访问【WRITE-bug数字空间]_[完整的源代码和文档]
基于CUDA的GPU计算PI值。本项目采用CUDA编程模型并行计算PI值，研究GPU与CPU效率的比较，分析不同GPU线程块对性能的影响。
异构计算试验报告---实验1：基于CUDA的GPU计算PI值OS：Windows 10
CPU：intel(R) Core(TM) i7-10510U CPU@mailto:CPU@ 1.80Ghz
GPU:NVIDIA GeForce MX250
编译器： cl :v19.29.30133
nvcc:Cuda compilationn tools, release 11.4, V11.4.120
第二部分：实验内容使用 CUDA 并行计算编程模型 PI 值，研究 GPU 与 CPU 对不同效率的比较和分析 GPU 线程分块对性能的影响
第三部分：实验原理数学原理为
1 积分求解
编辑切换到中间
添加图片注释不得超过 140 字（可选）
2 幂级数求解
编辑切换到中间
添加图片注释不得超过 140 字（可选）
使用 CUDA 程序执行过程为编程模型
CUDAMALLOC -> CUDAMEMCPY(HTOD) ->KERNEL->CUDAMEMCPY(DTOH)指定执行和函数 <<<grid，block>>> 控制线程和结构的数量
第四部分：性能分析# define Ｎ 迭代次数N = (10001000100)=100M
CPU（thread = 1）：4.887（s）
GPU(grid = 1,block=1)：用时过长..无法测量
1.2 多核比较首先要发挥最大的作用 CPU 由于机器的性能 CPU 是逻辑 8 因此，理论上是开放的 8 一个线程可以发挥最大的性能。所以我写了一个 8 计算线程并行程序，循环相同 N=（10001000100）次
编辑切换到中间
添加图片注释不得超过 140 字（可选）
可见新时间是 0.768s 快了不少
（PS：使用这里的程序 GCC 编译的，而 CUDA 程序 NVCC 调用的是 MSCV 的编译器，Windows 平台上 NVCC 不支持 GCC，但结果应该是一样的)
2 GPU 性能分析接下来是找出来 GPU 最高性能。
首先在 grid = 1 下探究 block 线程数对性能的影响。这里可以直接使用 nvprof 分析，非常方便。
2.1 grid = (1,1,1) block = (10,1,1)
编辑切换到中间
添加图片注释不得超过 140 字（可选）
共用时间：34.556s 线程数：10
可以注意到，在这个过程中，主要时间消耗在计算上，因为没有内存可以复制，所以瓶颈只会出现在计算上
2.2 grid=(1,1,1) block=(100,1,1)
编辑切换到中间
添加图片注释不得超过 140 字（可选）
共用时间：2.58383s 线程数：100
2.3 grid=(1,1,1) block=(1000,1,1)
编辑切换到中间
添加图片注释不得超过 140 字（可选）
共用时间：1.543s 线程数：1000
每个 block 最大线程数限制是 这里不能增加1024 block 了
湘公网安备43019002002060