函数 float_sort(float arr[], int len) 是我们的排序函数主函数体。
在这里，float arr[] 必须是由 CUDA 分配的显存空间，而且已经通过 cudaMemcpy 装载好了待排序的数据。如果传入了内存空间，会直接 return。
由于原始的双调排序只能对
2n 的数组，先进行 padding。
在排序过程中，会调用 _bitonic_sort(float* d_arr, unsigned stride, unsigned inner_stride)，而这是双调排序的主体环节。
float* d_arr 为 padding 后的数组。
unsigned stride 表示当前双调排序的步长，下面举一个详细的例子：
当双调序列为
3,4,5,6,7,8,7,3。
之后，我们想把这两个序列处理为前者递增，后者递减，使整个长度为 16 的数组变成一个双调序列，因此之后我们对这两组序列分别进行双调排序，只不过排出来的结果中，前者为升序，后者后降序。
unsignd inner_stride 表示对一个已经通过 stride 分组的双调序列进行排序。此处继续沿用上述的列子，并将后半段
3,4,5,6,7,8,7,3 排序为降序序列。在 float_sort() 函数体中，可见 inner_stride 从 stride 依次指数减小到 2。
inner_stride = 8，对长度为 8 的后半段分为两节，使分出来的两节中，左半节大于右半节，则依靠 Batcher 定理得到两节
1,1,2,2,3,3,4,5,8,7,7,6,5,4,3,3。之后，只需要对 stride = 16 重新执行上述过程，就能得到升序的最终序列了。
上面我们通过一个例子，详细理解了代码以及思想。
这个代码没有用到 device 中的 share_memory，是因为数据大小可能非常巨大，share_memory 无法存下整个数组，因此只能通过 global 共享显存地址，并通过 float_sort() 中的循环进行 threadBlock 之间的同步。
// 1. A small-set insertion sort. We do this on any set with <=32 elements
// 2. A partitioning kernel, which - given a pivot - separates an input
// array into elements <=pivot, and >pivot. Two quicksorts will then
// be launched to resolve each of these.
// 3. A quicksort co-ordinator, which figures out what kernels to launch
// and when.
排序是任何应用的基本构造块的关键算法之一。有许多排序算法已经被广泛研究。，常见的排序算法时间和空间复杂度如下：一些排序算法属于分治算法的范畴。这些算法适用于并行性，并适合 GPU 等架构，在这些架构中，要排序的数据可以被划分进行排序。快速排序就是这样一种算法。如前所述，Quicksort 属于“分而治之”的范畴。与其他排序算法(如需要额外存储的合并排序)相比，快速排序的内存负载和要求更低。快速排序的更实际的实现使用随机化版本。随机化版本的预期时间复杂度为O(nlogn)。
using namespace std;
#define CHECK(res) if(res!=cudaSuccess){exit(-1);}
__global__ void helloCUDA(unsigned *indata, unsigned int len)
//在核函数内部定义的变量，没有 __shared__ 都是寄存器变量
//，每一个
__global__ void sort(int* a, int flag_j, int flag_i, int count)
unsigned int tid = blockIdx.x * blockDim.x + threadIdx.x;
unsigned int tid_comp = tid ^ flag_j.
在第五讲中我们学习了GPU三个重要的基础并行算法： Reduce, Scan 和 Histogram，分析了 其作用与串并行实现方法。 在第六讲中，本文以冒泡排序 Bubble Sort、归并排序 Merge Sort 和排序网络中的双调排序 Bitonic Sort 为例， 讲解如何从数据结构课上学的串行并行排序方法转换到并行排序，并附GPU实现代码。 在并行方法中，我们将考虑到并行方法需要注意
并行计算是一个相对比较庞大的知识体系，他被应用在很多的地方，例如硬件和计算机结构的设计上，这里我只是把并行计算当作对学习双调排序的前提进行了解，不会用太多的笔墨。并行计算是相对于串行计算来讲的，在知乎上看见了一个特别通俗易懂的例子：我们上小学每次考完试的时候可能会遇到的两种情况：情况一：老师说，来，这次考试的所有卷子我批改完了，班长拿下去给每个人一发吧。情况二：老师说，来，这次考试的所有卷子我批改完了，第一排每个人都过来我给你们一叠卷子你们给咱班娃一发。........................
#define NUM_LISTS 32
template&amp;lt;class T&amp;gt; void c_swap(T &amp;amp;x, T &amp;amp;y){ T tmp = x; x = y; y = tmp; }
unsigned int srcData[NUM_ELEMENT];
void ge...
GPU需要处理大量三角形数据和渲染数据，并行计算能力非常强，那么为什么不可以利用GPU的超强并行能力完成排序
（笔者曾经看过FPGA编程里面的排序算法，直接利用大规模并行电路直接完成排序，GPU和FAPG居然有一些相似）
为了追求极致的效率为什么不可以把显卡调用起来取完成排序呢
想到就去做，下载cuda，可以对cuda完成面向显卡的编程，按教程安装好环境好，发现运行失败，后面发现是显卡算力的问题，查了资料以后解决了
VS2020搭建cud.
#include "cuda_runtime.h"
#include "device_launch_parameters.h"
#include "device_functions.h"
#include
#include
#include
#define SHARED_SIZE_LIMIT 1024U
#define UMUL(a, b) __umul24((a), (b))
