# 实验数据整理与简要分析

## 实验一：CPU、CUDA Kernel1、CUDA Kernel2性能对比

### 数据表格

#### 表1：执行时间对比（单位：毫秒）

| 矩阵规模 | CPU(8线程) | CPU(64线程) | CPU(256线程) | CUDA Kernel1 | CUDA Kernel2 |
|---------|-----------|------------|-------------|--------------|--------------|
| 512×512  | 747.48    | 743.61     | 748.65      | 0.316        | 0.827        |
| 1024×1024| 6033.21   | 6049.32    | 6051.76     | 2.374        | 6.484        |
| 2048×2048| 51065.61  | 50995.41   | 51083.36    | 19.190       | 53.599       |
| 4096×4096| -         | -          | -           | 152.897      | 433.242      |

#### 表2：性能对比（GFLOPS）

| 矩阵规模 | CPU(8线程) | CUDA Kernel1 | CUDA Kernel2 | Kernel1加速比 | Kernel2加速比 |
|---------|-----------|--------------|--------------|-------------|-------------|
| 512×512  | 0.36      | 849.49       | 324.65       | 2365倍      | 904倍       |
| 1024×1024| 0.36      | 904.75       | 331.22       | 2541倍      | 930倍       |
| 2048×2048| 0.34      | 895.23       | 320.52       | 2661倍      | 953倍       |

### 简要分析

**CPU性能特点：**
- 小矩阵(256×256)时，增加线程数有1.28倍加速比
- 中大矩阵(512×512以上)时，增加线程数无效果
- CPU性能瓶颈在0.34-0.44 GFLOPS，受内存带宽限制

**CUDA Kernel1性能特点：**
- 性能稳定在850-905 GFLOPS
- 相比CPU实现2000-2700倍加速
- 优势：简单高效，内存访问模式良好
- 劣势：无数据重用，全局内存访问频繁

**CUDA Kernel2性能特点：**
- 性能稳定在317-331 GFLOPS
- 相比Kernel1性能下降2.7-2.8倍
- 原因：TILE_WIDTH=4太小，共享内存开销大于收益
- 教训：优化不当可能适得其反

**核心结论：**
- GPU相比CPU有2000-2700倍性能优势
- 简单的Kernel1优于设计不当的Kernel2
- 优化需要考虑硬件特性，盲目优化可能降低性能

---

## 实验二：BLOCK_SIZE对CUDA程序性能的影响

### 数据表格

#### 表3：不同BLOCK_SIZE下的执行时间（毫秒）

| 矩阵规模 | 4×4 | 8×8 | 16×16 | 32×32 |
|---------|-----|-----|-------|-------|
| 256×256 | 0.116 | 0.040 | 0.029 | 0.026 |
| 512×512 | 0.831 | 0.265 | 0.189 | 0.178 |
| 1024×1024 | 6.539 | 2.022 | 1.397 | 1.364 |
| 2048×2048 | 54.023 | 16.080 | 11.454 | 11.019 |

#### 表4：不同BLOCK_SIZE下的性能（GFLOPS）

| 矩阵规模 | 4×4 | 8×8 | 16×16 | 32×32 | 最大加速比 |
|---------|-----|-----|-------|-------|-----------|
| 256×256 | 289.26 | 838.19 | 1170.29 | 1292.94 | 4.47倍 |
| 512×512 | 323.04 | 1014.10 | 1423.49 | 1506.57 | 4.67倍 |
| 1024×1024 | 328.40 | 1061.88 | 1536.94 | 1574.44 | 4.79倍 |
| 2048×2048 | 318.01 | 1068.38 | 1499.84 | 1559.16 | 4.90倍 |

### 简要分析

**BLOCK_SIZE对性能的影响规律：**
1. 4×4 → 8×8：性能提升约3倍（289→838 GFLOPS）
2. 8×8 → 16×16：性能提升约1.5倍（838→1423 GFLOPS）
3. 16×16 → 32×32：性能提升约1.05倍（1423→1574 GFLOPS）

**性能提升的原因：**
1. **共享内存利用率提升**：更大的tile意味着更多的数据重用，减少全局内存访问
2. **线程级并行提升**：更大的block包含更多线程，更好地隐藏内存延迟
3. **计算与内存访问平衡**：大tile使得计算时间与内存访问时间更平衡

**性能饱和现象：**
- 从16×16到32×32，性能提升幅度减小
- 原因：共享内存容量限制、寄存器压力增加、线程块调度效率下降

**最优BLOCK_SIZE选择：**
- 对于当前GPU架构，32×32是最优选择
- 性能达到1506-1574 GFLOPS
- 相比4×4提升4.5-4.9倍

**与Kernel1对比：**
- Kernel1（无共享内存）：~900 GFLOPS
- Kernel2（32×32共享内存）：~1574 GFLOPS
- 正确的共享内存优化可以带来约1.7倍性能提升

---

## 总体结论

1. **GPU的绝对优势**：即使最简单的GPU实现也比CPU快2000-2700倍
2. **优化需谨慎**：设计不当的"优化"（如4×4 tile）反而会降低性能
3. **Tile size是关键**：从4×4到32×32，性能相差近5倍
4. **系统化调优**：需要根据硬件特性选择合适的优化策略

## 图表说明

实验已生成以下图表：
- `experiment1_analysis.png`：CPU、Kernel1、Kernel2性能对比（4个子图）
- `experiment2_analysis.png`：不同BLOCK_SIZE对性能的影响（4个子图）

原始数据保存在：
- `matrixmul_comparison.txt`：实验一原始数据
- `blocksize_analysis.txt`：实验二原始数据