【CUDA自带实例学习】1.快速排序

最新推荐文章于 2024-03-10 23:25:05 发布
VIP文章 最新推荐文章于 2024-03-10 23:25:05 发布
阅读量5.6k 收藏 1
点赞数
分类专栏： cuda 文章标签： CUDA 快速排序
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/dgh_dean/article/details/53086172
版权

自带的实例较多无意义代码，包括选择是否显示随机初始化的待排序数组，选择是否显示设备信息等代码，较为简单，从略。

实际在设备上排序的代码一共两个：

__device__ void selection_sort(unsigned int *data, int left, int right)

__global__ void cdp_simple_quicksort(unsigned int *data, int left, int right, int depth)

在kernel中使用递归实现排序，当递归的深度depth大于设定的MAX_DEPTH或者当待排序的数组长度较小时（小于设定的INSERTION_SORT

最低0.47元/天 解锁文章
dgh_dean
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
CUDA-Quicksort:CUDA-Quicksort：快速排序算法的基于GPU的实现-开源
05-29
CUDA-quicksort 是一种基于 GPU 的快速排序算法实现。 CUDA-quicksort 旨在利用现代 NVIDIA GPU 的计算能力。 “文献中介绍了两种基于 GPU 的快速排序实现：GPU 快速排序，一种计算统一设备架构 (CUDA) 迭代实现，以及 CUDA 动态并行 (CDP) 快速排序，一种由 NVIDIA 公司提供的递归实现。” [*]。 CUDA-quicksort 是快速排序算法的基于 GPU 的迭代实现。 “在六个排序基准分布上执行的实验表明，CUDA-quicksort 比 GPU-quicksort 快四倍，比 CDP-quicksort 快三倍。”[*]。 *版权所有 :copyright: 2015 John Wiley & Sons, Ltd. Concurrency Computat.: Pract. 专家。 (2015) DOI: 10.1002/cpe.3611 如需更多信息，请参阅相应出版物：http://onlinelibrary.wiley.com/doi/10.1002/cpe.3611/abstract
【算法】cuda 快排
七爷OK
09-26 1219
核心代码： __global__ void cdp_simple_quicksort(unsigned int *data, int left, int right, int depth) { // If we're too deep or there are few elements left, we use an insertion sort... if (depth >...
cuda完成快速排序
weixin_42601547的博客
01-05 345
CUDA(Compute Unified Device Architecture)是由 NVIDIA 推出的并行计算架构，可以让计算机的 GPU(图形处理单元)执行大量并行计算任务。因此，使用 CUDA 实现快速排序的方法是： 将要排序的数组划分成若干个小块，并分配给 GPU 中的多个处理器(称为“线程”)处理。 每个线程对自己负责的小块内的数进行排序(可以使用快速排序或其他排序算法)。 将...
CUDA基本入门教程
最新发布
发狂的小花的博客
03-10 840
GPU并不是一个独立运行的计算平台，而需要与CPU协同工作，可以看成是CPU的协处理器，因此当我们在说GPU并行计算时，其实是指的基于CPU+GPU的异构计算架构。在异构计算架构中，GPU与CPU通过PCIe总线连接在一起来协同工作，CPU所在位置称为为主机端（host），而GPU所在位置称为设备端（device）
CUDA动态并行实现快速排序
xiaohu的博客
11-02 2435
排序是任何应用的基本构造块的关键算法之一。有许多排序算法已经被广泛研究。，常见的排序算法时间和空间复杂度如下：一些排序算法属于分治算法的范畴。这些算法适用于并行性，并适合 GPU 等架构，在这些架构中，要排序的数据可以被划分进行排序。快速排序就是这样一种算法。如前所述，Quicksort 属于“分而治之”的范畴。与其他排序算法(如需要额外存储的合并排序)相比，快速排序的内存负载和要求更低。快速排序的更实际的实现使用随机化版本。随机化版本的预期时间复杂度为O(nlogn)。
CUDA学习-cdp快排实现（预备知识）
shungry的博客
05-24 969
在用gpu实现快排之前，先回顾一下在用cpu进行快速排序的方法： void QuickSort(int array[], int start, int last) { int i = start; int j = last; int temp = array[i]; if (i < j) { while (i < j) ...
CUDA(六). 从并行排序方法理解并行化思维——冒泡、归并、双调排序的GPU实现
热门推荐
Rachel Zhang的专栏
09-14 4万+
在第五讲中我们学习了GPU三个重要的基础并行算法： Reduce, Scan 和 Histogram，分析了 其作用与串并行实现方法。 在第六讲中，本文以冒泡排序 Bubble Sort、归并排序 Merge Sort 和排序网络中的双调排序 Bitonic Sort 为例， 讲解如何从数据结构课上学的串行并行排序方法转换到并行排序，并附GPU实现代码。 在并行方法中，我们将考虑到并行方法需要注意
cuda笔记-GPU多线程的奇偶排序
IT1995的博客
12-15 1505
首先说明奇偶排序： 算法的思路是先排奇数序号的相邻2个，或者偶数序号的相邻两个，然后一直到序列有序为止，如下代码： #include<stdio.h> #include<stdlib.h> #include<stdbool.h> #include <iostream> using namespace std; void swap(int *a, int *b) { int t; t = *a; *a = *b; *b = t; } void
CUDA加速排序算法
taifyang的博客
01-02 609
而ttid变量则用来表示所有的块中的当前线程的唯一索引，或者说整个Grid中的当前线程的索引。而内核中使用的共享内存中数组的元素数量等于块中的线程数，如同我们之前讨论过的那样。当最终的循环完成后，count变量中保存了最终排序数组中的位置，我们则在d_b数组按照这个位置保存当前元素。d_b就是最终的排序后的结果输出数组。该算法对于数组中的每个元素，通过统计小于它的数组中的其他元素的数量，从而确定该元素在结果数组中的位置。对于(需要排序的）数组中的每个元素都重复进行一次该过程，则我们得到了一个排序后的数组。
CUDA并行排序(1)——整数
12-06
// 1. A small-set insertion sort. We do this on any set with <=32 elements // 2. A partitioning kernel, which - given a pivot - separates an input // array into elements <=pivot, and >pivot. Two quicksorts will then // be launched to resolve each of these. // 3. A quicksort co-ordinator, which figures out what kernels to launch // and when.
CUDA学习（三）：数据排序
IT猿手
02-21 963
使用GPU对数据继续排序 main.cpp #include <stdio.h> #include <stdlib.h> #define maxn 100//排序数目不得超过1024 extern "C" void swapKernel(int* num, int size); int main(int argc, char** argv) { int num[maxn]; for (int i = 0; i < maxn; i++) { nu
cuda 作业 排序算法 sort
05-24
中科院 cuda 作业 排序算法 sort
GPU 并行排序
04-22
基于GPU 实现并行排序过程，大大加速了排序的效率，有加速比
cuda_10.0.130.1_linux.run
05-13
cuda10.0补丁包，cuda10.0补丁包，安装方式sudo sh cuda_10.0.130.1_linux.run
cuda_11.3.1_465.89_win10.txt
06-09
英伟达官方2021.6最新CUDA程序 cuda_11.3.1_465.89_win10百度网盘链接 适用于win10 64，亲测可用
cuda-12.1.1-531.14-windows.7z.004(分卷压缩包-请搜索1-4解压)
06-28
cuda_12.1.1_531.14_windows.7z.004 NVIDIA CUDA Toolkit 12.1-(分卷压缩包-请搜索001-004号文件解压)
CUDA实例-矩阵乘法.ppt
09-06
CUDA实例-矩阵乘法 一个简单的矩阵乘法例子
cuda-12.1.1-531.14-windows.7z.001(分卷压缩包-请搜索1-4解压)
06-28
cuda_12.1.1_531.14_windows.7z.001 NVIDIA CUDA Toolkit 12.1-(分卷压缩包-请搜索001-004号文件解压)
CUDA与大数组的双调排序
林地宁宁的树洞
05-26 1528
CUDA 与大数组的双调排序 双调排序 双调排序，又称作 Bitonic Sort，整体复杂度为 nlog⁡2(n)n\log^2(n)nlog2(n)。 归并排序劣势 相比于归并排序的 nlog⁡(n)n\log(n)nlog(n) 的复杂度，看起来优势不大，但是胜在能够比归并排序更加有效的运用多核多线程，因此在 CUDA 加持下，效率往往快于归并排序。 归并排序的缺点： 当归并排序到后期时，待归并的段主要有少数的“大段”构成，而这几个大段的归并比较难运用到多核多线程的优势。尽管可以通过一定手段优化几个大
torch.cuda.ByteTensor转为torch.cuda.FloatTensor
03-28
可以通过以下代码将torch.cuda.ByteTensor转换为torch.cuda.FloatTensor： ``` import torch # 创建ByteTensor x = torch.cuda.ByteTensor(2, 3).random_(0, 2) # 转换为FloatTensor y = x.float() print(x) ...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值