Applications of gpu computing Alex Karantza

__global__ void convolutionColumnsKernel( 
float *d_Dst, 
float *d_Src, 
int imageW, 
int imageH, 
int pitch 
){ 
__shared__ float s_Data[COLUMNS_BLOCKDIM_X] 
[(COLUMNS_RESULT_STEPS + 2 * COLUMNS_HALO_STEPS) *
COLUMNS_BLOCKDIM_Y + 1]; 
 
//// *snip* Populate s_Data from d_Src 
 
__syncthreads(); 
#pragma unroll 
for(int i = COLUMNS_HALO_STEPS; i < COLUMNS_HALO_STEPS + COLUMNS_RESULT_STEPS; i++){ 
float sum = 0; 
#pragma unroll 
for(int j = -KERNEL_RADIUS; j <= KERNEL_RADIUS; j++) 
sum += c_Kernel[KERNEL_RADIUS - j] *
s_Data[threadIdx.x][threadIdx.y + i * COLUMNS_BLOCKDIM_Y + j]; 
d_Dst[i * COLUMNS_BLOCKDIM_Y * pitch] = sum; 
} 

---

Even More Fun 
•
Some of that overhead can be avoided when the 
destination of the GPU’s data is graphics 
•
Texture memory can be shared between general 
purpose computations and normal rendering 
•
For post-processing effects or visualizing particles, the 
pixel/vertex data never needs to leave the GPU 

---

---

Conclusions 
Certain classes of problem appear in many different 
fields, and involve very data-parallel operations such 
as filtering, sorting, or integration 
Taking advantage of the architecture decisions behind 
graphics processing units such as their multiprocessing 
and native vector operations, these problems can be 
solved quickly and cheaply 

---

References 
•
1. Ziegler, Grenot. Introduction to the CUDA Architecture. [Online] 2009. 
http://www.cse.scitech.ac.uk/disco/workshops/200907/Day1_01_Intro_CUDA_Architecture.pdf. 
•
2. NVIDIA Corporation. NVIDIA Compute PTX: Parallel Thread Execution ISA Version 1.1. 2007. 
•
3. Göddeke, Dominik. Fast and Accurate Finite-Element Multigrid Solvers for PDE Simulations on GPU Clusters. Berlin : Logos Verlag, 2010. 
978-3-8325-2768-6. 
•
4. Accellerating molecular modeling application swith graphics processors. John E Stone, James C Phillips, Peter L Freddolino, David J