CUB 是 NVIDIA 提供的 高性能 CUDA 基础库，包含常用的并行原语（Reduction、Scan、Histogram 等），可以极大简化代码，并且比手写版本更优化。
CUB无需链接，只用包含<cub/cub.cuh>头文件即可
需要先临时获取空间
CUB 内部需要额外的缓冲区来做并行归约、扫描等操作，而这个缓冲区的大小依赖于 输入数据量、算法、GPU 结构，编译期无法确定。
通用函数接口-Device-level（设备级）
运行在整个设备（grid）范围，需要全局内存临时空间。
cub::DeviceReduce::Reduce
template <typename InputIteratorT,typename OutputIteratorT,typename ReductionOp,typename T>
static cudaError_t Reduce(void *d_temp_storage, // 临时存储区指针size_t &temp_storage_bytes, // 存储区大小InputIteratorT d_in, // 输入迭代器（GPU 内存）OutputIteratorT d_out, // 输出迭代器（GPU 内存）int num_items, // 输入元素个数ReductionOp reduction_op, // 归约操作符（如加法、最大值）T init, // 归约初始值cudaStream_t stream = 0); // CUDA 流
d_temp_storage和temp_storage_bytes：两阶段调用机制（先获取大小再分配）d_in/d_out：输入和输出数组指针（在 GPU 上）num_items：元素数量reduction_op：归约操作（例如cub::Sum(),cub::Max()，或自定义 Lambda）init：归约起始值stream：运行在哪个 CUDA stream 上
求和
#ifndef __CUDACC__
#define __CUDACC__
#endif
#include <cuda_runtime.h>
#include <device_launch_parameters.h>
#include <cublas_v2.h>
#include <cufft.h>
#include<cub/cub.cuh>
#include <iostream>
#include<cstdio>
#include <vector>void error_handling(cudaError_t res) {if (res !=cudaSuccess) {std::cout << "error!" << std::endl;}
}
int main() {const int N = 8;float h_in[N] = { 1, 2, 3, 4, 5, 6, 7, 8 };float* d_in, * d_out;cudaMalloc(&d_in, N * sizeof(float));cudaMalloc(&d_out, sizeof(float));cudaMemcpy(d_in, h_in, N * sizeof(float), cudaMemcpyHostToDevice);void* d_temp_storage = nullptr;size_t temp_storage_bytes = 0;cub::DeviceReduce::Reduce(d_temp_storage,temp_storage_bytes,d_in,d_out,N,cub::Sum(),0.0f);// 分配临时空间cudaMalloc(&d_temp_storage, temp_storage_bytes);// 第二次调用：执行归约cub::DeviceReduce::Reduce(d_temp_storage, temp_storage_bytes,d_in, d_out, N,cub::Sum(), 0.0f);float h_out;cudaMemcpy(&h_out, d_out, sizeof(float), cudaMemcpyDeviceToHost);std::cout << "Sum = " << h_out << std::endl;cudaFree(d_in);cudaFree(d_out);cudaFree(d_temp_storage);return 0;
}
当然，Reduce是通用版本，也有Sum的特化版本
template <typename InputIteratorT, typename OutputIteratorT, typename NumItemsT>cudaError_tstatic Sum(void* d_temp_storage,size_t& temp_storage_bytes,InputIteratorT d_in,OutputIteratorT d_out,NumItemsT num_items,cudaStream_t stream = 0);
#ifndef __CUDACC__
#define __CUDACC__
#endif
#include <cuda_runtime.h>
#include <device_launch_parameters.h>
#include <cublas_v2.h>
#include <cufft.h>
#include<cub/cub.cuh>
#include <iostream>
#include<cstdio>
#include <vector>void error_handling(cudaError_t res) {if (res !=cudaSuccess) {std::cout << "error!" << std::endl;}
}
int main() {const int N = 8;float h_in[N] = { 1, 2, 3, 4, 5, 6, 7, 8 };float* d_in, * d_out;cudaMalloc(&d_in, N * sizeof(float));cudaMalloc(&d_out, sizeof(float));cudaMemcpy(d_in, h_in, N * sizeof(float), cudaMemcpyHostToDevice);void* d_temp_storage = nullptr;size_t temp_storage_bytes = 0;// 先获取临时空间大小cub::DeviceReduce::Sum(d_temp_storage, temp_storage_bytes, d_in, d_out, N);cudaMalloc(&d_temp_storage, temp_storage_bytes);// 执行 Reducecub::DeviceReduce::Sum(d_temp_storage, temp_storage_bytes, d_in, d_out, N);float h_out;cudaMemcpy(&h_out, d_out, sizeof(float), cudaMemcpyDeviceToHost);std::cout << "Sum = " << h_out << std::endl;cudaFree(d_in);cudaFree(d_out);cudaFree(d_temp_storage);return 0;
}
自定义乘积
可以求数组所有元素的乘积；乘积Reduce没有提供接口，可以自己写一个可执行对象（仿函数类，lambda表达式等都可以）
这里使用lambda表达式
#ifndef __CUDACC__
#define __CUDACC__
#endif
#include <cuda_runtime.h>
#include <device_launch_parameters.h>
#include <cublas_v2.h>
#include <cufft.h>
#include<cub/cub.cuh>
#include <iostream>
#include<cstdio>
#include <vector>void error_handling(cudaError_t res) {if (res !=cudaSuccess) {std::cout << "error!" << std::endl;}
}
int main() {const int N = 8;float h_in[N] = { 1, 2, 3, 4, 5, 6, 7, 8 };float* d_in, * d_out;cudaMalloc(&d_in, N * sizeof(float));cudaMalloc(&d_out, sizeof(float));cudaMemcpy(d_in, h_in, N * sizeof(float), cudaMemcpyHostToDevice);void* d_temp_storage = nullptr;size_t temp_storage_bytes = 0;cub::DeviceReduce::Reduce(d_temp_storage, temp_storage_bytes, d_in, d_out, N, []__device__(float a, float b) ->float{ return a * b; }, 1.0f);// 分配临时空间cudaMalloc(&d_temp_storage, temp_storage_bytes);// 第二次调用：执行乘积cub::DeviceReduce::Reduce(d_temp_storage, temp_storage_bytes, d_in, d_out, N, []__device__(float a, float b) ->float{ return a * b; }, 1.0f);float h_out;cudaMemcpy(&h_out, d_out, sizeof(float), cudaMemcpyDeviceToHost);std::cout << "mul = " << h_out << std::endl;cudaFree(d_in);cudaFree(d_out);cudaFree(d_temp_storage);return 0;
}
如果想要使用在设备使用lambda表达式，需要编译时加上：
nvcc main.cu -o main --extended-lambda
如果用VS，打开项目属性，在这里加：
（用仿函数类就不用开启这个，如此即可）
struct MultiplyOp {__device__ float operator()(float a, float b) const {return a * b;}
};// 调用
cub::DeviceReduce::Reduce(d_temp_storage, temp_storage_bytes,d_in, d_out, N,MultiplyOp(), 1.0f);前缀和
前缀和有专门的函数
template <typename InputIteratorT, typename OutputIteratorT>static cudaError_t ExclusiveSum(void* d_temp_storage,// 临时存储指针size_t& temp_storage_bytes,// 临时存储大小InputIteratorT d_in,// 输入迭代器（指针）OutputIteratorT d_out,// 输出迭代器（指针）int num_items,// 元素数量cudaStream_t stream = 0)// CUDA 流（可选）
;使用起来没有任何差别
#ifndef __CUDACC__
#define __CUDACC__
#endif
#include <cuda_runtime.h>
#include <device_launch_parameters.h>
#include <cublas_v2.h>
#include <cufft.h>
#include<cub/cub.cuh>
#include <iostream>
#include<cstdio>
#include <vector>void error_handling(cudaError_t res) {if (res !=cudaSuccess) {std::cout << "error!" << std::endl;}
}
int main() {const int N = 8;float h_in[N] = { 1, 2, 3, 4, 5, 6, 7, 8 };float* d_in, * d_out;cudaMalloc(&d_in, N * sizeof(float));cudaMalloc(&d_out, N*sizeof(float));cudaMemcpy(d_in, h_in, N * sizeof(float), cudaMemcpyHostToDevice);void* d_temp_storage = nullptr;size_t temp_storage_bytes = 0;// 获取临时空间大小cub::DeviceScan::ExclusiveSum(d_temp_storage, temp_storage_bytes, d_in, d_out, N);cudaMalloc(&d_temp_storage, temp_storage_bytes);// 执行 Exclusive Scancub::DeviceScan::ExclusiveSum(d_temp_storage, temp_storage_bytes, d_in, d_out, N);float h_out[N];cudaMemcpy(h_out, d_out, N * sizeof(float), cudaMemcpyDeviceToHost);std::cout << "Exclusive Scan: ";for (int i = 0; i < N; i++) std::cout << h_out[i] << " ";std::cout << std::endl;cudaFree(d_in);cudaFree(d_out);cudaFree(d_temp_storage);return 0;
}
ExclusiveScan 是前缀和，不包括当前元素：
输入: [1, 2, 3, 4, 5, 6, 7, 8]
输出: [0, 1, 3, 6,10,15,21,28]
Block-level （线程块级）
作用
用于一个 Block 内的线程协作，通常替代手写的
__shared__+ 手写 reduce/scan。比 Warp-level 更大范围（整个 block），但不涉及 grid 级同步。
用途：块内归约、块内前缀和、块内排序。
线程块级类的调用套路是一样的
定义类型（
typedef）申请共享内存（
TempStorage）调用对象的方法
BlockReduce模板类
namespace cub {template <typename T, // 数据类型，例如 float, intint BLOCK_DIM_X, // 线程块大小cub::BlockReduceAlgorithm ALGORITHM = cub::BLOCK_REDUCE_WARP_REDUCTIONS // 可选//还有一些其他模板参数，一般都可以忽略
>
class BlockReduce {
public:// 内部类型：临时存储struct TempStorage;// 构造函数：传入共享内存__device__ __forceinline__ BlockReduce(TempStorage& temp_storage);// 常用方法：__device__ T Sum(T input); // 块内所有线程求和template <typename ReductionOp>__device__ T Reduce(T input, ReductionOp reduction_op); // 自定义规约操作__device__ T Sum(T input, T identity); // 带初始值的求和// 返回最大值和索引struct ArgMax { T value; int index; };__device__ ArgMax Reduce(T input, ReductionOp reduction_op, ArgMax identity);
};} // namespace cub特点
不需要手写循环/
__syncthreads()，CUB 自动优化 bank conflict。自定义操作用
.Reduce(val, binary_op)。
块内归约
__global__ void block_reduce_sum(float* d_in, float* d_out) {// 定义 BlockReduce 类型：数据类型 float，block 大小 256typedef cub::BlockReduce<float, 256> BlockReduceT;// 共享内存（临时存储）__shared__ typename BlockReduceT::TempStorage temp_storage;int tid = threadIdx.x + blockIdx.x * blockDim.x;float val = d_in[tid];// 每个 block 归约，返回该 block 的总和float block_sum = BlockReduceT(temp_storage).Sum(val);if (threadIdx.x == 0) {d_out[blockIdx.x] = block_sum; // 每个 block 的结果}
}BlockReduce::Sum(T input) 里的 input 参数 是 当前线程贡献的单个值，也就是参与规约的元素。
BlockReduce::Sum() 会在整个 线程块（block）内，把所有线程的 input 值加起来，返回 块内的总和。
自定义规约
__device__ T Reduce(T input, ReductionOp reduction_op); // 自定义规约操作该成员函数可以让我们实现自定义的规约操作
| 参数 | 含义 |
|---|---|
input | 每个线程的本地值，类型为 T。 |
binary_op | 一个二元操作函数对象，类型为 BinaryOp，定义了如何将两个 T 类型的值合并。例如：加法、乘法、最大值等。 |
比如可以用cub库提供的可调用对象类
float block_sum = BlockReduceT(temp_storage).Reduce(val, cub::Sum());//规约加法
float block_prod = BlockReduceT(temp_storage).Reduce(val, cub::Multiply());//规约乘法也可以自己实现仿函数类或lambda表达式；具体操作与上文Device级别的自定义乘积类似；
BlockScan
namespace cub {template <typename T, // 数据类型int BLOCK_DIM_X, // 线程块大小cub::BlockScanAlgorithm ALGORITHM = cub::BLOCK_SCAN_WARP_SCANS // 可选
>
class BlockScan {
public:struct TempStorage;__device__ __forceinline__ BlockScan(TempStorage& temp_storage);// 前缀和（不包含自己）template <typename ScanOp>__device__ void ExclusiveScan(T input, T &output, ScanOp scan_op, T identity);// 前缀和（包含自己）template <typename ScanOp>__device__ void InclusiveScan(T input, T &output, ScanOp scan_op);// 常用简化版本__device__ void ExclusiveSum(T input, T &output, T identity = 0);__device__ void InclusiveSum(T input, T &output);
};} // namespace cub
使用
typedef cub::BlockScan<int, 256> BlockScanT;
__shared__ typename BlockScanT::TempStorage temp_storage;
int output;
BlockScanT(temp_storage).ExclusiveSum(input, output);
BlockRadixSort
namespace cub {template <typename KeyT, // 键类型int BLOCK_DIM_X, // 线程块大小typename ValueT = void, // 可选，值类型int ITEMS_PER_THREAD = 1 // 每线程处理的元素个数
>
class BlockRadixSort {
public:struct TempStorage;__device__ __forceinline__ BlockRadixSort(TempStorage& temp_storage);// 对键排序（升序），排序后把属于该线程的key更新__device__ void Sort(KeyT &key);// 降序__device__ void SortDescending(KeyT &key);// 键值对排序__device__ void Sort(KeyT &key, ValueT &value);__device__ void SortDescending(KeyT &key, ValueT &value);
};} // namespace cub
使用模式
#include <cub/cub.cuh>__global__ void block_sort(int *d_keys) {typedef cub::BlockRadixSort<int, 256> BlockRadixSortT;__shared__ typename BlockRadixSortT::TempStorage temp_storage;int thread_id = threadIdx.x + blockIdx.x * blockDim.x;int key = d_keys[thread_id];// 在 block 内排序（升序）BlockRadixSortT(temp_storage).Sort(key);// 写回排序后的值d_keys[thread_id] = key;
}
Warp-level
Warp-level 原语（线程束级）
用于warp 内高效协作，替代手写
__shfl_*。适合 warp 内归约（reduce）、前缀和（scan），比手写更可读。
具体用法与block级一模一样，只是模板类名改为WarpReduce、WarpScan
ARM体系架构)
-Java并发篇)