CUDA素数发生器的低性能

我正在写CUDA的第一个程序.它是素数发生器.它可以工作,但它比同等的单线程C代码快50％. CPU版本使用100％的一个核心. GPU版本仅使用20％的GPU. CPU是i5(2310). GPU是GF104.

如何提高此算法的性能？

我的完整程序如下.

int* d_C;

using namespace std;

__global__ void primo(int* C, int N, int multi)
{
  int i = blockIdx.x*blockDim.x + threadIdx.x;
  if (i < N) 
  {
    if(i%2==0||i%3==0||i%5==0||i%7==0)
    {
      C[i]=0;           
    }
    else
    {
      C[i]=i+N*multi;
    }
  }
}

int main()
{
  cout<<"Prime numbers \n";
  int N=1000;
  int h_C[1000];
  size_t size=N* sizeof(int);
  cudaMalloc((void**)&d_C, size);

  int threadsPerBlock = 1024;
  int blocksPerGrid = (N + threadsPerBlock - 1) / threadsPerBlock;
  vector<int> lista(100000000);
  int c_z=0;

  for(int i=0;i<100000;i++)
  {
    primo<<<blocksPerGrid, threadsPerBlock>>>(d_C, N,i);    
    cudaMemcpy(h_C, d_C, size, cudaMemcpyDeviceToHost);         
    for(int c=0;c<N;c++)
    {   
      if(h_C[c]!=0)
      {
        lista[c+N*i-c_z]=h_C[c];
      }
      else
      {
        c_z++;
      }
    }   
  }
  lista.resize(lista.size()-c_z+1);
  return(0);
}

我尝试在内核中使用2D数组和for循环,但无法获得正确的结果.

欢迎来到Stack Overflow.

以下是一些潜在问题：

> N = 1000太低了.由于你有1024个ThreadPerBlock,你的内核只能运行一个块,这不足以使用GPU.尝试N = 1000000,这样你的内核启动将近1000个块.
>你在GPU上做的工作非常少(每个测试数量的4个模数运算).因此,在CPU上执行这些操作可能比从GPU(通过PCIe总线)复制它们更快.

为了使用GPU来查找素数是值得的,我认为你需要在GPU上实现整个算法,而不仅仅是模数运算.