可分离滤波器设计高斯滤波 CUDA程序优化， 实验记录

环境：RTX2060 ，1920X1080p ，循环10次， kernal_size=8

一 、测试前128个线程拷贝到dst数据的性能  ，只测试行卷积， block=(128+2r)X1
　　1. 使用中间128个线程拷贝       ： (36.37+37.11+36.32)/3 = 36.6 GB
　　2. 改为前128个线程拷贝出数据： (38.89+39.53+39.74)/3 = 39.39GB

　　实验结果：使用前128个线程拷贝会快10.7%

二 、 测试const 变量对性能的影响 ，只测试行卷积 block =(128+2r)X1

　　1. radius 为局部变量（函数传入） 40.1 GB

　　2. radius 为__constant__ 变量  ， 40.2GB

　　实验结果 __constant__  和 局部变量 的性能实际上差不多

三、 测试block 线程数对性能的影响， 只测试行卷积

　　1. block = (64+2r)X1             37.10GB

　　2. block = (128+2r)X1            40.33GB

　　3. block = (256+2r)X1   　　37.75GB

　　4. block = (512+2r)X1   　　28.31GB

　　5. block = (128)X1　　　　37.3GB

　　6. block=(320+2r)X1　　　34.26GB

　　7. block=320X1　　　　　　39GB

　　8.block=160X1　　　　　　38.57GB

　　9.block=（160+2r)X1          39.04GB

　　10 block=(640+2r)X1                  30.34GB

　　11 block=640X1　　　　　27.96GB

　　实验结果 ： block并不是越大越好， 选择 block = (128+2r)X1  可能好一点吧~

四、列卷积时候， 测试连续copy 和 跳步copy性能，只测试列卷积，行卷积注释掉

　　1. 跳步copy    ：45.11GB

　　2. 行连续copy：36.98GB

　　3 列连续copy：47.31GB

　　下图分别是1,2,3的拷贝过程示意图

　　实验结果： 使用第三种拷贝方式会加速4.9%

　　

五、 使用单列拷贝 ，只测试列卷积

　　1. block=(128+2r)X1  18.89GB

　　实验结果： 使用单列进行计算会很慢

六 、 测试IMUL对性能的影响

　　1. 无IMUL  28.30GB

　　2. IMUL       28.38GB

　　实验结果 IMUL对实验结果无影响

七 、测试float4 对性能的影响，只测试行卷积

　　1. 无float4

　　2. float4

八 、列卷积时候， 测试连续计算 和 跳步计算性能，行卷积没有注释

　　连续计算 23.7GB

　　跳步计算 28.7 GB

　　实验结果： 跳步计算要快一些