1. template <int BLOCK_SIZE> __global__ void
2. matrixMulCUDA_3_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;
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.                 // Loop over all the sub-matrices of A and B
27.                 // required to compute the block sub-matrix
28.                 for (int a = aBegin, b = bBegin;
29.                         a <= aEnd;
30.                         a += aStep, b += bStep)
31.                 {
32.                         // Declaration of the shared memory array As used to
33.                         // store the sub-matrix of A
34.                         __shared__ float As[BLOCK_SIZE / 2][BLOCK_SIZE];
35.                         // Declaration of the shared memory array Bs used to
36.                         // store the sub-matrix of B
37.                         __shared__ float Bs[BLOCK_SIZE][BLOCK_SIZE];
38.                         // Load the matrices from device memory
39.                         // to shared memory; each thread loads
40.                         // one element of each matrix
41.                         if (x == 1)
42.                         {
43.                                 if (ty < BLOCK_SIZE / 2)
44.                                 {
45.                                         As[ty][tx] = A[a + wA * ty + tx];
46.                                 }
47.                                 Bs[ty][tx] = B[b + wB * ty + tx];
48.                         }
49.                         else if (x == 2)
50.                         {
51.                                 if (ty >= BLOCK_SIZE / 2)
52.                                 {
53.                                         As[ty][tx] = A[a + wA * ty + tx];
54.                                 }
55.                         }
56.                         // Synchronize to make sure the matrices are loaded
57.                         __syncthreads();
58.                         // Multiply the two matrices together;
59.                         // 2 thread computes one element
60.                         // of the block sub-matrix
61. #pragma unroll
62.                         for (int k = 0; k < BLOCK_SIZE / 2; k++)
63.                         {
64.                                 if (ty < BLOCK_SIZE / 2)
65.                                 {
66.                                         Csub += As[ty][k] * Bs[k][tx];
67.                                 }
68.                                 else
69.                                 {
70.                                         Csub += As[ty][k + BLOCK_SIZE / 2] * Bs[k + BLOCK_SIZE / 2][tx];
71.                                 }
72.                         }
73.                         // Synchronize to make sure that the preceding
74.                         // computation is done before loading two new
75.                         // sub-matrices of A and B in the next iteration
76.                         __syncthreads();
77.                 }
78.                 // Write the block sub-matrix to device memory;
79.                 // each thread writes one element
80.                 int c = wB * BLOCK_SIZE * by + BLOCK_SIZE * bx;
81.                 if (ty < BLOCK_SIZE / 2 && x == 1)
82.                 {
83.                         C[c + wB * ty + tx] += Csub;
84.                 }
85.                 else if (ty >= BLOCK_SIZE / 2 && x == 2)
86.                 {
87.                         C[c + wB * ty + tx] += Csub;
88.                 }
89.         }
90. }