * blockDim.x); // Each thread of each block will
float y; // compute one (or more) floats
int noOfOccurrences = 0;
int a;
while( x < size ) // While there is work to do each thread will:
{
dictionary[x] = 0; // Initialize the position in each it will work
noOfOccurrences = 0;
for(int j = 0 ;j < largeFloatingPointArraySize; j ++) // Search for floats
{ // that are equal
// to it assign float
y = largeFloatingPointArray[j]; // Take a candidate from the floats array
y *= 10000; // e.g if y = 0.0001f;
a = y + 0.5; // a = 1 + 0.5 = 1;
if (a == x) noOfOccurrences++;
}
dictionary[x] += noOfOccurrences; // Update in the dictionary
// the number of times that the float appears
x += blockDim.x * gridDim.x; // Update the position here the thread will work
}
}
我只是针对较小的输入进行了测试，因为我正在笔记本电脑上进行测试。尽管如此，它仍然有效，但需要进行更多测试。
更新顺序版本
我刚刚做了这个简单的版本，它在不到 20 秒（包括生成数据的函数所用的时间）内为一个包含 30,000,000 个元素的数组执行算法。
这个简单的版本首先对你的浮点数组进行排序。然后，将遍历排序后的数组并检查给定的value 在数组中出现的次数，然后将该值连同它出现的次数一起放入字典中。
您可以使用sorted 映射，而不是我使用的unordered_map。
代码如下：
#include <stdio.h>
#include <stdlib.h>
#include "cuda.h"
#include <algorithm>
#include <string>
#include <iostream>
#include <tr1/unordered_map>
typedef std::tr1::unordered_map<float, int> Mymap;
void generator(float *data, long int size)
{
float LO = 0.0;
float HI = 100.0;
for(long int i = 0; i < size; i++)
data[i] = LO + (float)rand()/((float)RAND_MAX/(HI-LO));
}
void print_array(float *data, long int size)
{
for(long int i = 2; i < size; i++)
printf("%f\n",data[i]);
}
std::tr1::unordered_map<float, int> fill_dict(float *data, int size)
{
float previous = data[0];
int count = 1;
std::tr1::unordered_map<float, int> dict;
for(long int i = 1; i < size; i++)
{
if(previous == data[i])
count++;
else
{
dict.insert(Mymap::value_type(previous,count));
previous = data[i];
count = 1;
}
}
dict.insert(Mymap::value_type(previous,count)); // add the last member
return dict;
}
void printMAP(std::tr1::unordered_map<float, int> dict)
{
for(std::tr1::unordered_map<float, int>::iterator i = dict.begin(); i != dict.end(); i++)
{
std::cout << "key(string): " << i->first << ", value(int): " << i->second << std::endl;
}
}
int main(int argc, char** argv)
{
int size = 1000000;
if(argc > 1) size = atoi(argv[1]);
printf("Size = %d",size);
float data[size];
using namespace __gnu_cxx;
std::tr1::unordered_map<float, int> dict;
generator(data,size);
sort(data, data + size);
dict = fill_dict(data,size);
return 0;
}
如果你的机器上安装了库推力，你应该使用这个：
#include <thrust/sort.h>
thrust::sort(data, data + size);
而不是这个
sort(data, data + size);
肯定会更快。
原帖
我正在开发一个具有大型数组的统计应用程序
包含 10 - 30 百万个浮点值。
是否有可能（并且有意义）利用 GPU 来加速
这样的计算？
是的，是的。一个月前，我在 GPU 上运行了一个完整的分子动力学模拟。其中一个计算粒子对之间的力的内核作为参数6 数组接收，每个数组带有500,000 双精度数，总计3 百万双精度数(22 MB)。
所以如果你打算放30百万个浮点数，大约是全局内存的114 MB，那是没有问题的。
在您的情况下，计算次数会成为问题吗？根据我在分子动力学 (MD) 方面的经验，我会说不。顺序 MD 版本大约需要 25 小时才能完成，而 GPU 版本需要 45 分钟。您说您的应用程序花费了几个小时，同样基于您的代码示例，它看起来比 MD 更软。
以下是力计算示例：
__global__ void add(double *fx, double *fy, double *fz,
double *x, double *y, double *z,...){
int pos = (threadIdx.x + blockIdx.x * blockDim.x);
...
while(pos < particles)
{
for (i = 0; i < particles; i++)
{
if(//inside of the same radius)
{
// calculate force
}
}
pos += blockDim.x * gridDim.x;
}
}
一个简单的 CUDA 代码示例可以是两个二维数组的总和：
在 C 中：
for(int i = 0; i < N; i++)
c[i] = a[i] + b[i];
在 CUDA 中：
__global__ add(int *c, int *a, int*b, int N)
{
int pos = (threadIdx.x + blockIdx.x)
for(; i < N; pos +=blockDim.x)
c[pos] = a[pos] + b[pos];
}
在 CUDA 中，您基本上将每次 for 迭代并分配给每个线程，
1) threadIdx.x + blockIdx.x*blockDim.x;
每个块都有一个ID，从0 到N-1（N 是块的最大数量），每个块有一个'X' 线程数，从ID 到X-1 .
- 为您提供每个线程将根据其
ID 和线程所在的块ID 计算的for 循环迭代； blockDim.x 是块拥有的线程数。
因此，如果您有 2 个块，每个块带有 10 线程和 N=40，则：
Thread 0 Block 0 will execute pos 0
Thread 1 Block 0 will execute pos 1
...
Thread 9 Block 0 will execute pos 9
Thread 0 Block 1 will execute pos 10
....
Thread 9 Block 1 will execute pos 19
Thread 0 Block 0 will execute pos 20
...
Thread 0 Block 1 will execute pos 30
Thread 9 Block 1 will execute pos 39
查看您当前的代码，我已经制作了您的代码在 CUDA 中的样子的草稿：
__global__ hash (float *largeFloatingPointArray, int *dictionary)
// You can turn the dictionary in one array of int
// here each position will represent the float
// Since x = 0f; x < 100f; x += 0.0001f
// you can associate each x to different position
// in the dictionary:
// pos 0 have the same meaning as 0f;
// pos 1 means float 0.0001f
// pos 2 means float 0.0002f ect.
// Then you use the int of each position
// to count how many times that "float" had appeared
int x = blockIdx.x; // Each block will take a different x to work
float y;
while( x < 1000000) // x < 100f (for incremental step of 0.0001f)
{
int noOfOccurrences = 0;
float z = converting_int_to_float(x); // This function will convert the x to the
// float like you use (x / 0.0001)
// each thread of each block
// will takes the y from the array of largeFloatingPointArray
for(j = threadIdx.x; j < largeFloatingPointArraySize; j += blockDim.x)
{
y = largeFloatingPointArray[j];
if (z == y)
{
noOfOccurrences++;
}
}
if(threadIdx.x == 0) // Thread master will update the values
atomicAdd(&dictionary[x], noOfOccurrences);
__syncthreads();
}
您必须使用atomicAdd，因为来自不同块的不同线程可能同时写入/读取noOfOccurrences，因此您必须确保mutual exclusion。
这只是一种方法；您甚至可以将外部循环的迭代分配给线程而不是块。
教程
Rob Farmer 撰写的 Dobbs 博士期刊系列 CUDA: Supercomputing for the masses 非常出色，在其十四期中几乎涵盖了所有内容。它的启动也相当温和，因此对初学者非常友好。
还有其他人：
看看最后一条，你会发现很多学习CUDA的链接。
OpenCL：OpenCL Tutorials | MacResearch