CUDA卷积加速(一)

推出这个系列的目的呢，主要是因为CUDA学习的一个主要用途就是对图像处理进行加速，而处理图像的过程中经常要用到卷积。卷积的计算有多种形式，本系列主要研究的是二维矩阵的卷积计算。从最原始的计算方法（就是本科教科书上的那种）再到优化后的适用于大型数据的算法，均提供并行化的设计思路。

考虑到机器学习很火，很多人也用python来做图形处理。但不好的地方在于python目前还不支持GPGPU编程，这就很尴尬。所以说编程语言掌握全面一点总归是好的嘛！

下面是普通版的CUDA进行卷积的操作方法，是对卷积最初始的算法进行的GPU平台的移植。我们称之为版本二（版本一就是原始版的嘛）。算法本身不难，但他考验了一些CUDA的基本功，对以后的深入学习有着铺垫作用。

那么利用计算机计算卷积最原始的版本呢，莫过于离散乘积求和，即对f[n-m]g[m]求和。那么整个卷积就只需要几个循环便可以做出来了。

那么这里我们也提供对上述过程最简单的CUDA程序给大家看：

__global__ void conv_kernel(const float *ina, const float *inb, float *out, size_t len_a, size_t len_b, size_t len_out)
{
    const int tid = blockIdx.x * blockDim.x + threadIdx.x;
    if (tid >= len_out)
    {
        return;
    }

    float sum = 0.0f;
    for (int m = 0; m < len_b; ++m)
    {
        int k = tid - m;
        if (