मेरे पास एक समस्या है जहां मुझे सभी सकारात्मक खोजने की जरूरत है (जैसा कि आइगेनवल्यू पॉजिटिव है) एक छोटे (आमतौर पर 60x60 से छोटे) के नोमेनमेट्रिक मैट्रिक्स के ईजिनपेयर हैं। जब एक निश्चित दहलीज से छोटा होता है तो मैं गणना करना बंद कर सकता हूं। मुझे पता है कि आइंवागल असली हैं। एल्गोरिदम पर कोई सुझाव जो मैं सबसे अच्छा प्रदर्शन निचोड़ने की कोशिश कर सकता था? मुझे इनमें से कई हजार decompositions करने हैं, इसलिए गति महत्वपूर्ण है।
पहले ही, आपका बहुत धन्यवाद।
संपादित करें: मुझे साझा मेमोरी में GPU पर ऐसा करने की आवश्यकता है। जरूरी नहीं कि मेट्रिसेस भी एक ही आकार के हों। मुझे इस समय ऐसा करने वाले किसी भी पुस्तकालय के बारे में पता नहीं है। एल्गोरिदम के सुझाव जो समस्या के लिए अच्छी तरह से अनुकूल होंगे, की सराहना की जाएगी।
1
अगर मुझे यह सही लगा, तो आपके पास एक CUDA कर्नेल है जो साझा मेमोरी में हजारों छोटे मैट्रिसेस की गणना करता है, और आप उन्हें ग्लोबल मेमोरी में कॉपी करने के लिए तैयार नहीं हैं। जवाब देने की कोशिश करने से पहले, स्पष्ट करने के लिए कुछ बिंदु हैं। CUDA में साझा की गई मेमोरी लाइफटाइम लाइफटाइम ब्लॉक करने के लिए बाध्य है: प्रत्येक मैट्रिक्स के लिए आपके पास कितने थ्रेड्स विघटित करने के लिए हैं? क्या चरम प्रदर्शन वास्तव में महत्वपूर्ण है? (उम्मीद है कि eigenvalue निष्कर्षण समय मैट्रिक्स पीढ़ी के समय की तुलना कैसे करेगा?) आप किस तर्क के आधार पर जानते हैं कि eigensystem वास्तविक है? क्या ईजेनसिस्टम ख़राब हो सकता है?
—
स्टेफानो एम
हेलो स्टेनो और आपकी टिप्पणी के लिए धन्यवाद। अभी के लिए, मेरे पास ताना के आकार के सबसे पास के कई आयाम होंगे, जिस मैट्रिक्स को मैं विघटित करना चाहता हूं। मैट्रिक्स पीढ़ी का समय बहुत भिन्न होता है, और ऐसे मामले होते हैं जहां मैट्रिक्स पीढ़ी का समय अधिक महंगा होता है, लेकिन कई परिस्थितियां ऐसी हैं जहां मैट्रिक्स पीढ़ी का समय अपघटन से कम है। मुझे पता है कि मैट्रिक्स उत्पन्न होने के तरीके के कारण आइजनवेल्स वास्तविक हैं। मैं यहाँ विवरण में नहीं जाना चाहता, क्योंकि यह मूल प्रश्न से अलग होगा। अंत में, हाँ, सिस्टम ख़राब हो सकता है।
—
कांटोकू