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。
* <del>[An Even Easier Introduction to CUDA](https://devblogs.nvidia.com/even-easier-introduction-cuda/)</del>
* <del>[CUDA C/C++ Basics](https://drive.google.com/open?id=1kHYyM4yiJoyjkWjp7FJp0vae_TcvskjK)</del>
* <del>[nvidia-thrust 官方文档](http://docs.nvidia.com/cuda/thrust/index.html)</del>
* [how-access-global-memory-efficiently-cuda-c-kernels](https://devblogs.nvidia.com/how-access-global-memory-efficiently-cuda-c-kernels/)
* [efficient-matrix-transpose-cuda-cc](https://devblogs.nvidia.com/efficient-matrix-transpose-cuda-cc/)
* [很强大的warp内shuffle](https://devblogs.nvidia.com/faster-parallel-reductions-kepler/)
* [cuda-GDB官方文档](http://docs.nvidia.com/cuda/cuda-gdb/index.html)
* [cuda-c-best-practices-guide](http://docs.nvidia.com/cuda/cuda-c-best-practices-guide/)
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：
#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：
#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。
#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
➜ 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*)
==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*)
==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：
#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。。。。