拜访【WRITE-BUG 数字空间】_[内附残缺源码和文档] 基于 CUDA 的 GPU 计算 PI 值。本我的项目应用 CUDA 编程模型并行计算 PI 值，钻研 GPU 与 CPU 效率的比拟，剖析不同 GPU 线程分块对性能的影响。异构计算试验报告 — 试验 1：基于 CUDA 的 GPU 计算 PI 值
第一局部：试验环境 OS：Windows 10CPU：intel(R) Core(TM) i7-10510U CPU@mailto:CPU@ 1.80GhzGPU:NVIDIA GeForce MX250 编译器：cl :v19.29.30133nvcc:Cuda compilationn tools, release 11.4, V11.4.120 第二局部：试验内容应用 CUDA 编程模型并行计算 PI 值，钻研 GPU 与 CPU 效率的比拟，剖析不同 GPU 线程分块对性能的影响第三局部：试验原理数学原理为 1 积分求解
编辑切换为居中增加图片正文，不超过 140 字（可选）2 幂级数求解
编辑切换为居中增加图片正文，不超过 140 字（可选）应用 CUDA 编程模型，程序执行过程为 CUDAMALLOC -> CUDAMEMCPY(HTOD) ->KERNEL->CUDAMEMCPY(DTOH)
在执行和函数时指定 <<<grid，block>>> 来控制线程的数量和构造第四局部：性能剖析# define N 迭代次数
1 CPU VS GPU1.1 单核比拟 N = (10001000100)=100MCPU（thread = 1）：4.887（s）GPU(grid = 1,block=1)：用时过长.. 无奈测量 1.2 多核比拟首先要施展出最大的 CPU 性能，因为机器的 CPU 是逻辑 8 核的，所以实践上开启 8 个线程能够施展最大性能。所以我写了一个 8 线程并行的程序来计算，同样循环 N=（10001000100）次
编辑切换为居中增加图片正文，不超过 140 字（可选）能够看出新的工夫为 0.768s 快了不少（PS：这里的程序是应用 GCC 编译的，而 CUDA 程序 NVCC 调用的是 MSCV 的编译器，Windows 平台上 NVCC 不反对 GCC，然而后果应该是差不多的）2 GPU 性能剖析接下来就是找出 GPU 的最高性能了。首先在 grid = 1 下探索 block 里的线程数对性能的影响。这里能够间接用 nvprof 剖析，十分不便。2.1 grid = (1,1,1) block = (10,1,1)
编辑切换为居中增加图片正文，不超过 140 字（可选）一共用时：34.5556s 线程数：10 能够留神到，在本程序中，次要的工夫是耗费在计算上的，因为没有什么要拷贝的内存，所以瓶颈只会呈现在计算上 2.2 grid=(1,1,1) block=(100,1,1)
编辑切换为居中增加图片正文，不超过 140 字（可选）一共用时：2.58383s 线程数：1002.3 grid=(1,1,1) block=(1000,1,1)
编辑切换为居中增加图片正文，不超过 140 字（可选）一共用时：1.543s 线程数：1000 每个 block 的最大线程数限度是 1024，这里就不能再减少 block 了