摘要: 针对稀疏矩阵运算难以发挥图形处理器的强大运算能力的现状,基于图形处理器的统一计算架构,在线程映射、数据复用等方面研究了一系列并行计算优化方法,从而完成了一种行压缩存储表示下的稀疏矩阵向量乘并行算法。这些优化方法包括:(1)利用Warp内线程天然同步特性,Half-warp完成结果向量一个元素的计算;(2)取整读取数据,实现合并访问;(3)输入向量放入纹理存储器,数据复用;(4)申请分页锁定内存,加速数据传输;(5)使用共享存储器,加速数据存取。实验分析表明,提出的各种手段起到了优化的作用。与已有的CUDPP和SpMV library中的CSR-vector算法相比,本算法获得了更高的存储器带宽和浮点运算吞吐量;整体性能比CPU串行执行版本快了3倍以上。
白洪涛,欧阳丹彤,李熙铭,李亭,何丽莉. 基于GPU的稀疏矩阵向量乘优化[J]. 计算机科学, 2010, 37(8): 168-171. https://doi.org/
BAI Hong-tao,OUYANG Dan-tong,LI Xi-ming,LI Ting,HE Li-li. Optimizing Sparse Matrix-vector Multiplication Based on GPU[J]. Computer Science, 2010, 37(8): 168-171. https://doi.org/