我想减少opencl。
我有一个复数MXN数组，其中每个复数都存储为float2（即val.x和val.y在内存中顺序排列）。我想对原点位于整数索引（x_off，y_off）的子数组进行归约。子数组的尺寸为mXn，并完全封闭在较大的外部数组中（因此，我们无需检查越界条件）。所有维度（M，N，m，n）都不是2的幂。但是，我可以确保所有维度都是8、16或32的某个倍数（或较小的数字会使算法更简单）。 M和N通常在768到4096之间。m和n通常在64到2048之间。
减少是确定范数平方的最大值（即mXn子数组上的val.x * val.x + val.y * val.y的最大值）。重要的是要理解，较大的外部数组包含float2，而减小的值是单个float。
有人能建议一种使用opencl（甚至CUDA）在GPU上计算速度快或至少正确的方法吗？
当前，我将子阵列复制到另一个阵列，然后使用标准归约技术。我想避免复制，因为我有大约200个外部数组，每个外部数组都有大约1000个不同的子数组。
谢谢。