今天花了一些時間將基於以上幾種工具（cuda&arrayfire&matlab）的矩陣乘法的速度進行了測試比較，驗證了一些想法吧。
首先是c（cpu）的乘法測試：寫的有點繁瑣，後面在cuda程式中進行了綜合
c.matrix.cpp
void matrix_print(double **a,long nl, long nh)
/*矩陣的輸出*/}
}
#include "stdio.h"matrixmul.h#include "stdlib.h"
#include#includevoid main()
//每個執行緒負責計算p中的乙個元素
pd[row * widthn + col] = pvalue;
}// 矩陣乘法
void matrixmul( double* m,double* n,double* p,int widthm, int widthn, int heightm, int heightn)
#ifndef __matrixmul_h__
#define __matrixmul_h__
//extern void matrixmul(double* m, double* n, double* p,int width);
extern void matrixmul(double* m,double* n,double* p,int widthm, int widthn, int heightm, int heightn);
#endif
#include "stdio.h"
#include "stdlib.h"
#include #include "time.h"
#include "matrixmul.h"
#include "arrayfire.h"
#include #include using namespace std;
using namespace af;
/*產生隨機矩陣m行n列，矩陣元素0~1*/
void matrixran (double *data,int m,int n)
catch (af::exception& e)
system("pause");
return 0;
}
主要包括matrixcuda.cu,matrixmul.h,matrixmulcuda.cpp,matrixmul.m,其中matrixcuda.cu,matrixmul.上面已經寫出來了，直接copy即可，另外還有兩個檔案如下所示：
matrixmulcuda.cpp
#include "mex.h"
#include "matrixmul.h"
void mexfunction(int nlhs, mxarray *plhs, int nrhs, mxarray *prhs)
% runmatrixmul
clear
clcdisp('1. nvcc mulmat.cu compiling ...');
%system('nvcc -c matrixmul.cu -ccbin "c:\program files\microsoft visual studio 10.0\vc\bin"');
system('nvcc -c matrixmul.cu -gencode arch=compute_50,code=sm_50 -ccbin "d:\program files (x86)\microsoft visual studio 10.0\vc\bin"')
mex matrixmulcuda.cpp matrixmul.obj -lcudart -l"c:\program files\nvidia gpu computing toolkit\cuda\v7.5\lib\x64";
disp('2.input two matrix:')
a=rand(2048);
b=rand(2048);
%a=ones(16,16);
%b=ones(16,16);
disp('3.compare with the cpu and gpu result:')
disp('gpu result:')
ticc_gpu =matrixmulcuda(b,a);
tg=toc;
disp('cpu result:')
ticc_cpu = a*b;
tc=toc;
測試時間如下圖表所示：
從上圖和上表我們不難看出以下幾點
1、隨著資料量的增加，gpu加速效果越來越明顯，arryfire趨於穩定；
2：隨著資料量的增加，除了arrayfire各個工具處理的時間的都會有不同程度的增加，尤其是cpu的最為明顯，所以在不同的方式下gpu都會有不同程度的加速；
3：這裡的cuda程式沒有進行記憶體優化，可能用上共享記憶體的方式或許會更快，改變blocksize的大小也會有影響，這裡偷懶將blocksize設定為8，沒有測其他值了；
4：根據《cbf中for迴圈變矩陣乘法的思想（arrayfire）》這篇部落格測試來看，如果不解決程式設計中for迴圈的問題，執行時間會維持在乙個相對較高的狀態，所以關鍵問題還是在不同的工具下都要用並行的思想去寫程式。
5：順便推廣一下arrayfire，執行速度穩定，包含了大量的矩陣運算工具，可參見部落格《arrayfire常用的那幾招（引用於葵花寶典）》。
ymode協議不同工具之間的區別
最近在使用ymode協議進行檔案傳輸的過程中發現一些問題，因而做一下總結。協議的接收是自己實現的，協議的傳送使用的是pc上的現有工具 超級終端 和 securecrt 7.3 使用 超級終端 用的比較多，協議最開始的除錯也是用的 超級終端 那麼問題來了。1 超級終端和securecrt 7.3到底有...
不同交通工具的速度
description 不同交通工具的速度是不同的。針對自行車 電單車和汽車分別建立類，來模擬這一情況。定義vechicle類，是所有交通工具的父類 屬性int speed表示交通工具的一般速度。靜態資料成員int numofvechicles，表示建立的交通工具的數量。這個值只增不減。靜態成員函式...
通過矩陣乘法看記憶體訪問對CPU運算速度的影響
關於intel c 編譯器和visual c 編譯器的差異塊可見 intel和microsoft c 編譯器在矩陣乘法測試例子中執行時間的差異 從速度上考量這裡僅測試intel c 編譯器的情形。矩陣乘法有普通的按定義的方法和塊方法，測試結果表明後者可達到前者的兩倍速度。速度和 通過加法運算看記憶體...