Die Idee des Reduktionsbaums
Halbieren Sie in jedem Schritt die Zahl aktiver Threads.
Die Idee des Reduktionsbaums ist eine kostenlose CUDA Academy-Lektion auf CoddyKit. Dies ist Lektion 1 von 4. Du kannst die komplette Lektion unten kostenlos lesen – dann übst du sie direkt im Browser mit einem integrierten Code-Editor und einem KI-Tutor rund um die Uhr. Sie ist Teil des CUDA Academy-Lernpfads, und dein Fortschritt wird über Web und CoddyKit-App synchronisiert. Der CUDA Academy-Kurs umfasst insgesamt 4 Lektionen.
Teile dieser Lektion wurden noch nicht übersetzt und werden auf Englisch angezeigt.
What Reduction Means
A reduction collapses a whole array into one value, like summing every element down to a single total. It is one of the most common GPU patterns. 🌳
The Sequential Way Is Slow
On a CPU you add elements one after another. That is O(n) sequential steps, so a million numbers means a million dependent additions in a row.
Addition Is Associative
The trick is that addition is associative: (a+b)+c equals a+(b+c). So you are free to add pairs in any grouping you like.
Add in Parallel Pairs
Because grouping is free, you can add many independent pairs at the same time. Every thread handles one pair, all in a single parallel step.
Halving Each Step
After one pass, half the elements are gone. Repeat, and the active count keeps halving: 8 to 4 to 2 to 1.
Logarithmic Depth
Halving means you finish in log2(n) steps instead of n. A million elements collapses in about 20 steps, not a million.
Picture the Tree
Drawing the pairings makes a binary tree. Leaves are the inputs, each level halves the nodes, and the root is your final sum.
Stride Doubles Each Pass
One way to code it: each step a thread adds its neighbor at distance stride, and that stride doubles every pass through the data.
for (int s = 1; s < blockDim.x; s *= 2) {
if (tid % (2 * s) == 0)
data[tid] += data[tid + s];
__syncthreads();
}Sync Between Steps
Every level depends on the previous one finishing, so threads must wait at a barrier before reading their partner's result.
Work Versus Span
Total additions stay about n, the work. But the longest dependency chain, the span, shrinks to log2(n). Same work, far less waiting.
Not Just Summing
The same tree works for any associative operation: max, min, product, or logical AND. Swap the operator and the structure stays.
Quick Check
Think about how many parallel steps a tree reduction needs.
Recap
You learned the reduction tree: add pairs in parallel, halve each step, finish in log2(n). It works for any associative operator. Next, keep warps busy! 🎉
Häufig gestellte Fragen
Ist die Lektion „Die Idee des Reduktionsbaums“ kostenlos?
Ja — der vollständige Text von „Die Idee des Reduktionsbaums“ ist hier im Web kostenlos zu lesen. Um sie interaktiv zu üben (integrierter Code-Editor und 24/7 KI-Tutor) und den Rest des CUDA Academy-Kurses freizuschalten, upgrade auf CoddyKit PRO. Der CUDA Academy-Kurs umfasst insgesamt 4 Lektionen.
Was lerne ich in „Die Idee des Reduktionsbaums“?
Halbieren Sie in jedem Schritt die Zahl aktiver Threads. Du übst CUDA Academy mit praktischem Code, den du direkt im Browser ausführst, und ein 24/7 KI-Tutor beantwortet deine Fragen während du die Lektion bearbeitest.
Brauche ich Erfahrung, um CUDA Academy zu starten?
Keine Vorkenntnisse erforderlich. CUDA Academy auf CoddyKit ist für Anfänger bis fortgeschrittene Lernende strukturiert, sodass du hier starten oder von Anfang an beginnen und in deinem eigenen Tempo voranschreiten kannst. Dies ist Lektion 1 von 4.
Wie lange dauert die Lektion „Die Idee des Reduktionsbaums“?
Die meisten CoddyKit-Lektionen dauern etwa 5–10 Minuten. Jede ist kompakt und interaktiv, sodass du stetig Fortschritte machst und genau dort weitermachst, wo du aufgehört hast – im Web und in der App.
Kann ich in dieser CUDA Academy-Lektion Code schreiben und ausführen?
Ja. Jede CUDA Academy-Lektion enthält einen integrierten Code-Editor, sodass du echten Code direkt in deinem Browser schreibst und ausführst und sofort KI-Feedback erhältst — ohne lokale Einrichtung erforderlich.
Alle Lektionen in diesem Kurs
- Die Idee des Reduktionsbaums
- Warp-Divergenz beseitigen
- Sequenzielle Adressierung
- Abschließende Reduktion über mehrere Blöcke