[b]dim3 grid(10,1);
dim3 blk(20,25);
matrix_mul<<<grid,blk>>>(par,d_d,d_block,d_dct_block);
global void matrix_mul(myparameter par,float *d_d,float d_block,float d_dct_block)
{
int y_id=blockIdx.yblockDim.y+threadIdx.y;
int x_id=blockIdx.xblockDim.x+threadIdx.x;
float a;
a=0;
for(int i=0;i<72;i++)
{
for (int j=0;j<25;j++)
{
a+=d_d[y_id25+j]d_block[j14400+x_id+i200];
}
d_dct_block[y_id14400+x_id+i200]=a;
a=0;
}
__syncthreads();
}[/b]
用这个来实现2525的矩阵与2514400的矩阵相乘，不知道有什么问题，希望斑竹能分析一下，谢谢 了
您这个算法貌似还是CPU的矩阵分块模型，并不是CUDA的编程模型。
问题在于：您这个a是局部变量，每个线程各自维护一个。
然而
a+=d_d[y_id25+j]d_block[j14400+x_id+i200];
这个语句，却是涉及到每个线程对a的累加，这是问题的关键。当然，你可以用原子操作实现你现有的想法。
至于矩阵乘法的实现，建议您还是先看下编程手册（论坛里有yyfn风辰大神翻译的5.0中文版），里面对矩阵乘法有非常详尽的阐述。
LZ程序是没问题……我没有认真看清程序，再次思过~
你的算法没什么问题，但是有改进空间。首先就是A可以放在共享内存，这样会减少对全局内存访问次数，提升内核的性能。其次，仅仅从代码上来看，你的线程数比较少，只有5000个，假设你用的是kepler架构设备，一个SMX可以驻留2048个活动线程，如果你的设备较好，比如有3组以上的smx，那么多余的流多处理器就空闲了，而对于kepler来说活动线程数量也是影响其性能的一方面，所以建议增加活动线程数。
非常感谢您的关注，前几天一直忙，没顾得上这个，真心谢谢；
谢谢斑竹，现在才回复您，我这个程序也就是简单的一个实验，后期还得优化；
谢谢斑竹，现在才回复您，我这个程序也就是简单的一个实验，后期还得优化；
现在想起一个问题：我的GPU计算能力为2.1,且只有一个sm，每个sm中有48个sp；
通过查资料：每个sm中的block数量限制为8个，每个block中线程数为1024，每个sm中线程数限制为1536个，那么我这个程序是不是就会出为题了呢，
谢谢斑竹；
您的硬件实现你顶楼所说的计算规模可以说是轻而易举的，请勿怀疑它。
至于您的代码是否有问题，这取决于您的写法，取决于您的调用方法和任务划分。请您在理解问题的基础上考虑您代码的撰写。
祝您好运。