本文介绍了CUDA编程中涉及的概念，如thread、block、grid、warp、sp和sm，并探讨了利用CUDA进行GPU计算与图形API的区别。讨论了GPU架构的优缺点，指出线程切换效率是GPU的一大优势。此外，分享了CUDA编程的优化方法，包括线程块的合理分配、共享内存的使用以及纹理缓存的利用。最后，阐述了CUDA编程中的同步机制和流并行的概念。
http://blog.csdn.net/junparadox/article/details/50540602
http://www.cnblogs.com/muchen/p/6306792.html
与CUDA相关的几个概念：thread，block，grid，warp，sp，sm。
sp: 小核（流处理器）最基本的处理单元，streaming processor 最后具体的指令和任务都是在sp上处理的。GPU进行并行计算，也就是很多个sp同时做处理
sm: 大核（流多处理器）多个sp加上其他的一些资源组成一个sm, streaming multiprocessor. 其他资源也就是存储资源，共享内存，寄储器等。每个SM包含的SP数量依据GPU架构而不同。
Warp：（线程束）GPU执行程序时的调度单位，一起执行。目前cuda的warp的大小为32，同在一个warp的线程，以不同数据资源执行相同的指令。
grid、block、thread：在利用cuda进行编程时，一个grid分为多个block，而一个block分为多个thread.其中任务划分到是否影响最后的执行效果。划分的依据是任务特性和GPU本身的硬件特性。
利用图形API 和CUDA进行GPU通用计算的性能区别？
利用图形API需要把问题转化为图形学的变化；而CUDA是C语言的扩展，比较适合做通用计算
最低0.47元/天 解锁文章
扫一扫
331
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
