cuda 学习笔记

uodate:有毒吧。kernel中出问题原来是不会报错的。。。。

请教了组里的hust学长orz..、

学到了cuda-memcheck命令和cudaGetLastError来查看问题。。可以参考What is the canonical way to check for errors using the CUDA runtime API?

 

先放一波资料。

 

 

cuda 提出的目的是能够让程序员透明地使用GPU来高效地进行并行运算。

kernel和c语言中的函数相似，函数名字前通常用global来标识。

 

下面考虑一个2个大小的1M的数组相加的例子。

总的思路是通过并行，来观察到计算速度的加快。

如果不考虑并行，2个数组相加的代码，如下：

add.cpp
C++
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
 
 
 
#include <iostream>
#include <math.h>
 
// function to add the elements of two arrays
void add(int n, float *x, float *y)
{
  for (int i = 0; i < n; i++)
      y[i] = x[i] + y[i];
}
 
int main(void)
{
  int N = 1<<20; // 1M elements
 
  float *x = new float[N];
  float *y = new float[N];
 
  // initialize x and y arrays on the host
  for (int i = 0; i < N; i++) {
    x[i] = 1.0f;
    y[i] = 2.0f;
  }
 
 
 
 

 

如果用cuda的方式来搞，代码如下：

add.cu
C++
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
 
 
 
#include <iostream>
#include <math.h>
// Kernel function to add the elements of two arrays
__global__
void add(int n, float *x, float *y)
{
  for (int i = 0; i < n; i++)
    y[i] = x[i] + y[i];
}
 
int main(void)
{
  int N = 1<<20;
  float *x, *y;
 
  // Allocate Unified Memory – accessible from CPU or GPU
  cudaMallocManaged(&x, N*sizeof(float));
  cudaMallocManaged(&y, N*sizeof(float));
 
  // initialize x and y arrays on the host
  for (int i = 0; i < N; i++) {
    x[i] = 1.0f;
    y[i] = 2.0f;
  }
 
  // Run kernel on 1M elements on the GPU
  add<<<1, 1>>>(N, x, y);
 
  // Wait for GPU to finish before accessing on host
  cudaDeviceSynchronize();
 
  // Check for errors (all values should be 3.0f)
  float maxError = 0.0f;
  for (int i = 0; i < N; i++)
    maxError = fmax(maxError, fabs(y[i]-3.0f));
  std::cout << "Max error: " << maxError << std::endl;
 
  // Free memory
  cudaFree(x);
  cudaFree(y);
  
  return 0;
}
 
 
 

除了代码注释，还有几个地方要说明：

  • 函数名字前面的global 是 cuda kernel  标识符
  • cuda kernel的调用方式是 <<<,>>>  更具体地说，是add<<<numBlocks,blockSize>>>(N,x,y)
  • .cu是 cuda C++ 文件的后缀，类似.cpp
  • nvcc是cuda C++ 的编译器，其将source code分成host code和device code两部分。前者通过c++编译器编译，后者通过nvidia编译器编译。

 

关于devide code 和 host code，参考下图。

 

现在我们单线程地跑了一个cuda kernel, 接下来是如何使它并行.关键在于<<<1,1>>>这部分。

这行代码告诉了cuda runtime 有多少个并行的线程要被执行。
这里有2个参数，不过我们可以先改变第二个，也就是一个线程block中线程的个数。
cuda GPu的kernel 使用的blocks中线程的个数应该是32的倍数（后面会解释32代表什么），所以256看起来很合理。

 

C++
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
 
 
 
#include <cstdio>
#include <iostream>
#include <math.h>
// Kernel function to add the elements of two arrays
    __global__
void add(int n, float *x, float *y)
{
 
 
     int index = blockIdx.x * blockDim.x + threadIdx.x;
    int stride = blockDim.x * gridDim.x;
printf(" %d %d",index,stride);
    for ( int i = index ; i < n ; i += stride)
    y[i] = x[i] + y[i];
}
 
int main(void)
{
    int N = 1<<20;
    float *x, *y;
 
    // Allocate Unified Memory – accessible from CPU or GPU
    cudaMallocManaged(&x, N*sizeof(float));
    cudaMallocManaged(&y, N*sizeof(float));
 
    // initialize x and y arrays on the host
    for (int i = 0; i < N; i++) {
    x[i] = 1.0f;
    y[i] = 2.0f;
    }
 
 
    int blockSize = 256;
    int numBlocks = (N + blockSize - 1) / blockSize;
    add<<<numBlocks, blockSize>>>(N, x, y);
    // Wait for GPU to finish before accessing on host
    cudaDeviceSynchronize();
 
    // Check for errors (all values should be 3.0f)
    float maxError = 0.0f;
    for (int i = 0; i < N; i++)
    maxError = fmax(maxError, fabs(y[i]-3.0f));
//    std::cout << "Max error: " << maxError << std::endl;
 
    // Free memory
    cudaFree(x);
    cudaFree(y);
 
    return 0;
}
 
 
 

 

不过如果只是修改了<<<1,1>>> 到  <<<1,256>>>
那实际上是对于每个线程都算了整个array的相加，而没有将整个计算任务分给多个并行的线程。
为了解决这个问题，我们需要修改kernel的代码。
cuda C++ 提供了关键字，允许kernel得到正要执行的thread是哪一个
threadIdx.x  表示当前运行的thread是block中的哪一个
blockDim.x 表示block中的线程个数

关于threadIdx.x等 下标问题，参考下图。

 

我们需要观察到使用cuda的方法之后时间的变化。

可以使用nvprof命令

Shell
1
2
3
4
5
6
7
8
9
10
11
12
13
14
 
 
 
➜ learn>nvprof ./add_cuda
==9312== NVPROF is profiling process 9312, command: ./add_cuda
Max error: 0
==9312== Profiling application: ./add_cuda
==9312== Profiling result:
Time(%)      Time     Calls       Avg       Min       Max  Name
100.00%  167.48ms         1  167.48ms  167.48ms  167.48ms  add(int, float*, float*)
 
 
 
 

 

Shell
1
2
3
4
5
6
7
8
9
10
11
12
 
 
 
==9382== Profiling application: ./add_block
==9382== Profiling result:
Time(%)      Time     Calls       Avg       Min       Max  Name
100.00%  3.5144ms         1  3.5144ms  3.5144ms  3.5144ms  add(int, float*, float*)
 
 
 
 
 

Shell
1
2
3
4
5
6
7
8
9
10
11
12
 
 
 
==9447== Profiling application: ./add_grid
==9447== Profiling result:
Time(%)      Time     Calls       Avg       Min       Max  Name
100.00%  1.8084ms         1  1.8084ms  1.8084ms  1.8084ms  add(int, float*, float*)
 
 
 
 
 

 

可以看出时间的变化，从167.48ms到3.5144ms，再到1.8084ms

 

 

我们注意到，对线程的管理实际上是三维的 :grid,block,thread.

为什么要这样设计？

一个这样做的目的是，在一个block中，thread可以通过share_memory 来共享数据。

通过在声明的变量前面添加 shared  来表示，这个变量是声明在share memory部分了。

share memory类似与缓存，容量小，但是速度快。不过这个cache是可以编程控制的。

在一个block中共享的data,对于其他block是不可见的。

我们不妨考虑一个例子，有2个数组a,b

进行如下运算：

 

为了加快运行速度，我们还是考虑多线程的办法。

让每一个线程处理一个输出。

然而我们发现，in中除了边界元素，每一个元素都被读了7次。

这显然是没有必要的。

问题的关键在于，不同的线程之间，不知道某个元素已经被读入了。

更进一步，不同线程之间可以共享数据吗？

答案是可以的。也就是上面提到的shared_memory

然而这样就可以了吗。。

由于线程的访问顺序是不固定的(?

会发生如下的问题：

 

解决办法很无脑。。。因为cuda并没有想象中得那么底层。。。

就是使用__syncthreads(); 来同步一个block中的所有进程。。。

完整代码如下：

C++
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
 
 
 
#include <iostream>
#include <cstdio>
#include <cmath>
#include <ctime>
 
const int R=3;
const int N=1<<20;
const int BLOCK_SIZE=256;
    __global__
void solve( int *in,int *out)
{
    __shared__ int tmp[BLOCK_SIZE + 2*R];
    int gindex = threadIdx.x + blockIdx.x * blockDim.x;
    int lindex = threadIdx.x + R;
//     printf ("%d %d\n",gindex,lindex-R);
//    printf("wang\n");
    //if (lindex < BLOCK_SIZE+2*R && gindex < N)
      tmp[lindex] = in[gindex];
 
 
//    if 这部分有问题。。。貌似是访问越界。。
    if (threadIdx.x < R)
    {
    if (lindex>=R && gindex>=R&&lindex-R<BLOCK_SIZE+2*R&&gindex-R<N)
       tmp[lindex-R] = in[gindex-R];
    if (lindex + BLOCK_SIZE< BLOCK_SIZE+2*R && gindex + BLOCK_SIZE < N )
       tmp[lindex+BLOCK_SIZE] = in[gindex + BLOCK_SIZE];
    }
    
  //  printf("miao\n");
    __syncthreads();
    int res = 0 ;
    
    for ( int offset = -R ; offset <= R ; offset++)
    {
//  printf ("offset:%d\n",offset);
//  if (lindex + offset < BLOCK_SIZE+2*R)
    res += tmp[lindex + offset];
    }
    
    out[gindex] = res;
    printf("res=%d\n",res);
}
 
void pr( int *A,int n)
{
    for ( int i = 0 ;i  <  10 ; i++) printf ("%d%c",A[i*10],i==9?'\n':' ');
}
 
int main(void)
{
    int *a,*b;
    if (cudaSuccess != cudaMallocManaged(&a,N*sizeof(int)))
    printf("Cuda Malloc error\n");
 
    if (cudaSuccess != cudaMallocManaged(&b,N*sizeof(int)))
    printf("Cuda Malloc error\n");
    for ( int i = 0 ; i < N ; i++)
    {
    a[i] = 1;
    }
    pr(a,N);
    pr(b,N);
    int numBlocks = ( N + BLOCK_SIZE -1 ) / BLOCK_SIZE;
    //solve<<<numBlocks,BLOCK_SIZE>>>(a,b);
    solve<<<1,256>>>(a,b);
    if (cudaSuccess !=cudaGetLastError())
    printf("kernel error!");
    // prt<<<numBlocks,BLOCK_SIZE>>>();
    cudaDeviceSynchronize();
    pr(b,N);
 
    //printf(cudaGetLastError());
    cudaFree(a);
    cudaFree(b);
 
    return 0;
}
 
 
 

 

 

需要特别强调的是，cuda代码的debug问题，很多错误，不用特定的工具查看是不会显示的。
以及，虽然cuda代码是在c++上添加了一些东西，但是device code部分用的是nvidia的编译器。
所以c/cpp中，对于访问非法内存不敏感的特点，在cuda代码中不存在（我猜是因为编译器…）
在访问之前，一定要check访问地址合法性。。。。

在访问之前，一定要check访问地址合法性。。。。

在访问之前，一定要check访问地址合法性。。。。

 

 

 

作者： CrazyKK

ex-ACMer@hust，stackoverflow-engineer@sensetime

说点什么

您将是第一位评论人！

提醒
wpDiscuz