使用 float4 进行向量化加载
更宽的事务带来更高带宽
使用 float4 进行向量化加载 是 CoddyKit 上的免费 CUDA Academy 课时。 这是第 3 节课，共 4 节。 你可以在下方免费阅读本课时的完整内容 — 然后在浏览器中使用内置代码编辑器和全天候 AI 导师进行实践。 这是 CUDA Academy 学习路径的一部分，你的进度在网页和 CoddyKit 应用中同步。 CUDA Academy 课程共包含 4 节课。
每条指令移动更多数据
普通加载一次获取一个值。向量化加载通过一条更宽的指令获取多个相邻值，从而每次请求完成更多工作。
认识 float4
CUDA 提供了内置向量类型。float4 将四个浮点数打包到一个 16 字节的数据组中，您可以一次加载或存储它们。
float4 v = make_float4(1, 2, 3, 4);
float first = v.x; // also .y .z .w一次加载四个浮点数
从内存读取 float4 会通过一次事务获取四个浮点数。这会将线程必须发出的内存指令数量减少为原来的四分之一。
float4 a = reinterpret_cast<float4*>(in)[i];重新解释指针
要在普通浮点数组上使用向量化加载，需要转换指针。reinterpret_cast 允许您将相同的字节读取为 float4 元素。
float4* in4 = reinterpret_cast<float4*>(in);
float4 chunk = in4[idx];必须满足对齐要求
float4 必须位于 16 字节边界上。如果数据没有正确对齐，加载操作就是非法的，内核可能崩溃或读取无效数据。
cudaMalloc 会为您对齐
好消息是：cudaMalloc 分配的缓冲区至少按 256 字节对齐。因此，新分配的设备数组从起始位置开始就可以安全地作为 float4 读取。
请求更少，带宽更多
更宽的加载意味着在处理相同数据时需要发出的请求更少。当内核受内存而非计算限制时，这可能提高实际达到的带宽。
按向量而不是浮点数索引
使用 float4 后，每个线程现在处理四个元素。全局索引会逐个经过 float4 槽位，因此线程总数减少为原来的四分之一。
int i = blockIdx.x * blockDim.x + threadIdx.x;
float4 d = in4[i]; // covers 4 floats其他向量宽度
float4 不是唯一的选择。像 float2 和 int4 这样的类型可以执行 8 字节或 16 字节的加载，因此您可以选择适合数据的宽度。
注意剩余元素
如果数组长度不是四的倍数，请在向量化部分之后使用普通的标量循环处理额外的 余数 元素。
它会消耗寄存器
一个 float4 包含四个值，因此每个线程会使用更多寄存器。一如既往，请确认带宽增益超过占用率下降带来的损失。
快速检查
您将一个 float 数组重新解释为 float4，但内核发生了崩溃。为什么？
回顾：更宽就更快
您已经了解到，float4 可以一次加载四个浮点数，从而减少指令数量并提升带宽。请保持数据对齐，并处理剩余元素。📦
常见问题解答
「使用 float4 进行向量化加载」课时是免费的吗？
是的 — 「使用 float4 进行向量化加载」的完整文本可在网页上免费阅读。要进行交互式练习（内置代码编辑器和全天候 AI 导师）并解锁 CUDA Academy 课程的其余内容，请升级到 CoddyKit PRO。 CUDA Academy 课程共包含 4 节课。
「使用 float4 进行向量化加载」这节课中我会学到什么？
更宽的事务带来更高带宽 你通过在浏览器中直接运行的动手代码来练习 CUDA Academy，全天候 AI 导师会在你学习这节课的过程中回答你的问题。
学习 CUDA Academy 需要有经验吗？
无需任何先前经验。CoddyKit 上的 CUDA Academy 课程适合初学者到高级学习者，你可以从这里开始或从头开始，按照自己的节奏学习。 这是第 3 节课，共 4 节。
「使用 float4 进行向量化加载」课时需要多长时间？
大多数 CoddyKit 课程大约需要 5–10 分钟。每节课都很精短且互动，所以你能稳步进步，并在网页和应用中从离开的地方继续。
我能在这节 CUDA Academy 课中编写并运行代码吗？
能。每节 CUDA Academy 课都包含内置代码编辑器，你可以在浏览器中直接编写并运行真实代码，并获得即时 AI 反馈 — 无需本地设置。
此课程中的所有课时
- 指令级并行
- 使用 #pragma unroll 展开循环
- 使用 float4 进行向量化加载
- 寄存器压力与溢出