update example

competition_parallel_algorithms.md

@@ -0,0 +1,103 @@
+# 题目：
+## GPU高性能并行计算算法优化
+
+要求参赛者通过一个或多个global kernel 函数（允许配套 device 辅助函数），实现高性能算法。
+
+在正确性、稳定性前提下，比拼算法性能。
+
+
+# 1. ReduceSum算法优化
+```cpp
+template <typename InputT = float, typename OutputT = float>
+class ReduceSumAlgorithm {
+public:
+    // 主要接口函数 - 参赛者需要实现这个函数
+    void reduce(const InputT* d_in, OutputT* d_out, int num_items, OutputT init_value) {
+        // TODO
+    }
+};
+```
+其中
+
+* 数据类型：InputT: float,  OutputT: float
+* 系统将测试评估1M, 128M, 512M, 1G element number下的算法性能
+* 假定输入d\_in数据量为num\_items
+
+
+注意事项
+
+* 累计误差不大于cpu double golden基准的0.5%
+* 注意针对NAN和INF等异常值的处理
+
+
+
+加分项
+
+* 使用tensor core计算reduce
+* 覆盖更全面的数据范围，提供良好稳定的性能表现
+
+
+# 2. Sort Pair算法优化
+```cpp
+template <typename KeyType, typename ValueType>
+class SortPairAlgorithm {
+public:
+    // 主要接口函数 - 参赛者需要实现这个函数
+    void sort(const KeyType* d_keys_in, KeyType* d_keys_out,
+              const ValueType* d_values_in, ValueType* d_values_out,
+              int num_items, bool descending) {
+                // TODO
+              }
+};
+```
+其中
+
+* 数据类型：key: float, value: int32\_t
+* 系统将测试评估1M, 128M, 512M, 1G element number下的算法性能
+* 假定输入、输出的key和value的数据量一致，均为num\_items
+
+
+注意事项
+
+* 需要校验结果正确性
+* 结果必须稳定排序
+
+
+加分项
+
+* 支持其他不同数据类型的排序，如half、double、int32_t等
+* 覆盖更全面的数据范围，提供良好稳定的性能表现
+
+
+
+# 3. Topk Pair算法优化
+```cpp
+template <typename KeyType, typename ValueType>
+class TopkPairAlgorithm {
+public:
+    // 主要接口函数 - 参赛者需要实现这个函数
+    void topk(const KeyType* d_keys_in, KeyType* d_keys_out,
+              const ValueType* d_values_in, ValueType* d_values_out,
+              int num_items, int k, bool descending) {
+              // TODO
+              }
+};
+```
+其中
+
+* 数据类型：key: float, value: int32\_t
+* 系统将测试评估1M, 128M, 512M, 1G element number下的算法性能
+* 假定输入的key和value的数据量一致，为num\_items；输出的key和value的数据量一致，为k
+* k的范围：32，50，100，256，1024。k不大于num\_items
+
+
+注意事项
+
+* 结果必须稳定排序
+
+
+加分项
+
+* 支持其他不同数据类型的键值对，实现类型通用算法
+* 覆盖更全面的数据范围，提供良好稳定的性能表现
+