1 <= x <= 10^7 の場合、x^2+1 の形式の数がいくつ素数であるかを判断したかったのです。CUDAで並列化して違いを確認したかっただけなので、単純な素数チェックを使用しましたが、アルゴリズムの改善には関心がありません。
グリッドを配置し、間隔を空けてスレッド化し、結果を各ブロックの共有メモリに記録し、各ブロックで GPU の削減を実行し、最後に CPU の削減を実行して最終結果を取得しました。
私の問題は、ブロック数と各ブロック内のスレッド数を変更すると、出力結果が変わることです。説明できないもう 1 つのことは、8 ブロックとブロックあたり 2048 スレッドの構成の場合、コードは 100 ミリ秒未満で実行されますが、スレッド数を 1024 に減らしてブロック数を 2 倍にすると、コードがタイムアウトを引き起こすということです。デバイスからホストへのmemcpyで!! この動作と、正確性が問題になる場所をどのように説明できますか?
GTX 480 nvidia GPU を使用しています。
私のコードは次のとおりです。
#include <stdio.h>
static void HandleError( cudaError_t err, const char *file, int line )
{
if (err != cudaSuccess) {
printf( "%s in %s at line %d\n", cudaGetErrorString( err ), file, line );
exit( EXIT_FAILURE );
}
}
#define HANDLE_ERROR( err ) (HandleError( err, __FILE__, __LINE__ ))
#define N 10000000
#define BLOCKS 8
#define THREADS 2048
__device__ int isprime(int x)
{
long long n = (long long)x*x + 1;
for( int p=3; p<=x+1; p+=2 )
if ( n % p == 0 ) return 0;
return 1;
}
__global__ void solve(int n, int* result)
{
__shared__ int ipc[THREADS];
int tid = threadIdx.x;
int x = blockIdx.x*blockDim.x + threadIdx.x + 2;
// sliding grid window over interval of to-be-computed data
int acc = 0;
while( x <= n )
{
if ( isprime(x) ) acc++;
x += blockDim.x*gridDim.x;
}
ipc[tid] = acc;
__syncthreads();
// reduction over each block in parallel
for( int s=blockDim.x/2; s>0; s>>=1 )
{
if ( tid < s )
{
ipc[tid] += ipc[tid+s];
}
__syncthreads();
}
if ( tid == 0 ) result[blockIdx.x] = ipc[0];
}
int main()
{
int *dev;
int res[BLOCKS];
int ans = 0;
HANDLE_ERROR( cudaMalloc((void**)&dev, BLOCKS * sizeof(int)) );
solve<<<BLOCKS, THREADS>>>(N, dev);
HANDLE_ERROR( cudaMemcpy(res, dev, BLOCKS*sizeof(int), cudaMemcpyDeviceToHost) );
// final reduction over results for each block
for( int j=0; j<BLOCKS; j++ )
ans += res[j];
printf("ans = %d\n", ans);
HANDLE_ERROR( cudaFree( dev ) );
return 0;
}