取模、乘法和除法运算在CPU和GPU上的效率

本文对比了三种不同的算法实现方式在CPU和GPU上对整数进行分解运算的效率,并通过具体实验验证了不同运算方式(如取模运算、整数除法及浮点运算)在不同平台上的性能表现。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

问题:

    将整数n分解为i和j,满足下面关系:

n = j*idim + i

    其中idim为常量。

    以下为三种算法实现:
    1) i = n%idim,j = (n-i)/idim

    2) j = n*ridim,i = n - j*idim,其中ridim = 1.0f/idim,为浮点数。

    3) i = n%idim,j = (n-i)*ridim,其中ridim = 1.0f/idim,为浮点数。

 

    CPU上的实现代码如下:

// 算法1
for(int i=0,ii=0;i<size;i++)
{
    ii
=N[i]%IDIM;
    I[i] 
= ii;
    J[i] 
= (N[i]-ii)/IDIM;
}

// 算法2:R1 = 1.0f/IDIM
for(int i=0,j=0;i<size;i++)
{
    j 
= floor(N[i]*R1);
    I[i] 
= N[i] - j*IDIM;
    J[i] 
= j;
}

// 算法3:R1 = 1.0f/IDIM
for(int i=0,ii=0;i<size;i++)
{
    ii
=N[i]%IDIM;
    I[i] 
= ii;
    J[i] 
= (N[i]-ii)*R1;
}


    GPU上的实现代码如下:

// 算法1
__global__ void kernel1(int *N,int *I,int *J,int IDIM,int JDIM)
{
    
int tid = blockIdx.x*blockDim.x+threadIdx.x;
    
if(tid<IDIM*JDIM)
    {
        
int n = N[tid];
        
int i = n%IDIM;
        I[tid] 
= i;
        J[tid] 
= (n-i)/IDIM;
    }
}

// 算法2:R1 = 1.0f/IDIM
__global__ void kernel2(int *N,int *I,int *J,int IDIM,int JDIM)
{
    
int tid = blockIdx.x*blockDim.x+threadIdx.x;
    
int n,j;
    
if(tid<IDIM*JDIM)
    {
        n 
= N[tid];
        j 
= floor(n*R1);
        I[tid] 
= n-j*IDIM;
        J[tid] 
= j;
    }
}

// 算法3:R1 = 1.0f/IDIM
__global__ void kernel3(int *N,int *I,int *J,int IDIM,int JDIM,float R1)
{
    
int tid = blockIdx.x*blockDim.x+threadIdx.x;
    
if(tid<IDIM*JDIM)
    {
        
int n = N[tid];
        
int i = n%IDIM;
        I[tid] 
= i;
        J[tid] 
= (n-i)*R1;
    }
}

计算效率如下:

N = 1000000, IDIM = 1000, JDIM = 1000

Core2 Q6600:

    算法1:  17 ms

    算法2:  34 ms

    算法3:  16 ms

GTX280:

    算法1:   0.36 ms

    算法2:   0.14 ms

    算法3:   0.23 ms

CUDA Visual Profiler的检测结果显示: 算法1的指令数高达98xxx,而算法2指令数仅为29xxx,算法3的指令数为65xxx。整数除法再一次应验了手册上的那句话:

Integer division and modulo operation are particularly costly and should be avoided...

但是好像取模运算并没有想象中的那么慢。

 

结论:

对于CPU,最好采用取模运算,整数除法和单精度乘法的效率差不多。

对于GPU,采用浮点运算最快,其次是取模运算,整数除法最慢。

转载于:https://www.cnblogs.com/codezhang/archive/2009/06/19/1506532.html

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值