1、BLAS(Basic Linear Algebra Subprograms)定義了一組基本的矩陣和向量的操作，包括各種矩陣乘法和矩陣向量乘法，在許多領域有廣泛的應用?，F在的GPU已經發(fā)展為一種多核，多線程，具有杰出的計算能力和很高的存儲器帶寬，可編程的處理器。GPU可以用來加速許多具有數據并行特征的應用。本文在BLAS通用版本基礎上，分析GPU體系結構特點和BLAS函數特征，使用CUDA在GPU上高效實現BLAS庫的一些核心操作。

2、>　　 本文首先介紹了BLAS函數標準，重點介紹了BLAS庫中應用最多的是BLAS2和BLAS3提供的函數，特別是BLAS2中的GEMV和BLAS3中的GeneralMartrix Multiply(GEMM)，即通用矩陣相乘。介紹了GPU體系結構特點以及CUDA，包括CUDA的體系結構和常用的優(yōu)化方法。
　　 然后，使用CUDA在GPU上設計和實現了三級BLAS庫的核心函數GEMM(通用矩陣相乘)。在實現通用矩陣相乘時，需要

3、考慮兩種情況：一種是數據已經拷貝到GPU的顯存中的情況。在Geforce GTX260上，在數據已經拷貝到顯存的前提下，算法峰值是65GFLOPS。而GTX260的雙精度峰值是67.068GFLOPS，因此雙精度的實現效率達到了97％。另一種是數據沒有拷貝到顯存中的情況。在大規(guī)模矩陣乘法的計算中，數據不能夠一次全部的拷貝到顯存中。通過數據調度，本文的算法拷貝數據的時間不超過總時間的10％。
　　 最后，使用CUDA在GPU上設計