问题描述
我有一个计算量很大的单线程POSIX + boost C ++程序，我只是在48核cpu上以多个副本启动（这是一种蛮力的A *搜索算法）
是否有任何简便的方法可以重新编译GPU代码并在“更多” GPU内核上运行？
假设我想按原样运行线程，为GPU移植现有的boost C ++代码最简单的方法是什么？
解决方法
是否有任何简便的方法可以重新编译GPU代码并在“更多” GPU内核上运行？
否
假设我想按原样运行线程，为GPU移植现有的boost C ++代码最简单的方法是什么？
没有一个。如评论中所述，C ++ 17包含parallel algorithms，而NVIDIA则发布了C++17 compiler with CUDA support。与采用“ POSIX C ++”代码并将其直接在GPU上运行相比，这还有很长的路要走。我没有类似的GPU编程范例。
,对为什么这不可能（并且可能永远不可能）感兴趣的人是，GPU具有非常特定的计算逻辑，即使程序，该逻辑通常会产生比单线程CPU低得多的性能。以某种方式在多个内核上启动：
-
在多核CPU中，内核尽可能地分开，这样开发人员就不必考虑芯片内部。只有很少的因素会影响线程性能的扩展：例如内存带宽和（在某些情况下）同时的多线程效果。
-
在GPU中，内核是“有目的的”紧密连接：例如，如果分支在不同的线程中以不同的方式发生，那么最终将执行完整的一组内核（在某些情况下多达一百个）顺序编码，放弃所有并行化的好处。此外，由于这些内核通常“速度较慢”，因此它们的主要好处在于“向量化”操作，要求开发人员“考虑向量”而不是“数据结构”以取得标称性能。
因此，尽管有一些编程工具包“看起来像C”，但它们实际上是隐藏在C语法和类似C的库调用之后的领域特定语言。
要从普通代码到高度并行的GPU代码进行“可用的”翻译，就需要一种算法，该算法可以将代码作为逻辑加载，在数十亿个基态上找到并证明等效逻辑转换的正确性，然后将其转换回基于GPU计算模型的GPU指令。尽管将来可能实现，但这远远超出了现代算法知识和计算能力。研究此类工作的科学包括AI计划，程序综合，自动定理证明，深度学习。