maintaining/sustaining 两个代码集的风险，一个用于 CPU 一个用于 GPU，需要执行非常相似的功能
Risks of maintaining/sustaining two code sets, one for CPU one for GPU, that need to perform very similar functions
这个标题不好，但希望我的描述更清楚。我正在管理一个已有数十年历史的建模和仿真应用程序。很长一段时间以来，我们一直对在 GPU 上向 运行 编写一些代码感兴趣，因为我们相信这会加快模拟速度（是的，我们落后于时代）。我们终于有机会做到这一点（即金钱），所以现在我们要确保我们了解这样做的后果，特别是维持代码。问题是，由于我们的许多用户没有高端 GPU（目前），我们仍然需要我们的代码来支持正常处理和 GPU 处理（即我相信我们现在将有两组代码执行非常相似的操作).有没有人经历过这一切，并且有任何经验教训 and/or 他们想分享的建议？如果有帮助，我们当前的应用程序是用 C++ 开发的，我们正在考虑与 NVIDIA 一起使用 Cuda 为 GPU 编写。
这类似于使用矢量化或其他汇编指令编写手工制作的汇编版本，同时还保持 C/C++ 版本。有 很多 长期这样做的经验，这个建议就是基于此。 （我用 GPU 案例做这件事的经验是短期（几年）和更小（几个案例））。
您将需要编写单元测试。
单元测试使用 CPU 实现（因为我还没有找到它们不简单的情况）来测试 GPU 实现。
测试 运行 有一些 simulations/models，并断言如果可能，结果 相同。这些 运行 每晚 and/or 作为验收套件的一部分对代码库进行的每次更改。
这确保了两个代码库不会 "stale" 因为它们经常被使用，并且两个独立的实现实际上有助于维护另一个。
另一种方法是 运行 混合解决方案。有时 运行混合使用 CPU 和 GPU 比其中一个更快，即使它们都在解决相同的问题。
当您必须切换技术时（例如，切换到新的 GPU 语言，或切换到分布式设备网络，或未来 20 年出现的任何新奇事物），"simpler" CPU 实施将是救命稻草。
这个标题不好，但希望我的描述更清楚。我正在管理一个已有数十年历史的建模和仿真应用程序。很长一段时间以来，我们一直对在 GPU 上向 运行 编写一些代码感兴趣，因为我们相信这会加快模拟速度（是的，我们落后于时代）。我们终于有机会做到这一点（即金钱），所以现在我们要确保我们了解这样做的后果，特别是维持代码。问题是，由于我们的许多用户没有高端 GPU（目前），我们仍然需要我们的代码来支持正常处理和 GPU 处理（即我相信我们现在将有两组代码执行非常相似的操作).有没有人经历过这一切，并且有任何经验教训 and/or 他们想分享的建议？如果有帮助，我们当前的应用程序是用 C++ 开发的，我们正在考虑与 NVIDIA 一起使用 Cuda 为 GPU 编写。
这类似于使用矢量化或其他汇编指令编写手工制作的汇编版本，同时还保持 C/C++ 版本。有 很多 长期这样做的经验，这个建议就是基于此。 （我用 GPU 案例做这件事的经验是短期（几年）和更小（几个案例））。
您将需要编写单元测试。
单元测试使用 CPU 实现（因为我还没有找到它们不简单的情况）来测试 GPU 实现。
测试 运行 有一些 simulations/models，并断言如果可能，结果 相同。这些 运行 每晚 and/or 作为验收套件的一部分对代码库进行的每次更改。
这确保了两个代码库不会 "stale" 因为它们经常被使用，并且两个独立的实现实际上有助于维护另一个。
另一种方法是 运行 混合解决方案。有时 运行混合使用 CPU 和 GPU 比其中一个更快，即使它们都在解决相同的问题。
当您必须切换技术时（例如，切换到新的 GPU 语言，或切换到分布式设备网络，或未来 20 年出现的任何新奇事物），"simpler" CPU 实施将是救命稻草。