CUDA卷積加速一

推出這個系列的目的呢，主要是因為cuda學習的乙個主要用途就是對影象處理進行加速，而處理影象的過程中經常要用到卷積。卷積的計算有多種形式，本系列主要研究的是二維矩陣的卷積計算。從最原始的計算方法（就是本科教科書上的那種）再到優化後的適用於大型資料的演算法，均提供並行化的設計思路。

考慮到機器學習很火，很多人也用python來做圖形處理。但不好的地方在於python目前還不支援gpgpu程式設計，這就很尷尬。所以說程式語言掌握全面一點總歸是好的嘛！

下面是普通版的cuda進行卷積的操作方法，是對卷積最初始的演算法進行的gpu平台的移植。我們稱之為版本二（版本一就是原始版的嘛）。演算法本身不難，但他考驗了一些cuda的基本功，對以後的深入學習有著鋪墊作用。

那麼利用計算機計算卷積最原始的版本呢，莫過於離散乘積求和，即對f[n-m]g[m]求和。那麼整個卷積就只需要幾個迴圈便可以做出來了。

__global__ void conv_kernel(const float *ina, const float *inb, float *out, size_t len_a, size_t len_b, size_t len_out)
float sum = 0.0f;
for (int m = 0; m < len_b; ++m)
}out[tid] = sum;
}

__global__ void conv2_kernel(const float *ina, const float *inb, float *out, size_t len_a, size_t len_b, size_t len_out)
if (tid < len_a)
__syncthreads();
float sum = 0.0f;
for (int m = 0; m < len_b; ++m)
else}}
out[tid] = sum;
}

__constant__ static float c_b[1024];
__global__ void conv3_kernel(const float *ina, float *out, size_t len_a, size_t len_b, size_t len_out)
if (tid < len_a)
__syncthreads();
float sum = 0.0f;
for (int m = 0; m < len_b; ++m)
else}}
out[tid] = sum;
}

一口氣列了三種，都是非常經典的加速技巧。

下面附上main()

int main(int argc, char const *argv)
cout << endl;
return 0;
}

CUDA卷積加速一

筆記 CUDA加速

CUDA加速學習

kinectbridge啟用cuda加速

CUDA卷積加速 一

筆記 CUDA加速

CUDA加速學習

kinectbridge啟用cuda加速

相關推薦

CUDA卷積加速一