在CUDA SDK中,有一个高效的一维归约示例代码和演示幻灯片。我还看到了几篇关于在CUDA中进行一维归约和前缀扫描的论文和实现。是否有适用于密集二维数组归约的高效CUDA代码?欢迎提供代码或相关论文的指针。
矩阵简化可能更容易实现,因为行/列简化到向量可以独立完成。您可以让每个线程处理列/行(取决于矩阵主维度方向),并合并内存读取。我怀疑如果不使用纹理/常量缓存,您无法获得更高的性能,其中局部性可能变得重要。