问题描述

首先，你应该意识到CUDA不会自动加快计算速度这一事实。在一方面，由于GPU编程是一门艺术，它可以是非常，非常具有挑战性得到它的权利。另一方面，因为GPU仅适合某些类型的计算。

这听起来可能令人困惑，因为你基本上可以在GPU上进行任何计算。关键当然是你是否会实现良好的加速。这里最重要的分类是问题是任务并行还是数据并行。粗略地说，第一个是指多个线程正在或多或少地独立执行各自任务的问题。第二个问题涉及许多线程都在做相同的事情 -但是在数据的不同部分上的问题。

后者就是GPU擅长的问题：GPU有很多内核，所有内核都做同样的事情，但是在输入数据的不同部分上运行。

你提到你拥有“简单的数学但有大量数据”。尽管这听起来像是一个完美的数据并行问题，因此很适合GPU，但还需要考虑另一个方面：GPU的理论计算能力（FLOPS，每秒浮点运算）非常快。但是它们经常受内存带宽的限制。

这导致了另一种问题分类。即问题是受内存限制还是受计算限制。

第一个是针对每个数据元素执行的指令数量很少的问题。例如，考虑并行向量加法：你必须读两个数据元素，然后进行单次加入，然后写将总和结果向量。在GPU上执行此操作时不会看到加速，因为单次添加不会补偿读取/写入内存的工作量。

第二个术语“计算边界”是指指令数量比存储器读/写数量多的问题。例如，考虑矩阵乘法：当n是矩阵的大小时，指令数将为O（n ^ 3）。在这种情况下，可以预期GPU在某种矩阵大小下的性能将超过cpu。另一个示例可能是在“少量”数据元素上执行许多复杂的三角计算（正弦/余弦等）时。

根据经验：你可以假设从“主” GPU内存中读取/写入一个数据元素的延迟大约为500条指令…。

因此，GPU性能的另一个关键点是数据局部性：如果你必须读取或写入数据（在大多数情况下，你必须; ;-）），则应确保数据保持尽可能近的距离。可能的GPU核心。因此，GPU具有某些内存区域（称为“本地内存”或“共享内存”），通常只有几KB大小，但是对于将要包含在计算中的数据特别有效。

因此，再次强调这一点：GPU编程是一门艺术，它仅与cpu上的并行编程密切相关。Java中的诸如Threads之类的东西，以及诸如等等的所有并发基础结构ThreadPoolExecutors，ForkJoinPools可能给人的印象是，你只需要以某种方式拆分工作并将其分配到多个处理器中即可。在GPU上，你可能会遇到更低的挑战：占用率，寄存器压力，共享内存压力，内存合并……仅举几例。

但是，当你要解决数据并行，计算受限的问题时，GPU是你的最佳选择。

一般说明：你特别要求CUDA。但我强烈建议你也了解一下OpenCL。它有几个优点。首先，它是独立于供应商的开放行业标准，并且由AMD，Apple，Intel和NVIDIA实施OpenCL。此外，在Java世界中，对OpenCL的支持更加广泛。我更愿意使用CUDA的唯一情况是，当你想使用CUDA运行时库时，例如CUFFT用于FFT或CUBLAS用于BLAS（矩阵/矢量运算）。尽管有为OpenCL提供类似库的方法，但是除非你为这些库创建自己的JNI绑定，否则不能直接从Java端使用它们。

解决方法