CUDA 素数生成器性能低下

我正在用 CUDA 编写我的第一个程序。它是一个素数生成器。它可以工作，但只比同等的单线程 C++ 代码快 50%。 CPU版本100%使用一个核心。 GPU版本仅使用20%的GPU。 CPU 是 i5 (2310)。 GPU是GF104。

如何提高该算法的性能？

我的完整程序如下。

int* d_C;

using namespace std;

__global__ void primo(int* C, int N, int multi)
{
  int i = blockIdx.x*blockDim.x + threadIdx.x;
  if (i < N) 
  {
    if(i%2==0||i%3==0||i%5==0||i%7==0)
    {
      C[i]=0;           
    }
    else
    {
      C[i]=i+N*multi;
    }
  }
}

int main()
{
  cout<<"Prime numbers \n";
  int N=1000;
  int h_C[1000];
  size_t size=N* sizeof(int);
  cudaMalloc((void**)&d_C, size);

  int threadsPerBlock = 1024;
  int blocksPerGrid = (N + threadsPerBlock - 1) / threadsPerBlock;
  vector<int> lista(100000000);
  int c_z=0;

  for(int i=0;i<100000;i++)
  {
    primo<<<blocksPerGrid, threadsPerBlock>>>(d_C, N,i);    
    cudaMemcpy(h_C, d_C, size, cudaMemcpyDeviceToHost);         
    for(int c=0;c<N;c++)
    {   
      if(h_C[c]!=0)
      {
        lista[c+N*i-c_z]=h_C[c];
      }
      else
      {
        c_z++;
      }
    }   
  }
  lista.resize(lista.size()-c_z+1);
  return(0);
}

我尝试使用二维数组和for在内核中循环，但无法得到正确的结果。

欢迎来到堆栈溢出。

以下是一些潜在的问题：

• N = 1000 太低。既然你有1024threadsPerBlock，您的内核将只运行一个块，这不足以利用 GPU。尝试 N = 1000000，以便您的内核启动接近 1000 个块。

• 您在 GPU 上所做的工作非常少（每个测试数字 4 次模运算）。因此，在 CPU 上执行这些操作可能比从 GPU（通过 PCIe 总线）复制它们更快。

为了值得使用 GPU 来查找素数，我认为您需要在 GPU 上实现整个算法，而不仅仅是模数运算。