如何使用 CUDA 优化自身转置的矩阵乘法？
How to optimize matrix multiplication on itself transposed using CUDA?
我有一个浮点数矩阵 (M)，大约有 17000 x 10000 个值。我需要每行乘以每行的标量乘法（因此 17000 x 17000 个值），也可以形式化为 M 乘以转置后的 M。
我是 CUDA 的新手，所以我可以为每个矩阵元素使用一个线程编写一个“天真的”解决方案，但它可能是次优的计算速度。
或者，我可以使用类似 cublasSgemm(...) 的东西，将 M 和 转置 M 作为参数，但转置是一个额外的操作，不应该是必要的，并且额外的内存使用量也相当可观（我只有一个 4 GB 的免费视频卡）。
请帮助我找到最佳（或至少更好）的解决方案。
如果这很重要，我确实事先知道列数（字面上使用 #define numCol 10001），但行数可能会有所不同，因为这些行是从多个 .csv 文件中解析出来的。
您描述的是对称排名更新。有一系列函数专门用于此，例如cublasSsyrk 用于浮动。
https://docs.nvidia.com/cuda/cublas/index.html#cublas-lt-t-gt-syrk
请注意，那些只更新下三角矩阵或上三角矩阵，因为另一半是多余的
我有一个浮点数矩阵 (M)，大约有 17000 x 10000 个值。我需要每行乘以每行的标量乘法（因此 17000 x 17000 个值），也可以形式化为 M 乘以转置后的 M。
我是 CUDA 的新手，所以我可以为每个矩阵元素使用一个线程编写一个“天真的”解决方案，但它可能是次优的计算速度。
或者，我可以使用类似 cublasSgemm(...) 的东西，将 M 和 转置 M 作为参数，但转置是一个额外的操作，不应该是必要的，并且额外的内存使用量也相当可观（我只有一个 4 GB 的免费视频卡）。
请帮助我找到最佳（或至少更好）的解决方案。
如果这很重要，我确实事先知道列数（字面上使用 #define numCol 10001），但行数可能会有所不同，因为这些行是从多个 .csv 文件中解析出来的。
您描述的是对称排名更新。有一系列函数专门用于此，例如cublasSsyrk 用于浮动。
https://docs.nvidia.com/cuda/cublas/index.html#cublas-lt-t-gt-syrk
请注意，那些只更新下三角矩阵或上三角矩阵，因为另一半是多余的