Explication de CUDA C et C ++

CUDA C est un langage de programmation avec C la syntaxe. Sur le plan conceptuel, il est tout à fait différent de C.

Le problème c'est qu'il tente de résoudre est le codage multiple (similaire) l'enseignement des vapeurs de plusieurs processeurs.

CUDA offre plus de Single Instruction Multiple Data (SIMD) vecteur de la transformation, mais le flux de données >> instructions de flux, ou il y a beaucoup moins d'avantages.

CUDA donne un certain nombre de mécanismes pour le faire, et cache une partie de la complexité.

CUDA n'est pas optimisé pour les différentes instructions de flux comme une multi-core x86.
CUDA n'est pas limité à une seule instruction stream comme x86 vecteur instructions, ou limité à certains types de données comme les x86 vecteur instructions.

CUDA supporte les boucles qui peuvent être exécutées en parallèle. C'est sa forme la plus caractéristique essentielle. Le CUDA système de partition de l'exécution de la boucle, et d'exécuter le "loop" corps simultanément à travers un réseau de processeurs identiques, tout en fournissant une partie de l'illusion d'une série normale de la boucle (plus précisément CUDA gère la boucle "indice"). Le développeur doit être conscient de la GPU de la structure de la machine à écrire "boucles" efficace, mais la quasi-totalité de la gestion est assurée par le CUDA moment de l'exécution. L'effet est des centaines (voire des milliers) de la boucle complète dans le même temps comme un "loop".

CUDA supporte ce qui ressemble à if branches. Seuls les processeurs exécutant le code qui correspondent le test si peut être actif, donc un sous-ensemble de processeurs sera actif pour chaque "branche" de la si test. Comme un exemple de ce if... else if ... else ...a trois branches. Chaque processeur d'exécuter une seule branche, et être "re-synchronisé' prêt à passer le reste de l'processeurs lorsque la si est terminée. Il se peut que certaines des conditions de la branche ne sont pas compensée par n'importe quel processeur. Donc, il n'est pas nécessaire d'exécuter cette branche (pour cet exemple, trois branches est le pire des cas). Ensuite, seulement une ou deux branches sont exécutées de manière séquentielle, de remplir l'ensemble de if plus rapidement.

Il n'y a pas de "magie". Le programmeur doit être conscient que le code sera exécuté sur un CUDA de l'appareil, et d'écrire un code consciemment.

CUDA ne prend pas de vieux code C/C++ et auto-magiquement lancer le calcul à travers un réseau de processeurs. CUDA permet de compiler et de l'exécuter ordinaire C et beaucoup de C++ de manière séquentielle, mais il y a très peu (rien?) pour être gagné par cette raison, il sera exécuté de manière séquentielle, et plus lentement que d'un PROCESSEUR récent. Cela signifie que le code dans certaines bibliothèques n'est pas (encore) un bon match avec CUDA capacités. Un CUDA programme peut fonctionner sur multi-ko bits-vecteurs simultanément. CUDA n'est pas en mesure de auto-magiquement convertir des séquentielle C/C++ de la bibliothèque de code dans quelque chose qui le ferait.

CUDA ne fournit un moyen relativement simple d'écrire du code, à l'aide de familier C/C++, la syntaxe, ajoute un supplément de quelques concepts, et génère du code qui sera exécuté à travers un réseau de processeurs. Il a le potentiel de donner beaucoup plus de 10 fois de l'accélération de vs par exemple multi-core x86.

Modifier les Plans: je ne travaille pas pour NVIDIA

Pour les meilleures performances CUDA veut de l'information au moment de la compilation.

Sorte de modèle mécanismes sont le plus utile, car il permet au développeur un moyen de dire des choses au moment de la compilation, le compilateur CUDA pourrait utiliser. Comme un exemple simple, si une matrice est définie (instancié) au moment de la compilation pour être en 2D et 4 x 8, alors le compilateur CUDA peut travailler avec des que pour organiser le programme dans l'ensemble des processeurs. Si cette taille est dynamique et change alors que le programme est en cours d'exécution, il est beaucoup plus difficile pour le compilateur ou de l'exécution du système à faire un très efficaces.

EDIT:
CUDA a de la classe et les modèles de fonction.
Je m'excuse si les gens lisent ce que de dire CUDA n'est pas. Je suis d'accord je n'étais pas clair.

Je crois que le CUDA GPU côté de la mise en œuvre de modèles n'est pas complète.w.r.t. C++.

Utilisateur harrism a dit que ma réponse est fausse. harrism fonctionne pour NVIDIA, donc je vais attendre pour obtenir des conseils. J'espère que c'est déjà plus claire.

La plus difficile des choses à faire efficacement sur plusieurs processeurs de dynamique de ramification, de nombreux chemins alternatifs, parce qu'effectivement serialises le code; dans le pire des cas un seul processeur peut exécuter à la fois, ce qui gaspille de l'avantage d'un GPU. Afin de fonctions virtuelles semblent être très difficile à faire.

Il y a quelques très intelligent tout-le programme-les outils d'analyse qui peut en déduire beaucoup plus d'informations de type que le développeur peut comprendre. Les outils existants peut déduire assez pour éliminer des fonctions virtuelles, et donc de déplacer l'analyse de ramification au moment de la compilation. Il existe également des techniques pour instrumentant d'exécution du programme, qui alimente directement à la recompilation des programmes qui pourraient parvenir à une meilleure ramification des décisions.

Autant que je sache (modulo les commentaires) le compilateur CUDA n'est pas encore l'état-of-the-art dans ces domaines.

(À mon humble avis il vaut la peine quelques jours, pour toute personne intéressée, avec un CUDA ou OpenCL-capable système, d'enquêter sur eux, et de faire quelques expériences. Je pense aussi, pour les personnes intéressés dans ces domaines, il vaut bien l'effort d'expérimentation avec Haskell, et ont un look à Parallèle Des Données Haskell)

Pas réalisé par de nombreuses personnes, CUDA est en fait deux nouveaux langages de programmation, tous deux dérivés de C++. On est d'écrire le code qui s'exécute sur les Gpu et est un sous-ensemble de C++. Sa fonction est similaire à HLSL (DirectX) ou Cg (OpenGL), mais avec plus de fonctionnalités et de compatibilité avec le C++. Divers GPGPU/SIMT/performance préoccupations liées à l'appliquer à elle que j'ai pas besoin de mentionner. L'autre est le soi-disant "Exécution de l'API," ce qui n'est guère une "API" dans le sens traditionnel du terme. Le moteur d'Exécution de l'API est utilisé pour écrire du code qui s'exécute sur le PROCESSEUR hôte. C'est un sur-ensemble de C++ et le rend beaucoup plus facile de faire un lien et de lancement de code GPU. Il nécessite la NVCC pré-compilateur qui appelle la plate-forme du compilateur C++. En revanche, le Pilote de l'API (et OpenCL) est un pur, la bibliothèque standard C, et est beaucoup plus prolixe à utiliser (tout en offrant quelques fonctionnalités supplémentaires).

La création d'un nouvel hôte du côté du langage de programmation audacieuse sur NVIDIA. Il permet de commencer avec CUDA plus facile et l'écriture de code plus élégant. Toutefois, vraiment brillant n'était pas le commercialiser comme un nouveau langage.

Qu'est-ce que NVIDIA plan?

Je crois que la tendance générale est que CUDA et OpenCL sont considérés comme trop faible niveau des techniques pour de nombreuses applications. Droit maintenant, Nvidia est d'investir massivement dans OpenACC qui peut à peu près être décrit comme OpenMP pour les Gpu. Il suit une approche déclarative et aborde le problème de la parallélisation sur GPU à un niveau beaucoup plus élevé. Donc, c'est totalement mon impression subjective de ce que Nvidia plan.