在 GPU 上启动许多 POSIX C++ 代码副本
Launching many copies of POSIX C++ code on GPU
我有一个非常计算密集型的单线程 POSIX+boost C++ 程序，我刚刚在 48 核 CPU 上启动了很多副本（这是一种蛮力 A*搜索算法）
是否有任何简单的方法可以为 GPU 重新编译代码并运行在“更多”GPU 内核上运行？
如果我想 运行 线程原样，那么为 GPU 移植现有 boost C++ 代码的最简单方法是什么？
Is there any easy way of recompiling the code for GPU and running on "many more" GPU cores?
没有
What is the easiest way to port existing boost C++ code for GPU assuming I want to run the threads as-is?
没有一个。如评论中所述，C++17 包括 parallel algorithms, and NVIDIA ship a C++17 compiler with CUDA support。这与直接在 GPU 上获取“POSIX C++”代码和 运行 代码相去甚远。没有我熟悉的GPU编程范式那样工作。
对于为什么这不可能（并且可能永远不可能）感兴趣的人来说，GPU 具有非常特定的计算逻辑，在一般情况下会产生比 single-threaded CPU，即使程序以某种方式在多个内核上启动：
在multi-coreCPU中，内核尽可能地分开，这样开发者就不用考虑芯片内部了。只有少数因素会影响线程性能扩展：例如内存带宽和（在某些情况下）同时 multi-threading 效果。
在 GPU 中，内核是“有意”紧密连接的：例如，如果分支在不同线程中以不同方式出现，那么一整组内核（在某些情况下多达一百个）最终会按顺序执行代码，从而放弃所有并行化的好处。此外，由于内核通常“较慢”，它们的主要优势在于“矢量化”操作，要求开发人员“以矢量方式思考”而不是“数据结构”以获得标称性能。
因此，尽管存在“看起来像 C”的编程工具包，但它们实际上是 domain-specific 隐藏在 C 语法和 C-like 库调用之后的语言。
从普通代码到 highly-parallelGPU 代码的“可用”转换需要一种算法，该算法可以将代码加载为逻辑，在数十亿基态的规模上找到并证明等效逻辑转换的正确性，以及基于 GPU 的计算模型将其翻译回 GPU 指令。虽然在未来有可能实现，但这远远超出了现代算法知识和计算能力。研究这些努力的科学包括 AI 规划、程序综合、自动定理证明、深度学习。
我有一个非常计算密集型的单线程 POSIX+boost C++ 程序，我刚刚在 48 核 CPU 上启动了很多副本（这是一种蛮力 A*搜索算法）
是否有任何简单的方法可以为 GPU 重新编译代码并运行在“更多”GPU 内核上运行？
如果我想 运行 线程原样，那么为 GPU 移植现有 boost C++ 代码的最简单方法是什么？
Is there any easy way of recompiling the code for GPU and running on "many more" GPU cores?
没有
What is the easiest way to port existing boost C++ code for GPU assuming I want to run the threads as-is?
没有一个。如评论中所述，C++17 包括 parallel algorithms, and NVIDIA ship a C++17 compiler with CUDA support。这与直接在 GPU 上获取“POSIX C++”代码和 运行 代码相去甚远。没有我熟悉的GPU编程范式那样工作。
对于为什么这不可能（并且可能永远不可能）感兴趣的人来说，GPU 具有非常特定的计算逻辑，在一般情况下会产生比 single-threaded CPU，即使程序以某种方式在多个内核上启动：
在multi-coreCPU中，内核尽可能地分开，这样开发者就不用考虑芯片内部了。只有少数因素会影响线程性能扩展：例如内存带宽和（在某些情况下）同时 multi-threading 效果。
在 GPU 中，内核是“有意”紧密连接的：例如，如果分支在不同线程中以不同方式出现，那么一整组内核（在某些情况下多达一百个）最终会按顺序执行代码，从而放弃所有并行化的好处。此外，由于内核通常“较慢”，它们的主要优势在于“矢量化”操作，要求开发人员“以矢量方式思考”而不是“数据结构”以获得标称性能。
因此，尽管存在“看起来像 C”的编程工具包，但它们实际上是 domain-specific 隐藏在 C 语法和 C-like 库调用之后的语言。
从普通代码到 highly-parallelGPU 代码的“可用”转换需要一种算法，该算法可以将代码加载为逻辑，在数十亿基态的规模上找到并证明等效逻辑转换的正确性，以及基于 GPU 的计算模型将其翻译回 GPU 指令。虽然在未来有可能实现，但这远远超出了现代算法知识和计算能力。研究这些努力的科学包括 AI 规划、程序综合、自动定理证明、深度学习。