CUDA（Computer Unified Device Architecture）:计算机统一设备架构

                                                                               NVIDIA在2007年推向市场的并行计算架构

严格来说，CUDA不知是一种编程语言，它包括了NVIDIA对于GPGPU的完整的解决方案：从支持通用计算并行架构的图形处理器，到实现计算所需要的硬件驱动程序、编程接口、程序库、编译器、调试器等。

基于C的高级语言：C for CUDA。 CUDA C含有NVIDIA扩展和限制的类C语言，它支持大多数C语言的指令和语法，并加入了一定的使程序能再GPU上进行多线程计算的语言扩展

nvcc编译器是NVIDIA以PathScale的Open64 C编译器为基础开发的。编译、链接后的机器代码可以直接运行在NVIDIA指定的GPU上。

 

CUDA与经典GPGPU方法相比，显著的区别在于它能人实现人意的聚集（gather）和散布（scatter）

聚集和散布如下所示：

float a[100];
float b=0.0f;
b=a[33];       //聚集
a[66]=b;       //散布

基于图形API的经典GPGPU技术把重点放在输入数据的组织和片段着色器的设计上，用户对执行计算的现成并没有多大控制。

                                                  用户只能选择输入数据的数量，而对于处理器中分配的线程总数不能干预。

                                                  用户设置数据的数量。

CUDA用一种分层的编程模型来组织线程。

                                                 用户不仅可以定制现成的数目，更可以将他们编制为合适的线程组。通过线程组的方式，CUDA巧妙地将同样的程序是英语不同的硬件规格上。

                                                 用户决定线程的数量。

 

SIMD：单指令多数据，每个数据该怎样被处理（经典GGPU）

SIMT：单指令多线程，每个线程该怎样被处理（CUDA）

 

多处理器：与一个线程组相关联的硬件实现——一套完整的计算资源的最小实现

单处理器（CUDA核）：一个流多处理器包含若干个标量处理器——具体计算指令的执行单位

 

正确的观念：找出程序中适合在GPU上计算的部分和适合在CPU上计算的部分，然后确定一种优化方案，让两种处理器协作完成任务。

瓶颈：设备和主机之间的数据传输。在某些情况下，机试CPU和GPU可以实现并发，但两者之间的数据传输还是消耗了可观的时间。

 

 

参考文献：

仇德元．《GPGPU编程技术——从GLSL、CDPU到OpenGL》[M]．河北省三河市：机械工业出版社，2012年：323．