我有以下的CUDA核函数,看起来很难优化:
__global__ void DataLayoutTransformKernel(cuDoubleComplex* d_origx, cuDoubleComplex* d_origx_remap, int n, int filter_size, int ai )
{
for(int idx = blockIdx.x * blockDim.x + threadIdx.x; idx < filter_size; idx+=blockDim.x * gridDim.x)
{
int index = (idx * ai) & (n-1);
d_origx_remap[idx] = d_origx[index];
}
}
//Parameters were defined before
int permute[loops] = {29165143,3831769,17603771,9301169,32350975, ...}
int n = 33554432;
int filter_size = 1783157;
for(int i=0; i<loops; i++)
{
DataLayoutTransformKernel<<<dimGrid, dimBlock, 0, stream[i]>>>((cuDoubleComplex*) d_origx,(cuDoubleComplex*)d_origx_remap+i*filter_size, n, filter_size, permute[i]);
}
内核的目的是将 d_origx[]
的数据布局从不规则变为规则 (d_origx_remap
)。内核会以不同的访问步长(ai
)多次启动。
挑战在于引用 d_origx[index]
数组时出现了不规则的内存访问模式。我的想法是使用共享内存。但对于这种情况,使用共享内存来合并全局内存访问似乎非常困难。
有没有人对如何优化这个内核有建议?