采用两种数据结构CTR和Ellpackr，分别存储大型的稀疏矩阵中的非零元素。并将在GPU下运行的矩阵相乘运算和在CPU下的矩阵相乘运算进行性能比较。

具有用于 gpu 的 cusp 稀疏类的裸骨接口， 支持单精度，实数/复数。 用法： A=gcsparse(B,[格式: 0=coo, 1=csr]); 或者A=gcsparse(col,row,val,[nrows,[ncols,[格式]]]); 输入 B 是一个 matlab 数组、稀疏数组或 gcarray。 重载运算符： ctranspose: B=A.'; 转置：B=A'; 乘法：x=A*y； (spmv) 格式转换： B=real(A);A=complex(B);B=gcsparse(A,format); rowptr=ptr2row(A); 行 =grow2ptr(A); 例子： 真实/复杂速度测试：testgsparse.m accumarray: testRadavg.m 模板：testgnufft.m（氡变换示例） 笔记： 格式转换 row2ptr 和 ptr

spmv的串行和cpu、gpu并行性能测试demo

SpMV在CPU–GPU异构计算系统上的混合计算方法

SpMV_CSR 使用压缩稀疏行格式的稀疏矩阵矢量乘法来编译代码，请使用gcc CSR.c mmio.c -o csr ./csr [filename.mtx]

分散的SpMV SpMV在某些分布方法上，例如图/超图分区。

稀疏矩阵矢量乘法（SpMV）在几乎所有科学计算中都是不可避免的，例如用于求解线性系统和特征值问题的迭代方法。 随着图形处理单元（GPU）的出现和发展，应该为SpMV构建高效的格式。 SpMV的性能主要由稀疏矩阵的存储格式决定。 基于JAD格式的思想，本文改进了ELLPACK-R格式，减少了经纱中不同线程之间的等待时间，并且在我们的实验结果中，速度提高了约1.5。 与其他格式（例如CSR，ELL，BiELL等）相比，我们的SpMV格式性能在测试矩阵的70％以上是最佳的。 我们提出了一种基于参数的方法来分析性能对不同格式的影响。 另外，构造了一个公式来计算计算次数和迭代次数。

LightSpMV是一种使用标准压缩稀疏行（CSR）存储格式的新颖CUDA兼容稀疏矩阵矢量乘法（SpMv）算法。 我们已经使用各种稀疏矩阵评估了LightSpMV，并将其与最新的CUSP和cuSPARSE中基于CSR的SpMV子程序进行了比较。 性能评估表明，在单个Tesla K40c GPU上，LightSpMV优于CUSP和cuSPARSE，与CUSP相比，分别提高了2.60和2.63，与cuSPARSE相比，分别达到了1.93和1.79的单精度和双精度。

稀疏矩阵的DIA/ELLPACK/COO/CSR/HYB表示形式，以及各表示形式下的稀疏矩阵乘法（稀疏大矩阵*矢量）的CUDA实现。对于矩阵中每一行稀疏元素个数较统一的情况，ELLPACK表示最佳，其次是HYB（ELL+COO）。关于稀疏矩阵的研究很多，这里列出的仅是凤毛麟角，有兴趣的朋友我们一起探讨。