GPU的P2P理论计算

访问【WRITE-BUG数字空间】_[内附完整源码和文档]
基于CUDA的GPU计算PI值。本项目使用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线程分块对性能的影响。
异构计算试验报告
—实验1：基于CUDA的GPU计算PI值

第一部分：实验环境
 OS：Windows 10
 CPU：intel® Core™ 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 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
切换为居中
 添加图片注释，不超过 140 字（可选）2 幂级数求解

编辑
切换为居中
 添加图片注释，不超过 140 字（可选）使用 CUDA 编程模型，程序执行过程为
 CUDAMALLOC -> CUDAMEMCPY(HTOD) ->KERNEL->CUDAMEMCPY(DTOH)在执行和函数时指定 <<<grid，block>>> 来控制线程的数量和结构
 第四部分：性能分析define Ｎ　迭代次数
1 CPU VS GPU
 1.1 单核比较
 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
 首先要发挥出最大的 CPU 性能，由于机器的 CPU 是逻辑 8 核的，所以理论上开启 8 个线程可以发挥最大性能。所以我写了一个 8 线程并行的程序来计算，同样循环 N=（10001000100）次
编辑
切换为居中
 添加图片注释，不超过 140 字（可选）可以看出新的时间为 0.768s 快了不少
 （PS：这里的程序是使用 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，但是结果应该是差不多的）
 2 GPU 性能分析
 接下来就是找出 GPU 的最高性能了。
 首先在 grid = 1 下探究 block 里的线程数对性能的影响。这里可以直接用 nvprof 分析，非常方便。
 2.1 grid = (1,1,1) block = (10,1,1)
编辑
切换为居中
 添加图片注释，不超过 140 字（可选）一共用时：34.5556s 线程数：10
 可以注意到，在本程序中，主要的时间是消耗在计算上的，由于没有什么要拷贝的内存，所以瓶颈只会出现在计算上
 2.2 grid=(1,1,1) block=(100,1,1)
编辑
切换为居中
 添加图片注释，不超过 140 字（可选）一共用时：2.58383s 线程数：100
 2.3 grid=(1,1,1) block=(1000,1,1)
编辑
切换为居中
 添加图片注释，不超过 140 字（可选）一共用时：1.543s 线程数：1000
 每个 block 的最大线程数限制是 1024，这里就不能再增加 block 了