1. template <int BLOCK_SIZE> __global__ void
2. matrixMulCUDA_4_2w1w(float* C, float* A, float* B, int wA, int wB)
3. {
4.         // Block index
5.         int bx = blockIdx.x;
6.         int by = blockIdx.y;
7.         // Thread index
8.         int tx = threadIdx.x % BLOCK_SIZE;
9.         int ty = threadIdx.y;
10.  
11.         for (int x = 1; x <= 2; x++)
12.         {
13.                 // Index of the first sub-matrix of A processed by the block
14.                 int aBegin = wA * BLOCK_SIZE * by;
15.                 // Index of the last sub-matrix of A processed by the block
16.                 int aEnd = aBegin + wA - 1;
17.                 // Step size used to iterate through the sub-matrices of A
18.                 int aStep = BLOCK_SIZE;
19.                 // Index of the first sub-matrix of B processed by the block
20.                 int bBegin = BLOCK_SIZE * bx;
21.                 // Step size used to iterate through the sub-matrices of B
22.                 int bStep = BLOCK_SIZE * wB;
23.                 // Csub is used to store the element of the block sub-matrix
24.                 // that is computed by the thread
25.                 float Csub = 0;
26.                 // Declaration of the shared memory array Bs used to
27.                 // store the sub-matrix of B
28.                 __shared__ float Bs[BLOCK_SIZE][BLOCK_SIZE];
29.                 __shared__ float BBs[BLOCK_SIZE][BLOCK_SIZE];
30.                 __shared__ float As[BLOCK_SIZE / 2][BLOCK_SIZE];
31.                 __shared__ float AAs[BLOCK_SIZE / 2][BLOCK_SIZE];
32.                 // Initial load of data
33.                 if (x == 1)
34.                 {
35.                         if (ty < BLOCK_SIZE / 2)
36.                         {
37.                                 As[ty][tx] = A[aBegin + wA * ty + tx];
38.                         }
39.                         Bs[ty][tx] = B[bBegin + wB * ty + tx];
40.                 }
41.                 else if (x == 2)
42.                 {
43.                         if (ty >= BLOCK_SIZE / 2)
44.                         {
45.                                 As[ty][tx] = A[aBegin + wA * ty + tx];
46.                         }
47.                 }
48.                 // Loop over all the sub-matrices of A and B
49.                 // required to compute the block sub-matrix
50.                 for (int a = aBegin, b = bBegin;
51.                         a <= aEnd;
52.                         a += aStep, b += bStep)
53.                 {
54.                         // Copy values between matrixes
55.                         if (x == 1 && ty < BLOCK_SIZE / 2)
56.                         {
57.                                 AAs[ty][tx] = As[ty][tx];
58.                         }
59.                         else if (x == 2 && ty >= BLOCK_SIZE / 2)
60.                         {
61.                                 AAs[ty][tx] = As[ty][tx];
62.                         }
63.                         BBs[ty][tx] = Bs[ty][tx];
64.                         // Synchronize to make sure the matrices are loaded
65.                         __syncthreads();
66.                         // Load the matrices from device memory
67.                         // to shared memory; each thread loads
68.                         // one element of each matrix
69.                         if (x == 1)
70.                         {
71.                                 if (ty < BLOCK_SIZE / 2)
72.                                 {
73.                                         As[ty][tx] = A[a + wA * ty + tx];
74.                                 }
75.                                 Bs[ty][tx] = B[b + wB * ty + tx];
76.                         }
77.                         else if (x == 2)
78.                         {
79.                                 if (ty >= BLOCK_SIZE / 2)
80.                                 {
81.                                         As[ty][tx] = A[a + wA * ty + tx];
82.                                 }
83.                         }
84. #pragma unroll
85.                         for (int k = 0; k < BLOCK_SIZE / 2; k++)
86.                         {
87.                                 if (ty < BLOCK_SIZE / 2)
88.                                 {
89.                                         Csub += As[ty][k] * Bs[k][tx];
90.                                 }
91.                                 else
92.                                 {
93.                                         Csub += As[ty][k + BLOCK_SIZE / 2] * Bs[k + BLOCK_SIZE / 2][tx];
94.                                 }
95.                         }
96.                         // Synchronize to make sure that the preceding
97.                         // computation is done before loading two new
98.                         // sub-matrices of A and B in the next iteration
99.                         __syncthreads();
100.                 }
101.                 // Write the block sub-matrix to device memory;
102.                 // each thread writes one element
103.                 int c = wB * BLOCK_SIZE * by + BLOCK_SIZE * bx;
104.                 if (ty < BLOCK_SIZE / 2 && x == 1)
105.                 {
106.                         C[c + wB * ty + tx] += Csub;
107.                 }
108.                 else if (ty >= BLOCK_SIZE / 2 && x == 2)
109.                 {
110.                         C[c + wB * ty + tx] += Csub;
111.                 }
112.         }
113. }