最终从我的机子里测试出来是运行了309.483ms。当我们把36行到80换成CPU的计算时只需要了0.004736ms。从而可以看出2046*2046的数据量计算，GPU只是处理单纯的的数组加法，并不能发挥优势。GPU的优势到底在哪里，我们得慢慢找，怎么样的计算，才能让GPU发挥比CPU好。

psp虽然没落，但移动设备方面苹果的产品现在无人能敌。但不管是iPhone、iPad，对视频格式的支持也和之前的移动设备一样，限定特定格式。如果去iTunes下载，费时间还费钱，远不如自己转码方便。但现在有什么好的解决方案？我们来分析一下。

前两部分是有关ILP隐藏计算和访存延迟，从而在GPU低占用率的情况下达到高并行度和吞吐率。下一部分是讨论在共享内存(shared memory)和寄存器(register)之间的权衡，作者从吞吐率的角度上说明使用共享内存达不到最好性能，最好降低占用率从而尽可能多的使用寄存器。

这两天看到Vasily Volkov的ppt，对如何更有效的使用GPU做通用计算提出了增加线程级并行以外的另一种方法---增加指令级并行，受益匪浅。刚好也没找到中文版本，就翻译过来与大家交流下，有错误请指正，所有的实验结果和图片均出自原ppt。请参考《Better Performance at Lower Occupancy》后面两个案例。

Nvidia采用ARM架构的融合处理器计划Project Denver(丹佛工程)实际上已经宣布多时了，但是对于丹佛处理器的详细规格目前还没有获悉，Nvidia方面也是直到今日才给出了丹佛处理器的一些比较具体的信息。

开发GPUMeanShift的过程中，遇到的复杂问题，这就是CPU与GPU之间的非连续内存拷贝，以下是解决方法。按照以前的思路，对于一段连续CPU内存。

几个星期前，微软发布C++ AMP，将C++扩展到GPU计算领域。作为一名C++爱好者和NVIDIA的GPU架构师，我非常高兴听到这一消息。Visual C++是我最喜欢的编程工具之一，它的更新可以与我帮助设计的并行处理器共同工作。我觉得这的确证明了我们这些年在GPU领域付出的辛勤工作没有白费。

本文讲述怎么利用GPU来计算。GPU的计算不像CPU执行，只能一个个运行，而是能对大量的数据并行执行。数量级越大，越能看出并行的魅力。

曾经担任首席科学家的NVIDIA公司院士David Kirk近日在接受媒体采访时称，基于ARM处理器架构、融合GPU图形核心的SoC芯片终将统治整个PC。

聚类分析的目的是将若干特征相似的特征模式划分到一个集合,每个集合的特征模式之间按照某种度量来衡量相似程度,使得同一个集合内的数据对象具有...