Question

我正在学习Udacity＆＃39; course关于并行编程的CUDA。在测验中，他们有一个排序预先排序的变量（玩家的身高）的问题。因为它是输入和输出数组之间的一对一对应，它不应该是Map通信模式而不是Scatter吗？ enter image description here

Answer 1

CUDA没有对这些术语进行规范定义，我知道。因此，我的答案仅仅是对它如何被解释或被解释的建议。

＆＃34;因为，它是输入和输出数组之间的一对一关系＆＃34;

该语句似乎不受图表支持，该图表显示输出数组中的间隙，这些间隙没有与之关联的相应输入点。

如果将较小的一组值分配到一个较大的数组中（因此在输出数组中产生间隙，因此没有输入值对应于间隙位置），那么散射可能用于描述该操作。散点图和贴图都有描述输入值所在位置的映射，但可能是指导者已经定义了散射和贴图，以便区分这两种情况，例如以下似是而非的定义：

分散：从输入到输出的一对一关系（即单向关系）。每个输入位置都有一个相应的输出位置，但并非每个输出位置都有相应的输入位置。

映射：输入和输出之间的一对一关系（即双向关系）。每个输入位置都有一个相应的输出位置，和每个输出位置都有一个相应的输入位置。

收集：从输出到输入的一对一关系（即单向关系）。每个输出位置都有一个相应的输入位置，但并非每个输入位置都有相应的输出位置。

Answer 2

每种通信模式的定义（地图，分散，聚集等）从一种语言/环境/上下文到另一种语言/环境/上下文略有不同，但由于我遵循相同的Udacity课程，我将尝试将该术语解释为我在课程的背景下理解它：

Map操作计算每个输出元素作为其对应的输入元素的函数，即：

output[tid] = foo(input[tid]);

Gather模式将每个输出元素计算为一个或多个（通常更多）输入元素的函数，不一定是相应的输入元素（通常这些是来自邻域的元素）。例如：

output[tid] = (input[tid-1] + input[tid+1]) / 2;

最后，Scatter操作使每个输入元素贡献一个或多个（通常更多）输出元素。例如，

atomicAdd( &(output[tid-1]), input[tid]);
atomicAdd( &(output[tid]),   input[tid]);
atomicAdd( &(output[tid+1]), input[tid]);

问题中给出的示例显然是不一个地图，因为每个输出都是根据不同位置的输入计算的。

此外，很难看出同一个例子如何成为分散符，因为每个输入元素只会导致一次写入输出，但它确实是一个分散，因为每个输入都会导致写入输出的位置被确定通过输入。

换句话说，每个CUDA线程处理与其tid（线程ID号）相关联的位置处的输入元素，并计算写入结果的位置。更常见的是，分散会写在几个地方而不是一个地方，所以这是一个特殊的情况，可能也有不同的名称。

Answer 3

每位玩家有3个属性（名称，身高，等级）。所以我认为分散是正确的，因为我们应该考虑这三件事来做出输出。

如果玩家只有一个像排名这样的属性，那么地图是正确的我认为。