最近我开发了一种新方法。新方法与CUDA（20到40FPS）完美配合，我已经成功测试了它。当我尝试与旧方法进行比较时，问题出现了。旧方法是在CPU上实现的。首先执行LU分解 A = LU ，然后向前运行+返回步骤以解决（ LU ） x = b'/ strong>即可。旧方法的优点是 A 不会改变，因此LU分解只能进行一次，而开销只是前向+后向求解。 A 稀疏和对称肯定。 （我认为这在很多问题上都是相当普遍的做法，例如固定域中的流体模拟。）
为了使我的比较公平，我想在GPU上实现旧方法。但是我没有在cuSolver或cuSparse中找到任何稀疏的LU分解。我应该通过其他一些图书馆来计算吗？我应该用cusolverRfSolve（）来解决？如果是这样，为什么 L 和 U 没有输入，但 P 和 Q 输入到此功能？有没有类似于我想做的工作示例？
即使旧方法在GPU上运行较慢，我也很乐意看到它，这使我的新方法非常有用。
答案 0 :(得分：1)
从文档中看，cusolverRfSolve的预期用途需要以下调用：
cusolverRfCreate cusolverRfSetup[Host/Device]＆lt; - 这需要输入矩阵L，U，P和Q cusolverRfAnalyze cusolverRfRefactor 然后您只需拨打cusolverRfSolve（再次使用P和Q）。之前的调用分析了给定的矩阵并确定了并行策略。
考虑到cuSOLVER文档中的示例，看起来他们故意将LU分解外包，因此您需要为库提供分解矩阵。
我目前正致力于将python（scipy.sparse.linalg.splu）中的scipy与cuSOLVER接口，以便提供LU分解Pr * A * Pc = L * U。 cuSOLVER需要P = Pr.T和Q = Pc.T。您可以使用cusolverRfSetupHost函数让cuSOLVER处理GPU内存分配和传输。
或者，可以在C ++中使用suitesparse（http://faculty.cse.tamu.edu/davis/suitesparse.html）。