如何修改此组合算法以在启用了cuda的GPU上并行运行？

Question

我目前有一个ac程序，可以生成字符串的所有可能组合。 请注意组合，而不是排列。 这是程序：

#include <stdio.h>
#include <string.h>
#include <stdlib.h>

//Constants
static const char set[] = "abcd";
static const int setSize = sizeof(set) - 1;

 void brute(char* temp, int index, int max){
     //Declarations
     int i;
     for(i = 0; i < setSize; i++){
         temp[index] = set[i];
         if(index == max - 1){
                printf("%s\n", temp);
         }
         else{
              brute(temp, index + 1, max);
         }
   }
}

void length(int max_len){
   //Declarations
   char* temp = (char *) malloc(max_len + 1);
   int i;

   //Execute
   for(i = 1; i <= max_len; i++){
         memset(temp, 0, max_len + 1);
         brute(temp, 0, i);
   }
   free(temp);
}


int main(void){
   //Execute
   length(2);
   getchar();
   return 0;
}

组合的最大长度可以修改； 出于演示目的，当前将其设置为2。 给定当前的配置方式，程序输出

a, b, c, d, aa, ab, ac, ad, ba, bb, bc, bd, ca, cb, cc...

我设法将此程序转换为cuda：

#include "cuda_runtime.h"
#include "device_launch_parameters.h"

#include <stdio.h>
#include <string.h>
#include <stdlib.h>

//On-Device Memory
__constant__ char set_d[] = "adcd";
__constant__ int setSize_d = 4;

__device__ void brute(char* temp, int index, int max){
  //Declarations 
  int i;
  for(i = 0; i < setSize_d; i++){
      temp[index] = set_d[i];
      if(index == max - 1){
          printf("%s\n", temp);
      }
      else{
          brute(temp, index + 1, max);
      }
  }
}


__global__ void length_d(int max_len){

      //Declarations
  char* temp = (char *) malloc(max_len + 1);
  int i;
  //Execute
  for(i = 1; i <= max_len; i++){
      memset(temp, 0, max_len+1);
      brute(temp, 0, i);
  }
  free(temp);
}


int main()
{
    //Execute
    cudaSetDevice(0);

    //Launch Kernel
    length_d<<<1, 1>>>(2);
    cudaDeviceSynchronize();

    getchar(); //Keep this console open...
    return 0;
}

原始程序的cuda版本基本上是c程序的精确副本（请注意，它是使用-arch=sm_20进行编译的。因此， printf和其他主机函数可在cuda环境中工作）。

我的目标是计算az, AZ, 0-9, and other characters最大长度不超过10的az, AZ, 0-9, and other characters的组合。在这种情况下，我希望该程序在我的gpu上运行。 到现在为止，它没有利用并行处理的优势-这显然破坏了用cuda编写程序的全部目的。 但是，除了将线程委派给特定的索引或起点之外，我不确定如何删除程序的递归性质。

任何建设性的意见表示赞赏。

另外，我偶尔还会在连续编译时收到警告消息（这意味着它偶尔会出现）： warning : Stack size for entry function '_Z8length_di' cannot be statically determined 。

我还没有找到问题所在，但我想我会把它发布出来，以防任何人尽我所能找出原因。 正在Visual Studio 2012中进行编译。

注意：我发现这很有趣。 就像现在的cuda程序一样，它到控制台的输出是定期的-这意味着它会打印几十个组合，暂停，打印几十个组合，暂停等等。 我还在报告的gpu使用情况中观察到了此行为-它定期从5％摆动到100％。

Answer 1

我认为您不需要为此使用递归。 （我不会）。

从内核使用printf 对于大量输出是有问题的 ; 它不是真的为此目的而设计的。 内核中的printf消除了GPU可能带来的任何速度优势。 我假设如果您正在测试像这样的大向量空间，则您的目标不是打印出所有组合。 即使那是您的目标，也不是通过内核实现printf的方法。

您将遇到的另一个问题是要存储整个向量空间。 如果您打算对每个向量进行一些处理，然后可以将其丢弃，那么存储就不是问题。 但是，对于长度为n = 10的向量空间，其“数字”（元素）具有k = 62或更多可能的值（a..z，A..Z，0..9等）的存储将是巨大的。 它由k ^ n给出，因此在此示例中为62 ^ 10个不同的向量。 如果每个数字都需要一个字节来存储它，那将超过7万亿千兆字节 。 因此，这几乎决定了整个向量空间的存储是不可能的。 无论您要做什么工作，您都必须即时进行。

鉴于以上讨论， 此答案应包含您所需的几乎所有内容。 向量数字以unsigned int处理，您可以在unsigned int和您的“数字”之间创建任何想要的映射（即a.z，A..Z，0..9等）。在该示例中，对每个向量执行的测试是测试数字的总和是否匹配某个值，因此您可以在内核中替换此行：

  if (vec_sum(vec, n) == sum) atomicAdd(count, 1UL);

具有您想要应用于生成的每个向量的任何功能和处理。 您甚至可以在此处放置一个printf ，但是对于较大的空间，输出将变得零散且不完整。