#include "cuda_runtime.h"
#include "device_launch_parameters.h"

#include <stdio.h>
#include <stdlib.h>
#include "cublas_v2.h"

#define BLOCK_SIZE 16

/***************/

用cuBlas的内置函数API，cublasSgemm

cudaError_t multiWithcuBlase(float *c, float *a, float *b, unsigned int aH, unsigned int aW, unsigned int bH, unsigned int bW);

{

………………　

　　cublasHandle_t handle;
　　cublasStatus_t ret;
　　ret = cublasCreate(&handle);

　　const float alpha = 1.0f;
　　const float beta = 0.0f;

　　ret = cublasSgemm(handle, CUBLAS_OP_N, CUBLAS_OP_N, aH, bW, aW, &alpha, gpu_a, aH, gpu_b, bH, &beta, gpu_c, aH);

………………

}

/***************/

用shared内存辅助

__global__ void multiKernel(float *c, float *a, float*b, unsigned int aW, unsigned int bW)

{
　　int xBlock = blockIdx.x;
　　int yBlock = blockIdx.y;

　　int xThread = threadIdx.x;
　　int yThread = threadIdx.y;

　　unsigned int aWidth = aW;
　　unsigned int bWidth = bW;

　　float Cvalue= http://www.mamicode.com/0;

　　for(int i=0; i< aWidth/BLOCK_SIZE; ++i)
　　{
　　　　__shared__ int aSub[BLOCK_SIZE][BLOCK_SIZE];
　　　　__shared__ int bSub[BLOCK_SIZE][BLOCK_SIZE];

　　　　aSub[yThread][xThread] = a[(yBlock*blockDim.y + yThread)*aWidth + i*blockDim.x + xThread];
　　　　bSub[yThread][xThread] = b[(i*blockDim.y + yThread)*bWidth + xBlock*blockDim.x + xThread];

　　　　__syncthreads();

　　　　for(int e=0; e<BLOCK_SIZE; ++e)
　　　　{
　　　　　　Cvalue += aSub[yThread][e]*bSub[e][xThread];
　　　　}
　　　　__syncthreads();
　　}

　　int cIndex = (yBlock*blockDim.y + yThread)*bWidth + xBlock*blockDim.x + xThread;
　　c[cIndex] = Cvalue;
}

/***************/

用shared内存辅助，并将循环打开

__global__ void multiKernel_NoLoop(float *c, float *a, float*b, unsigned int aW, unsigned int bW)
{
　　int xBlock = blockIdx.x;
　　int yBlock = blockIdx.y;

　　int xThread = threadIdx.x;
　　int yThread = threadIdx.y;

　　unsigned int aWidth = aW;
　　unsigned int bWidth = bW;

　　float Cvalue= http://www.mamicode.com/0;

　　for(int i=0; i< aWidth/BLOCK_SIZE; ++i)
　　{
　　　　__shared__ int aSub[BLOCK_SIZE][BLOCK_SIZE];
　　　　__shared__ int bSub[BLOCK_SIZE][BLOCK_SIZE];

　　　　aSub[yThread][xThread] = a[(yBlock*blockDim.y + yThread)*aWidth + i*blockDim.x + xThread];
　　　　bSub[yThread][xThread] = b[(i*blockDim.y + yThread)*bWidth + xBlock*blockDim.x + xThread];

　　　　__syncthreads();

　　　　Cvalue += aSub[yThread][0]*bSub[0][xThread] + aSub[yThread][1]*bSub[1][xThread] + \
　　　　　　　　　  aSub[yThread][2]*bSub[2][xThread] + aSub[yThread][3]*bSub[3][xThread] + \
　　　　　　　　　　aSub[yThread][4]*bSub[4][xThread] + aSub[yThread][5]*bSub[5][xThread] + \
　　　　　　　　　　aSub[yThread][6]*bSub[6][xThread] + aSub[yThread][7]*bSub[7][xThread] + \
　　　　　　　　　　aSub[yThread][8]*bSub[8][xThread] + aSub[yThread][9]*bSub[9][xThread] + \
　　　　　　　　　　aSub[yThread][10]*bSub[10][xThread] + aSub[yThread][11]*bSub[11][xThread] + \
　　　　　　　　　　aSub[yThread][12]*bSub[12][xThread] + aSub[yThread][13]*bSub[13][xThread] + \
　　　　　　　　　　aSub[yThread][14]*bSub[14][xThread] + aSub[yThread][15]*bSub[15][xThread] ;

　　　　__syncthreads();
　　}

　　int cIndex = (yBlock*blockDim.y + yThread)*bWidth + xBlock*blockDim.x + xThread;
　　c[cIndex] = Cvalue;
}

矩阵大小：320*320：

512*512：

ps 机器太差没办法