cuSPARSE库官方文档部分翻译
前言
- 级别1:稀疏格式的向量与密集格式的向量之间的操作
- 级别2:稀疏格式的矩阵与稠密向量之间的操作格式
- 级别3:稀疏格式的矩阵和一组密集格式的矢量(通常也可以看作密集的高矩阵)之间的运算
- 转换:允许在不同格式之间进行转换的运算矩阵格式,以及
csr
矩阵的压缩。
cuSPARSE
库函数可用于数据类型float
,double
,cuComplex
和cuDoubleComplex
。sparse
的1级,2级和3级函数遵循以下命名约定:
cusparse<t>[<matrix data format>]<operation>[<output matrix data format>]
其中 < t > 可以是S,D,C,Z或X,分别对应于数据类型float
,double
,cuComplex
,cuDoubleComplex
和泛型类型。
< matrix data format > 可以是dense
,coo
,csr
或csc
,分别对应于稠密,坐标格式,压缩稀疏行和压缩稀疏列格式
最后,< operation >可以是axpyi
,gthr
,gthrz
,roti
或sctr
,对应于1级功能。它也可以是对应于2级功能的mv
或sv
,以及对应于3级功能的mm
或sm
。
所有函数的返回类型均为cusparseStatus_t
,并在随后的各章中详细介绍。
cuSparse
管理函数
1. cusparseCreate()
cusparseStatus_t
cusparseCreate(cusparseHandle_t *handle)
这个函数初始化cuSPARSE
库并在cuSPARSE
上下文中创建一个句柄。必须在调用任何其他cuSPARSE API
函数之前调用它。它分配访问GPU所需的硬件资源。
2.cusparseDestroy()
cusparseStatus_t
cusparseDestroy(cusparseHandle_t handle)
这个函数释放cuSPARSE
库使用的cpu
端资源。gpu
端资源的释放可能会推迟到应用程序关闭时。
3. cusparseGetErrorString()
const char*
cusparseGetErrorString(cusparseStatus_t status)
函数返回错误代码枚举名的字符串表示形式。如果无法识别错误代码,则返回“无法识别的错误代码”。
4.cusparseGetProperty()
cusparseStatus_t
cusparseGetProperty(libraryPropertyType type,int* value)
该函数返回所请求属性的值。
libraryPropertyType
(定义在library_types.h
):
值 | 含义 |
---|---|
MAJOR_VERSION | 枚举器查询最大版本 |
MINOR_VERSION | 枚举器查询最小版本 |
PATCH_LEVEL | 识别补丁级别编号 |
5.cusparseGetVersion()
cusparseStatus_t
cusparseGetVersion(cusparseHandle_t handle,int* version)
获得库的版本号
6.cusparseGetPointerMode()
cusparseStatus_t
cusparseGetPointerMode(cusparseHandlet handle,cusparsePointerMode_t *mode)
这个函数获得cuSPARSE
库使用的指针模式。请参阅cusparsePointerMode_t
类型部分了解更多细节。
此类型指示标量值是在主机上还是在设备上通过引用传递。需要指出的重要一点是,如果在函数调用中通过引用传递了几个标量值,那么所有这些值都将遵循相同的单指针模式。指针模式可以分别使用cusparseSetPointerMode()
和cusparseGetPointerMode()
例程设置和检索。
值 | 含义 |
---|---|
CUSPARSE_POINTER_MODE_HOST | 标量在主机上通过引用传递 |
CUSPARSE_POINTER_MODE_DEVICE | 标量在设备上通过引用传递 |
7.cusparseSetPointerMode()
cusparseStatus_t
cusparseSetPointerMode(cusparseHandle_t handle,cusparsePointerMode_t mode)
这个函数设置cuSPARSE
库使用的指针模式。默认值是通过主机上的引用传递的。默认值是通过主机上的引用传递的。
8.cusparseGetStream()
cusparseStatus_t
cusparseGetStream(cusparseHandle_t handle, cudaStream_t *streamId)
这个函数获取cuSPARSE
库流,用于执行对cuSPARSE
库函数的所有调用。如果cuSPARSE
库流没有设置,那么所有内核都使用默认的空流。
9. cusparseSetStream()
这个函数设置cuSPARSE
库用来执行其例程的流。
cuSparse
帮助函数
1.cusparseCreate/DestroyColorInfo()
cusparseStatus_t cusparseCreate/DestroyColorInfo(cusparseColorInfo_t* info)
此函数创建/销毁并将cusparseColorInfo_t
结构初始化为默认值。
2. cusparseCreate/DestroyMatDescr()
cusparseStatus_t cusparseCreate/DestroyMatDescr(cusparseMatDescr_t *descrA)
这个函数初始化/销毁矩阵描述符。它将字段MatrixType和IndexBase设置为默认值CUSPARSE_MATRIX_TYPE_GENERAL和CUSPARSE_INDEX_BASE_ZERO,而其他字段未初始化。
3. cusparseSet/GetMatDiagType()
cusparseDiagType_t
cusparseGetMatDiagType(const cusparseMatDescr_t descrA)
这个函数设置/返回矩阵描述符descrA
的DiagType
字段。
cusparseDiagType_t
这种类型表示矩阵对角线项是否为一。对角线元素总是被假定存在,但是如果CUSPARSE_DIAG_TYPE_UNIT
被传递给API例程,那么例程假设所有的对角线元素都是1,并且不会读取或修改这些元素。注意,在这种情况下,例程假设对角线上的条目等于1,而不管这些条目在内存中实际设置为什么。有两种值CUSPARSE_DIAG_TYPE_NON_UNIT
和CUSPARSE_DIAG_TYPE_UNIT
4. cusparseSet/GetMatFillMode()
cusparseFillMode_t
cusparseSet/GetMatFillMode(const cusparseMatDescr_t descrA)
这个函数设置/返回矩阵描述符descrA
的FillMode
字段。
cusparseFillMode_t
该类型表示矩阵的上/下部分是否存储在稀疏存储中。
值 | 含义 |
---|---|
CUSPARSE_FILL_MODE_LOWER | 存储下三角形部分。 |
CUSPARSE_FILL_MODE_UPPER | 存储上三角形部分。 |
5. cusparseSet/GetMatIndexBase()
cusparseIndexBase_t
cusparseSet/GetMatIndexBase(const cusparseMatDescr_t descrA)
这个函数设置/返回矩阵描述符descrA
的IndexBase
字段。
cusparseIndexBase_t
这种类型表示矩阵索引的基底是0还是1。
值 | 含义 |
---|---|
CUSPARSE_INDEX_BASE_ZERO | 基准索引是零。 |
CUSPARSE_INDEX_BASE_ONE | 基准索引是一。 |
6. cusparseSet/GetMatType()
cusparseMatrixType_t
cusparseSet/GetMatType(const cusparseMatDescr_t descrA)
这个函数设置/返回矩阵描述符descrA
的MatrixType
字段。
cusparseMatrixType_t
看cusparseMatrixType_t
值 | 含义 |
---|---|
CUSPARSE_MATRIX_TYPE_GENERAL | 一般矩阵 |
CUSPARSE_MATRIX_TYPE_SYMMETRIC | 对称矩阵 |
CUSPARSE_MATRIX_TYPE_HERMITIAN | 厄米特矩阵 |
CUSPARSE_MATRIX_TYPE_TRIANGULAR | 三角矩阵 |
7. cusparseCreate/DestroyCsrsv2Info()
cusparseStatus_t
cusparseCreate/DestroyCsrsv2Info(csrsv2Info_t *info);
此函数用于创建/销毁csrsv2的求解和分析结构并将其初始化为默认值。csrsv2_solve
和csrsv2_analysis
。
8. cusparseCreate/DestroyCsrsm2Info()
cusparseStatus_t
cusparseCreate/DestroyCsrsm2Info(csrsm2Info_t *info);
此函数用于创建/销毁csrsm2的求解和分析结构并将其初始化为默认值。csrsm2_solve
和csrsm2_analysis
。
9. cusparseCreate/DestroyCsric02Info()
cusparseStatus_t
cusparseCreate/DestroyCsric02Info(csric02Info_t *info);
此函数创建/销毁不完整的Cholesky的求解和分析结构并将其初始化为默认值。csric02_solve
和csric02_analysis
。
10. cusparseCreate/DestroyCsrilu02Info()
cusparseStatus_t
cusparseCreate/DestroyCsrilu02Info(csrilu02Info_t *info);
此函数创建/销毁不完整LU的求解和分析结构并将其初始化为默认值。
11. cusparseCreate/DestroyBsrsv2Info()
cusparseStatus_t
cusparseCreate/DestroyBsrsv2Info(bsrsv2Info_t *info);
此函数创建/销毁bsrsv2的求解和分析结构并将其初始化为默认值。
12. cusparseCreate/DestroyBsrsm2Info()
cusparseStatus_t
cusparseCreate/DestroyBsrsm2Info(bsrsm2Info_t *info);
此函数创建/销毁bsrsm2的求解和分析结构并将其初始化为默认值。
13. cusparseCreate/DestroyBsric02Info()
cusparseStatus_t
cusparseCreate/DestroyBsric02Info(bsric02Info_t *info);
此函数创建/销毁块不完整的Cholesky的求解和分析结构并将其初始化为默认值。
14. cusparseCreate/DestroyBsrilu02Info()
cusparseStatus_t
cusparseCreate/DestroyBsrilu02Info(bsrilu02Info_t *info);
此函数创建/销毁块不完整LU的求解和分析结构并初始化为默认值。
15. cusparseCreate/DestroyCsrgemm2Info()
cusparseStatus_t
cusparseCreate/DestroyCsrgemm2Info(csrgemm2Info_t *info);
此函数创建/销毁通用稀疏矩阵-矩阵乘法的分析结构并初始化。
16. cusparseCreate/DestroyPruneInfo()
cusparseStatus_t
cusparseCreate/DestroyPruneInfo(pruneInfo_t *info);
此函数创建/销毁修剪结构并初始化为默认值。
cuSparse
库三级功能参考
本章介绍在稀疏和(通常是较高的)稠密矩阵之间执行运算的稀疏线性代数函数。
特别是,具有多个右侧值的稀疏三角线性系统的解决方案分两个阶段实现。首先,在分析阶段,通过调用适当的csrsm2_analysis()
函数,分析稀疏三角矩阵以确定其元素之间的依赖性。该分析特定于给定矩阵的稀疏模式和所选的cusparseOperation_t
类型。来自分析阶段的信息存储在csrsm2Info_t
类型的参数中,该参数已通过调用cusparseCreateCsrsm2Info()
进行了初始化。
其次,在求解阶段,使用存储的信息来求解给定的稀疏三角线性系统通过调用适当的csrsm2_solve()
函数在csrsm2Info_t
参数中输入。求解阶段可以使用不同的多个右侧值进行多次,而分析阶段只需执行一次。当必须同时针对一组多个右侧值的不同集合求解稀疏三角形线性系统时,这特别有用,而其系数矩阵保持不变。
最后,一旦所有求解都完成,可以通过调用cusparseDestroyCsrsm2Info()
释放由csrsm2Info_t
参数指向的不透明数据结构。
cusparse<t>bsrmm()
cusparseStatus_t
cusparseSbsrmm(cusparseHandle_t handle,cusparseDirection_t dirA,cusparseOperation_t transA,cusparseOperation_t transB,int mb,int n,int kb,int nnzb,const <t>* alpha,const cusparseMatDescr_t descrA,const <t>* bsrValA,const int* bsrRowPtrA,const int* bsrColIndA,int blockDim,const <t>* B,int ldb,const <t>* beta,<t>* C,int ldc)
<t>
表示当前数据类型,可以是S
,D
,C
,Z
或X
,分别对应于数据类型float
,double
,cuComplex
,cuDoubleComplex
和泛型类型。
此函数执行以下矩阵操作之一:
C = α ∗ op ( A ) ∗ op ( B ) + β ∗ C
A是** mb×kb
的稀疏矩阵,由BsrValA
,bsrRowPtrA
和bsrColIndA
三个数组以BSR存储格式定义; B和C**是密集矩阵; α、β是标量;
o p ( A ) = { A i f t r a n s A = = C U S P A R S E O P E R A T I O N N O N T R A N S P O S E A T i f t r a n s A = = C U S P A R S E O P E R A T I O N T R A N S P O S E ( n o t s u p p o r t e d ) A H i f t r a n s A = = C U S P A R S E O P E R A T I O N C O N J U G A T E T R A N S P O S E ( n o t s u p p o r t e d ) op(A)=\left\{ \begin{array}{rcl} A & {if transA == CUSPARSE_OPERATION_NON_TRANSPOSE}\\ A^T & {if transA == CUSPARSE_OPERATION_TRANSPOSE(not supported)}\\ A^H & {if transA == CUSPARSE_OPERATION_CONJUGATE_TRANSPOSE (not supported)} \end{array} \right. op(A)=⎩⎨⎧AATAHiftransA==CUSPARSEOPERATIONNONTRANSPOSEiftransA==CUSPARSEOPERATIONTRANSPOSE(notsupported)iftransA==CUSPARSEOPERATIONCONJUGATETRANSPOSE(notsupported)
和
o p ( A ) = { B i f t r a n s B = = C U S P A R S E O P E R A T I O N N O N T R A N S P O S E B T i f t r a n s B = = C U S P A R S E O P E R A T I O N T R A N S P O S E B H i f t r a n s B = = C U S P A R S E O P E R A T I O N C O N J U G A T E T R A N S P O S E ( n o t s u p p o r t e d ) op(A)=\left\{ \begin{array}{rcl} B & {if transB == CUSPARSE_OPERATION_NON_TRANSPOSE}\\ B^T & {if transB == CUSPARSE_OPERATION_TRANSPOSE}\\ B^H & {if transB == CUSPARSE_OPERATION_CONJUGATE_TRANSPOSE (not supported)} \end{array} \right. op(A)=⎩⎨⎧BBTBHiftransB==CUSPARSEOPERATIONNONTRANSPOSEiftransB==CUSPARSEOPERATIONTRANSPOSEiftransB==CUSPARSEOPERATIONCONJUGATETRANSPOSE(notsupported)
该函数具有以下限制:
- 仅支持
CUSPARSE_MATRIX_TYPE_GENERAL
矩阵类型 - 仅支持
blockDim > 1
Transpose(B)
的动机是为了改善矩阵B的内存访问。A*transpose(B)
(B
以列为主的形式存储)计算模式等价于A*B
(B
以行为主形式存储)
实际上,在迭代求解器或特征值求解器中没有任何操作使用A * transpose(B)
。但是,我们可以执行与A * B
相同的A*transpose(transpose(B))
。例如,假设A为mb * kb
,B为k * n
,C为m * n
,以下代码显示cusparseDbsrmm()
的用法。
// A is mb*kb, B is k*n and C is m*nconst int m = mb*blockSize;const int k = kb*blockSize;const int ldb_B = k; // leading dimension of Bconst int ldc = m; // leading dimension of C
// perform C:=alpha*A*B + beta*CcusparseSetMatType(descrA, CUSPARSE_MATRIX_TYPE_GENERAL );cusparseDbsrmm(cusparse_handle,CUSPARSE_DIRECTION_COLUMN,CUSPARSE_OPERATION_NON_TRANSPOSE,CUSPARSE_OPERATION_NON_TRANSPOSE,mb, n, kb, nnzb, alpha,descrA, bsrValA, bsrRowPtrA, bsrColIndA, blockSize,B, ldb_B,beta, C, ldc);
我们的建议不是使用A * B
,而是通过首先调用cublas<t>geam()
,然后执行A * transpose(Bt)
,将B转置为Bt。
// step 1: Bt := transpose(B)const int m = mb*blockSize;const int k = kb*blockSize;double *Bt;const int ldb_Bt = n; // leading dimension of BtcudaMalloc((void**)&Bt, sizeof(double)*ldb_Bt*k);double one = 1.0;double zero = 0.0;cublasSetPointerMode(cublas_handle, CUBLAS_POINTER_MODE_HOST);cublasDgeam(cublas_handle, CUBLAS_OP_T, CUBLAS_OP_T,n, k, &one, B, int ldb_B, &zero, B, int ldb_B, Bt, ldb_Bt);// step 2: perform C:=alpha*A*transpose(Bt) + beta*CcusparseDbsrmm(cusparse_handle,CUSPARSE_DIRECTION_COLUMN,CUSPARSE_OPERATION_NON_TRANSPOSE,CUSPARSE_OPERATION_TRANSPOSE,mb, n, kb, nnzb, alpha,descrA, bsrValA, bsrRowPtrA, bsrColIndA, blockSize,Bt, ldb_Bt,beta, C, ldc);
bsrmm()
具有以下属性:
- 例程不需要额外的存储空间
- 例程支持异步执行
- 例程支持CUDA图形捕获
输入
参数 | 含义 |
---|---|
handle
|
处理cuSPARSE 库上下文的句柄
|
dir
|
块的存储格式,CUSPARSE_DIRECTION_ROW 或CUSPARSE_DIRECTION_COLUMN
|
transA
|
操作op(A) |
transB
|
操作op(B) |
mb
|
稀疏矩阵A的块行数 |
n
|
密集矩阵op(B)和A的列数 |
kb
|
稀疏矩阵A的块列数。 |
nnzb
|
稀疏矩阵A的非零块数。 |
alpha
|
用于乘法的标量 |
descrA
|
矩阵A的描述符。支持的矩阵类型为CUSPARSE_MATRIX_TYPE_GENERAL 。另外,支持的索引库为CUSPARSE_INDEX_BASE_ZERO 和CUSPARSE_INDEX_BASE_ONE 。
|
bsrValA
|
矩阵A的nnzb(=bsrRowPtrA(mb) - bsrRowPtrA(0)) 非零块的数组。
|
bsrRowPtrA
|
mb + 1 个元素的整数数组,包含每个块行的开头和最后一个块行的结尾加1。
|
bsrColIndA
|
矩阵A的非零块的nnzb(=bsrRowPtrA(mb) - bsrRowPtrA(0)) 列索引的整数数组。
|
blockDim
|
稀疏矩阵A的块的维数,大于0 |
B
|
如果op(B)= B ,则为尺寸数组(ldb,n) ,否则为(ldb,k) 。
|
ldb
|
如果op(B)= B ,则必须至少为max(1,n) 。如果op(B)!= B ,则必须至少为max(1,n) 。
|
beta
|
标量用于乘法。如果beta 为零,则C不必是有效输入。
|
C
|
数组(ldc, n)
|
ldc
|
C的前导尺寸。如果op(A)= A ,则必须至少为max(1,m) ,否则为至少max(1,k) 。
|
输出
值 | 含义 |
---|---|
C |
更新了的数组(ldc,n) 。
|
cusparse<t>bsrsm2_bufferSize()
cusparseStatus_t
cusparse<t>bsrsm2_bufferSize(cusparseHandle_t handle,cusparseDirection_t dirA,cusparseOperation_t transA,cusparseOperation_t transX,int mb,int n,int nnzb,const cusparseMatDescr_t descrA,<t>* bsrSortedValA,const int* bsrSortedRowPtrA,const int* bsrSortedColIndA,int blockDim,bsrsm2Info_t info,int* pBufferSizeInBytes)
此函数返回bsrsm2()
中使用的缓冲区大小,这是一个新的稀疏三角线性系统op(A)* op(X)= op(B)
。
A是一个(mb * blockDim)x(mb * blockDim)
稀疏矩阵,由三个数组bsrValA
,bsrRowPtrA
和bsrColIndA
以BSR存储格式定义; B和X是右侧和解矩阵;α是标量;
o p ( A ) = { A i f t r a n s A = = C U S P A R S E O P E R A T I O N N O N T R A N S P O S E A T i f t r a n s A = = C U S P A R S E O P E R A T I O N T R A N S P O S E A H i f t r a n s A = = C U S P A R S E O P E R A T I O N C O N J U G A T E T R A N S P O S E op(A)=\left\{ \begin{array}{rcl} A& {if transA == CUSPARSE_OPERATION_NON_TRANSPOSE}\\ A^T& {if transA == CUSPARSE_OPERATION_TRANSPOSE}\\ A^H& {if transA == CUSPARSE_OPERATION_CONJUGATE_TRANSPOSE} \end{array} \right. op(A)=⎩⎨⎧AATAHiftransA==CUSPARSEOPERATIONNONTRANSPOSEiftransA==CUSPARSEOPERATIONTRANSPOSEiftransA==CUSPARSEOPERATIONCONJUGATETRANSPOSE
尽管就参数trans
和A的上三角部分(和下三角部分)而言,存在六个组合,但是bsrsm2_bufferSize()
返回这些组合中缓冲区的最大大小。缓冲区大小取决于大小mb
,blockDim
和矩阵的非零数nnzb
。如果用户更改矩阵,则必须再次调用bsrsm2_bufferSize()
以获得正确的缓冲区大小,否则可能会发生分段错误。
- 例程不需要额外的存储空间
- 例程支持异步执行
- 例程支持CUDA图形捕获
输入
参数 | 含义 |
---|---|
handle
|
处理cuSPARSE 库上下文的句柄
|
dir
|
块的存储格式,CUSPARSE_DIRECTION_ROW 或CUSPARSE_DIRECTION_COLUMN
|
transA
|
操作op(A) |
transB
|
操作op(B) |
mb
|
矩阵A的块行数 |
n
|
矩阵op(B)和op(X)的列数 |
nnzb
|
稀疏矩阵A的非零块数。 |
descrA
|
矩阵A的描述符。支持的矩阵类型为CUSPARSE_MATRIX_TYPE_GENERAL 。支持的对角线类型为CUSPARSE_DIAG_TYPE_UNIT 和CUSPARSE_DIAG_TYPE_NON_UNIT 。
|
bsrValA
|
矩阵A的nnzb(=bsrRowPtrA(mb) - bsrRowPtrA(0)) 非零块的数组。
|
bsrRowPtrA
|
mb + 1 个元素的整数数组,包含每个块行的开头和最后一个块行的结尾加1。
|
bsrColIndA
|
矩阵A的非零块的nnzb(=bsrRowPtrA(mb) - bsrRowPtrA(0)) 列索引的整数数组。
|
blockDim
|
稀疏矩阵A的块的维数,大于0 |
cusparse<t>bsrsm2_analysis()
cusparseStatus_t
cusparse<t>bsrsm2_analysis(cusparseHandle_t handle,cusparseDirection_t dirA,cusparseOperation_t transA,cusparseOperation_t transX,int mb,int n,int nnzb,const cusparseMatDescr_t descrA,const <t>* bsrSortedVal,const int* bsrSortedRowPtr,const int* bsrSortedColInd,int blockDim,bsrsm2Info_t info,cusparseSolvePolicy_t policy,void* pBuffer)
此函数执行bsrsm2()
的分析阶段,这是一个新的稀疏三角线性系统op(A)* op(X)= αop(B)
。
A是一个(mb * blockDim)x(mb * blockDim)
稀疏矩阵,由三个数组bsrValA
,bsrRowPtrA
和bsrColIndA
以BSR存储格式定义; B和X是右侧和解矩阵;α是标量;
o p ( A ) = { A i f t r a n s A = = C U S P A R S E O P E R A T I O N N O N T R A N S P O S E A T i f t r a n s A = = C U S P A R S E O P E R A T I O N T R A N S P O S E A H i f t r a n s A = = C U S P A R S E O P E R A T I O N C O N J U G A T E T R A N S P O S E op(A)=\left\{ \begin{array}{rcl} A& {if transA == CUSPARSE_OPERATION_NON_TRANSPOSE}\\ A^T& {if transA == CUSPARSE_OPERATION_TRANSPOSE}\\ A^H& {if transA == CUSPARSE_OPERATION_CONJUGATE_TRANSPOSE} \end{array} \right. op(A)=⎩⎨⎧AATAHiftransA==CUSPARSEOPERATIONNONTRANSPOSEiftransA==CUSPARSEOPERATIONTRANSPOSEiftransA==CUSPARSEOPERATIONCONJUGATETRANSPOSE
o p ( A ) = { X i f t r a n s X = = C U S P A R S E O P E R A T I O N N O N T R A N S P O S E X T i f t r a n s X = = C U S P A R S E O P E R A T I O N T R A N S P O S E X H i f t r a n s X = = C U S P A R S E O P E R A T I O N C O N J U G A T E T R A N S P O S E op(A)=\left\{ \begin{array}{rcl} X& {if transX == CUSPARSE_OPERATION_NON_TRANSPOSE}\\ X^T& {if transX == CUSPARSE_OPERATION_TRANSPOSE}\\ X^H& {if transX == CUSPARSE_OPERATION_CONJUGATE_TRANSPOSE} \end{array} \right. op(A)=⎩⎨⎧XXTXHiftransX==CUSPARSEOPERATIONNONTRANSPOSEiftransX==CUSPARSEOPERATIONTRANSPOSEiftransX==CUSPARSEOPERATIONCONJUGATETRANSPOSE
且op(B)和op(X)是相同的
BSR格式的块大小为blockDim * blockDim
,存储在由参数dirA
确定的列为主或行为主的,该参数为CUSPARSE_DIRECTION_ROW或CUSPARSE_DIRECTION_COLUMN。矩阵类型必须为CUSPARSE_MATRIX_TYPE_GENERAL,并且填充模式和对角线类型将被忽略。
预期对于给定的矩阵和特定的操作类型,此函数将仅执行一次。
此函数需要bsrsm2_bufferSize()
返回的缓冲区大小。 pBuffer
的地址必须是128个字节的倍数。如果不是,则返回CUSPARSE_STATUS_INVALID_VALUE
。
函数bsrsm2_analysis()
报告结构零,并计算存储在不透明结构info
中的级别信息。级别信息可以在三角形求解器中提取更多的并行度。但是,可以在没有级别信息的情况下完成bsrsm2_solve()
。要禁用级别信息,用户需要将三角求解器的策略指定为CUSPARSE_SOLVE_POLICY_NO_LEVEL
。
函数bsrsm2_analysis()
始终报告第一个结构零,即使参数policy
为CUSPARSE_SOLVE_POLICY_NO_LEVEL
。此外,即使指定了CUSPARSE_DIAG_TYPE_UNIT
,也不会报告结构零,即使对于某些j而言,块A(j,j)
也不存在。用户必须调用cusparseXbsrsm2_query_zero_pivot()
才能知道结构零在哪里。
如果bsrsm2_analysis()
报告结构零,则求解将在与结构零相同的位置返回数字零,但结果X毫无意义。
- 此功能需要在内部分配的临时额外存储空间
- 例程不支持异步执行
- 例程不支持CUDA图形捕获
输入
参数 | 含义 |
---|---|
handle
|
处理cuSPARSE 库上下文的句柄
|
dir
|
块的存储格式,CUSPARSE_DIRECTION_ROW 或CUSPARSE_DIRECTION_COLUMN
|
transA
|
操作op(A) |
transX
|
操作op(B)和op(X) |
mb
|
矩阵A的块行数 |
n
|
矩阵op(B)的列数 |
nnzb
|
稀疏矩阵A的非零块数。 |
descrA
|
矩阵A的描述符。支持的矩阵类型为CUSPARSE_MATRIX_TYPE_GENERAL 。支持的对角线类型为CUSPARSE_DIAG_TYPE_UNIT 和CUSPARSE_DIAG_TYPE_NON_UNIT 。
|
bsrValA
|
矩阵A的nnzb(=bsrRowPtrA(mb) - bsrRowPtrA(0)) 非零块的数组。
|
bsrRowPtrA
|
mb + 1 个元素的整数数组,包含每个块行的开头和最后一个块行的结尾加1。
|
bsrColIndA
|
矩阵A的非零块的nnzb(=bsrRowPtrA(mb) - bsrRowPtrA(0)) 列索引的整数数组。
|
blockDim
|
稀疏矩阵A的块的维数,大于0 |
info
|
使用cusparseCreateBsrsm2Info 初始化的结构
|
policy
|
支持的策略为CUSPARSE_SOLVE_POLICY_NO_LEVEL 和CUSPARSE_SOLVE_POLICY_USE_LEVEL 。
|
pBuffer
|
用户分配的缓冲区;大小由bsrsm2_bufferSize() 返回。
|
输出
值 | 含义 |
---|---|
info
|
填充了在分析阶段收集的结构信息(应原样传递到求解阶段) |
cusparse<t>bsrsm2_solve()
cusparseStatus_t
cusparse<t>bsrsm2_solve(cusparseHandle_t handle,cusparseDirection_t dirA,cusparseOperation_t transA,cusparseOperation_t transX,int mb,int n,int nnzb,const <t>* alpha,const cusparseMatDescr_t descrA,const <t>* bsrSortedVal,const int* bsrSortedRowPtr,const int* bsrSortedColInd,int blockDim,bsrsm2Info_t info,const <t>* B,int ldb,<t>* X,int ldx,cusparseSolvePolicy_t policy,void* pBuffer)
此函数执行稀疏三角线性系统的解的求解阶段:
op(A) * op(X) = α * op(B)
A是一个(mb * blockDim)x(mb * blockDim)
稀疏矩阵,由三个数组bsrValA
,bsrRowPtrA
和bsrColIndA
以BSR存储格式定义; B和X是右侧和解矩阵;α是标量;
o p ( A ) = { A i f t r a n s A = = C U S P A R S E O P E R A T I O N N O N T R A N S P O S E A T i f t r a n s A = = C U S P A R S E O P E R A T I O N T R A N S P O S E A H i f t r a n s A = = C U S P A R S E O P E R A T I O N C O N J U G A T E T R A N S P O S E op(A)=\left\{ \begin{array}{rcl} A& {if transA == CUSPARSE_OPERATION_NON_TRANSPOSE}\\ A^T& {if transA == CUSPARSE_OPERATION_TRANSPOSE}\\ A^H& {if transA == CUSPARSE_OPERATION_CONJUGATE_TRANSPOSE} \end{array} \right. op(A)=⎩⎨⎧AATAHiftransA==CUSPARSEOPERATIONNONTRANSPOSEiftransA==CUSPARSEOPERATIONTRANSPOSEiftransA==CUSPARSEOPERATIONCONJUGATETRANSPOSE
o p ( A ) = { X i f t r a n s X = = C U S P A R S E O P E R A T I O N N O N T R A N S P O S E X T i f t r a n s X = = C U S P A R S E O P E R A T I O N T R A N S P O S E X H n o t s u p p o r t e d op(A)=\left\{ \begin{array}{rcl} X& {if transX == CUSPARSE_OPERATION_NON_TRANSPOSE}\\ X^T& {if transX == CUSPARSE_OPERATION_TRANSPOSE}\\ X^H& {not supported} \end{array} \right. op(A)=⎩⎨⎧XXTXHiftransX==CUSPARSEOPERATIONNONTRANSPOSEiftransX==CUSPARSEOPERATIONTRANSPOSEnotsupported
只有op(A) = A 是支持的
op(B)和op(X)必须以相同的方式执行。换句话说,如果op(B)= B,则op(X)= X。
BSR格式的块大小为blockDim * blockDim
,存储在由参数dirA
确定的列为主或行为主的,该参数为CUSPARSE_DIRECTION_ROW或CUSPARSE_DIRECTION_COLUMN。矩阵类型必须为CUSPARSE_MATRIX_TYPE_GENERAL,并且填充模式和对角线类型将被忽略。函数bsrsm02_solve()
可以支持任意的blockDim
。
预期对于给定的矩阵和特定的操作类型,此函数可以会执行多次。
此函数需要bsrsm2_bufferSize()
返回的缓冲区大小。 pBuffer
的地址必须是128个字节的倍数。如果不是,则返回CUSPARSE_STATUS_INVALID_VALUE
。
尽管bsrsm2_solve()
可以在没有级别信息的情况下完成,但用户仍然需要注意一致性。如果使用策略CUSPARSE_SOLVE_POLICY_USE_LEVEL
调用bsrsm2_analysis()
,则bsrsm2_solve()
可以有或没有级别运行。另一方面,如果使用CUSPARSE_SOLVE_POLICY_NO_LEVEL
调用bsrsm2_analysis()
,则bsrsm2_solve()
只能接受CUSPARSE_SOLVE_POLICY_NO_LEVEL
;否则,将返回CUSPARSE_STATUS_INVALID_VALUE
。
函数bsrsm02_solve()
与bsrsv02_solve()
具有相同的行为,报告了第一个数字零,包括结构零。用户必须调用cusparseXbsrsm2_query_zero_pivot()
才能知道数字零在哪里。
transpose(X)
的动机是改善矩阵X的内存访问。具有矩阵X的列优先顺序的transpose(X)
的计算模式等效于具有矩阵X的行优先顺序的X。
支持原地修改,要求B和X指向同一内存块,并且ldb = ldx
。
如果pBuffer!= NULL
,该函数支持以下属性:
- 例程不需要额外的存储空间
- 例程支持异步执行
- 例程支持CUDA图形捕获
输入
值 | 含义 |
---|---|
handle
|
处理cuSparse 库的上下文句柄
|
dirA
|
块的存储格式,CUSPARSE_DIRECTION_ROW 或CUSPARSE_DIRECTION_COLUMN 。
|
transA
|
操作op(A) |
transX
|
操作op(B)和op(X) |
mb
|
矩阵A的块行数 |
n
|
矩阵op(B)和op(X)的列数 |
nnzb
|
稀疏矩阵A的非零块数。 |
alpha
|
用于乘法的标量 |
descrA
|
矩阵A的描述符。支持的矩阵类型为CUSPARSE_MATRIX_TYPE_GENERAL 。支持的对角线类型为CUSPARSE_DIAG_TYPE_UNIT 和CUSPARSE_DIAG_TYPE_NON_UNIT 。
|
bsrValA
|
矩阵A的nnzb(=bsrRowPtrA(mb) - bsrRowPtrA(0)) 非零块的数组。
|
bsrRowPtrA
|
mb + 1 个元素的整数数组,包含每个块行的开头和最后一个块行的结尾加1。
|
bsrColIndA
|
矩阵A的非零块的nnzb(=bsrRowPtrA(mb) - bsrRowPtrA(0)) 列索引的整数数组。
|
blockDim
|
稀疏矩阵A的块的维数,大于0 |
info
|
cusparse<t>bsrsm2_analysis() 的输出info
|
B
|
右侧数组 |
ldb
|
如果op(B)= B ,则ldb> =(mb * blockDim) ;否则ldb> = n 。
|
ldx
|
如果op(X)= X ,则ldx> =(mb * blockDim) ;否则ldx> = n 。
|
policy
|
支持的策略为CUSPARSE_SOLVE_POLICY_NO_LEVEL 和CUSPARSE_SOLVE_POLICY_USE_LEVEL 。
|
pBuffer
|
用户分配的缓冲区;大小由bsrsm2_bufferSize() 返回。
|
输出
值 | 含义 |
---|---|
X | 结果 |
cusparseXbsrsm2_zeroPivot()
cusparse<t>csrsm2_bufferSizeExt()
cusparse<t>csrsm2_analysis()
cusparse<t>csrsm2_solve()
cusparseXcsrsm2_zeroPivot()
cusparsegemmi() [DEPRECATED]
cuSPARSE库官方文档部分翻译相关推荐
- python pymssql - pymssql模块官方文档的翻译
译者注:译者博客(http://blog.csdn.net/lin_strong),转载请保留这条.此为pymssql模块version2.1.4官方文档的翻译,仅供学习交流使用,请勿用于商业用途. ...
- 【开源项目推荐】Android Jetpack 官方文档 中文翻译
Jetpack 是 Android 软件组件的集合,使您可以更轻松地开发出色的 Android 应用.这些组件可帮助您遵循最佳做法.让您摆脱编写样板代码的工作并简化复杂任务,以便您将精力集中放在所需的 ...
- python的pymssql模块的报错_python pymssql - pymssql模块官方文档的翻译
译者注:译者博客(http://blog.csdn.net/lin_strong),转载请保留这条.此为pymssql模块version2.1.4官方文档的翻译,仅供学习交流使用,请勿用于商业用途. ...
- CUDA10.0官方文档的翻译与学习之编程接口
目录 背景 用nvcc编译 编译工作流 二进制适配性 ptx适配性 应用适配性 C/C++适配性 64位适配性 cuda c运行时 初始化 设备内存 共享内存 页锁主机内存 可移植内存 写合并内存 映 ...
- Pytorch官方文档英语翻译
深度学习Pytorch-Pytorch官方文档英语翻译 1. a-e 1.1 span 跨度 1.2 blended 混合的 1.3 criterion 标准 1.4 deprecated 弃用的 1 ...
- Spring官方文档中文翻译
准备做个Spring官方文档全翻译专栏以下是大目录, 本翻译是基于Spring5 Core Technologies
- ElasticSearch Java High level Rest Client 官方文档中文翻译(一)
ElasticSearch Java High level Rest Client 官方文档中文翻译 一 纯粹记录自己在看官网的es rest high level api 时的翻译笔记,可以对照着官 ...
- AsyncDisplayKit官方文档个人翻译
迁移老文章到掘金 文档比较老了,不适用最新的2.0 AsyncDisplayKit 官方文档 最近在拆解学习AsyncDisplayKit这个很知名的轮子,发现这个轮子内容还是非常庞大的,想要分解学习 ...
- iOS 9官方文档(翻译)
iOS9已经发布一段时间了,我也在最近升级了Xcdoe 7.0正式版,升级后才发现又有了很多奇妙的变化,于是查看官方文档的一些解释,顺便做了一些翻译,和大家分享一下(转载请注明出处). iPad多任务 ...
最新文章
- C++ exception 类继承结构图
- 【Demo 0062】目录及文件基本操作
- 如何在Raspberry Pi上设置两因素身份验证
- bootstrap基础学习【菜单、按钮、导航】(四)
- vector与list的接口介绍与如何使用以及区别,附代码。
- mysql 8.0远程连接_mysql8.0 安装 修改密码 允许远程连接
- 配置springMVC时出现的问题
- steam账号被盗找回概率_如何找回忘记的Steam密码
- 视听说加速器_腾讯加速器台服专享加速线路已开通,多款手游一键即可免费加速!...
- MTG1000中继网关用户手册
- 计算机如何调整对比度,怎么调整电脑显示器亮度和对比度
- 今年的WWDC,真的很难说
- 最短路径算法 | Bellman-Ford Algorithm
- 一对一直播怎么开发?一对一直播app开发关键点
- ProcessOn‘s Bug--完善个人资料无限扩容
- 使用百度地图POI爬取需要的数据
- ios中三种随机数方法
- 普中科技51单片机的ADC采样电位器功能实现以及特点
- ADSL拨号中错误代码解决办法
- Mindoc搭建流程