matrix fixed

perflab/matrix/rowcol.c~

@@ -0,0 +1,162 @@
+/**************************************************************************
+	行/列求和函数。按下面的要求编辑此文件：
+	1. 将你的学号、姓名，以注释的方式写到下面；
+	2. 实现不同版本的行列求和函数；
+	3. 编辑rc_fun_rec rc_fun_tab数组，将你的最好的答案
+		（最好的行和列求和、最好的列求和）作为数组的前两项
+***************************************************************************/
+   
+/*
+	学号：202302723005
+	姓名：程景愉
+*/
+
+
+#include  <stdio.h>
+#include  <stdlib.h>
+#include  "rowcol.h"
+#include  <math.h>
+#include  <cuda_runtime.h>
+
+/* 参考的列求和函数实现 */
+/* 计算矩阵中的每一列的和。请注意对于行和列求和来说，调用参数是
+	一样的，只是第2个参数不会用到而已
+*/
+
+void c_sum(matrix_t M, vector_t rowsum, vector_t colsum)
+{
+    int i,j;
+    for (j = 0; j < N; j++) {
+	colsum[j] = 0;
+	for (i = 0; i < N; i++)
+	    colsum[j] += M[i][j];
+    }
+}
+
+
+/* 参考的列和行求和函数实现 */
+/* 计算矩阵中的每一行、每一列的和。 */
+
+void rc_sum(matrix_t M, vector_t rowsum, vector_t colsum)
+{
+    int i,j;
+    for (i = 0; i < N; i++) {
+	rowsum[i] = colsum[i] = 0;
+	for (j = 0; j < N; j++) {
+	    rowsum[i] += M[i][j];
+	    colsum[i] += M[j][i];
+	}
+    }
+}
+
+/* CUDA优化的列求和函数 */
+void cuda_c_sum(matrix_t M, vector_t rowsum, vector_t colsum)
+{
+    // 分配设备内存
+    int *d_M, *d_colsum;
+    cudaMalloc(&d_M, N * N * sizeof(int));
+    cudaMalloc(&d_colsum, N * sizeof(int));
+    
+    // 将数据从主机复制到设备
+    cudaMemcpy(d_M, M, N * N * sizeof(int), cudaMemcpyHostToDevice);
+    
+    // 定义CUDA核函数
+    dim3 blockDim(256);
+    dim3 gridDim((N + blockDim.x - 1) / blockDim.x);
+    
+    // 启动核函数
+    cudaColumnSum<<<gridDim, blockDim>>>(d_M, d_colsum);
+    
+    // 将结果从设备复制回主机
+    cudaMemcpy(colsum, d_colsum, N * sizeof(int), cudaMemcpyDeviceToHost);
+    
+    // 释放设备内存
+    cudaFree(d_M);
+    cudaFree(d_colsum);
+}
+
+/* CUDA优化的行列求和函数 */
+void cuda_rc_sum(matrix_t M, vector_t rowsum, vector_t colsum)
+{
+    // 分配设备内存
+    int *d_M, *d_rowsum, *d_colsum;
+    cudaMalloc(&d_M, N * N * sizeof(int));
+    cudaMalloc(&d_rowsum, N * sizeof(int));
+    cudaMalloc(&d_colsum, N * sizeof(int));
+    
+    // 将数据从主机复制到设备
+    cudaMemcpy(d_M, M, N * N * sizeof(int), cudaMemcpyHostToDevice);
+    
+    // 定义CUDA核函数
+    dim3 blockDim(256);
+    dim3 gridDim((N + blockDim.x - 1) / blockDim.x);
+    
+    // 启动核函数
+    cudaRowColSum<<<gridDim, blockDim>>>(d_M, d_rowsum, d_colsum);
+    
+    // 将结果从设备复制回主机
+    cudaMemcpy(rowsum, d_rowsum, N * sizeof(int), cudaMemcpyDeviceToHost);
+    cudaMemcpy(colsum, d_colsum, N * sizeof(int), cudaMemcpyDeviceToHost);
+    
+    // 释放设备内存
+    cudaFree(d_M);
+    cudaFree(d_rowsum);
+    cudaFree(d_colsum);
+}
+
+/* CUDA核函数 - 列求和 */
+__global__ void cudaColumnSum(int *M, int *colsum)
+{
+    int col = blockIdx.x * blockDim.x + threadIdx.x;
+    if (col < N) {
+        colsum[col] = 0;
+        for (int row = 0; row < N; row++) {
+            colsum[col] += M[row * N + col];
+        }
+    }
+}
+
+/* CUDA核函数 - 行列求和 */
+__global__ void cudaRowColSum(int *M, int *rowsum, int *colsum)
+{
+    int idx = blockIdx.x * blockDim.x + threadIdx.x;
+    if (idx < N) {
+        // 计算行和
+        rowsum[idx] = 0;
+        for (int j = 0; j < N; j++) {
+            rowsum[idx] += M[idx * N + j];
+        }
+        
+        // 计算列和
+        colsum[idx] = 0;
+        for (int i = 0; i < N; i++) {
+            colsum[idx] += M[i * N + idx];
+        }
+    }
+}
+
+/* 
+	这个表格包含多个数组元素，每一组元素（函数名字, COL/ROWCOL, "描述字符串"）
+	COL表示该函数仅仅计算每一列的和
+	ROWCOL表示该函数计算每一行、每一列的和
+	将你认为最好的两个实现，放在最前面。
+	比如：
+	{my_c_sum1, "超级垃圾列求和实现"},
+	{my_rc_sum2, "好一点的行列求和实现"},
+*/
+
+rc_fun_rec rc_fun_tab[] = 
+{
+
+  /* 第一项，应当是你写的最好列求和的函数实现 */
+    {cuda_c_sum, COL, "CUDA optimized column sum"},
+  /* 第二项，应当是你写的最好行列求和的函数实现 */
+    {cuda_rc_sum, ROWCOL, "CUDA optimized row and column sum"},
+
+    {c_sum, COL, "Column sum, reference implementation"},
+
+    {rc_sum, ROWCOL, "Row and column sum, reference implementation"},
+
+ /* 下面的代码不能修改或者删除！！表明数组列表结束 */
+    {NULL,ROWCOL,NULL}
+};