如何从Arrayfire明确获取线性索引

Question

假设我有一个 stl::array<float, 24> foo，它是列的线性化sTL吊坠，用于列格式格式阵列阵列，例如af::array bar = af::array(4,3,2, 1, f32);。因此，我有一个 af::dim4对象dims具有bar的尺寸，最多4 af::seq -objects，并且有线性化阵列foo。

如何显式获得代表例如foo的索引（即bar的线性化版本）2.nd和3.rd行，即bar(af::seq(1,2), af::span, af::span, af::span)？我有一个小的代码示例，其中显示了我想要的。最后，我还解释了为什么我想要这个。

af::dim4 bigDims = af::dim4(4,3,2);
stl::array<float, 24> foo;   // Resides in RAM and is big
float* selBuffer_ptr;        // Necessary for AF correct type autodetection
stl::vector<float> selBuffer;
// Load some data into foo
af::array selection;         // Resides in VRAM and is small
af::seq selRows = af::seq(1,2);
af::seq selCols = af::seq(bigDims[1]);   // Emulates af::span
af::seq selSlices = af::seq(bigDims[2]); // Emulates af::span
af::dim4 selDims = af::dim4(selRows.size, selCols.size, selSlices.size);    
dim_t* linIndices;
// Magic functionality getting linear indices of the selection
//  selRows x selCols x selSlices
// Assign all indexed elements to a consecutive memory region in selBuffer
// I know their positions within the full dataset, b/c I know the selection ranges.
selBuffer_ptr = static_cast<float> &(selBuffer[0]);
selection = af::array(selDims, selBuffer_ptr);      // Copies just the selection to the device (e.g. GPU)
// Do sth. with selection and be happy
// I don't need to write back into the foo array.

arrayfire必须实现这样的逻辑才能访问元素，我找到了几个相关的类/功能，例如 af::index, af::seqToDims, af::gen_indexing, af::array::operator()-但是我还不知道一个简单的方法。

我考虑了基本上重新实现operator()，因此它的工作方式类似，但不需要引用数组对象。但是，如果Arrayfire-Framework中有一种简单的方法，这可能会浪费努力。

背景：我要这样做的原因是因为ArrayFire不允许仅在与GPU后端链接时将数据存储在主内存（CPU-Context）中。由于我有很大一部分数据，只需要按部分处理，并且VRAM非常有限，所以我想从始终驻留在主内存中的stl-container实例化 af::array-objects临时。p>当然，我知道我可以编程一些索引魔术以解决我的问题，但是我想使用相当复杂的 af::seq对象，这可能会有效地实现索引逻辑复杂。

Answer 1

在与帕文·雅拉曼奇利（Pavan Yalamanchili）进行讨论之后，我设法获得了我想共享的工作代码，以防其他人只需要在RAM中握住他的变量并在compoy-on-on-on-将其部分使用到VRAM，即Arrayfire Universe（如果在GPU或NVIDIA上链接到OpenCL）。

该解决方案还将帮助任何在项目中其他地方使用AF的人，并且想要具有方便的方式，可以使用（N＆lt; = 4）访问大型线性的N-DIM数组。

//  Compile as: g++ -lafopencl malloc2.cpp && ./a.out
#include <stdio.h>
#include <arrayfire.h>
#include <af/util.h>
#include <cstdlib>
#include <iostream>
#define M 3
#define N 12
#define O 2
#define SIZE M*N*O

int main() {
    int _foo;                      // Dummy variable for pausing program
    double* a = new double[SIZE];  // Allocate double array on CPU (Big Dataset!)
    for(long i = 0; i < SIZE; i++) // Fill with entry numbers for easy debugging
        a[i] = 1. * i + 1;
    std::cin >> _foo; // Pause 
    std::cout << "Full array: ";
    // Display full array, out of convenience from GPU
    // Don't use this if "a" is really big, otherwise you'll still copy all the data to the VRAM.
    af::array ar = af::array(M, N, O, a);   // Copy a RAM -> VRAM

    af_print(ar);
    std::cin >> _foo; // Pause 

    // Select a subset of the full array in terms of af::seq
    af::seq seq0 = af::seq(1,2,1);     // Row 2-3
    af::seq seq1 = af::seq(2,6,2);     // Col 3:5:7
    af::seq seq2 = af::seq(1,1,1);     // Slice 2

    // BEGIN -- Getting linear indices
    af::array aidx0 = af::array(seq0);
    af::array aidx1 = af::array(seq1).T() * M;
    af::array aidx2 = af::reorder(af::array(seq2), 1, 2, 0) * M * N;
    af::gforSet(true);
    af::array aglobal_idx = aidx0 + aidx1 + aidx2;
    af::gforSet(false);
    aglobal_idx = af::flat(aglobal_idx).as(u64);
    // END -- Getting linear indices
    // Copy index list VRAM -> RAM (for easier/faster access)
    uintl* global_idx = new uintl[aglobal_idx.dims(0)];
    aglobal_idx.host(global_idx);
    // Copy all indices into a new RAM array
    double* a_sub = new double[aglobal_idx.dims(0)];
    for(long i = 0; i < aglobal_idx.dims(0); i++)
        a_sub[i] = a[global_idx[i]];
    // Generate the "subset" array on GPU & diplay nicely formatted
    af::array ar_sub = af::array(seq0.size, seq1.size, seq2.size, a_sub);
    std::cout << "Subset array: ";  // living on seq0 x seq1 x seq2
    af_print(ar_sub);
    return 0;
}
/*
g++ -lafopencl malloc2.cpp && ./a.out 
Full array: ar
[3 12 2 1]
    1.0000     4.0000     7.0000    10.0000    13.0000    16.0000    19.0000    22.0000    25.0000    28.0000    31.0000    34.0000 
    2.0000     5.0000     8.0000    11.0000    14.0000    17.0000    20.0000    23.0000    26.0000    29.0000    32.0000    35.0000 
    3.0000     6.0000     9.0000    12.0000    15.0000    18.0000    21.0000    24.0000    27.0000    30.0000    33.0000    36.0000 
   37.0000    40.0000    43.0000    46.0000    49.0000    52.0000    55.0000    58.0000    61.0000    64.0000    67.0000    70.0000 
   38.0000    41.0000    44.0000    47.0000    50.0000    53.0000    56.0000    59.0000    62.0000    65.0000    68.0000    71.0000 
   39.0000    42.0000    45.0000    48.0000    51.0000    54.0000    57.0000    60.0000    63.0000    66.0000    69.0000    72.0000 
ar_sub
[2 3 1 1]
   44.0000    50.0000    56.0000 
   45.0000    51.0000    57.0000 
*/

该解决方案使用了一些无证件的AF函数，据说由于在global_idx上运行的for循环而慢，但是到目前为止，如果要专门在CPU上持有数据并仅与该零件共享，那么它的确可以做到最好的。用于处理的AF的GPU上下文。

如果有人知道一种加快此代码的方法，我仍然开放建议。