cuda 学习笔记

Note: This article is available in Chinese only. 本文暂无英文版本。 View original

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：

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

如果用cuda的方式来搞，代码如下：

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

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。

CUDA Host / Device 代码（根据正文上下文重绘的示例图，并非遗失原图）

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。

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

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

 1➜ learn>nvprof ./add_cuda
 2==9312== NVPROF is profiling process 9312, command: ./add_cuda
 3Max error: 0
 4==9312== Profiling application: ./add_cuda
 5==9312== Profiling result:
 6Time(%)      Time     Calls       Avg       Min       Max  Name
 7100.00%  167.48ms         1  167.48ms  167.48ms  167.48ms  add(int, float*, float*)
 8
 9
10
11==9382== Profiling application: ./add_block
12==9382== Profiling result:
13Time(%)      Time     Calls       Avg       Min       Max  Name
14100.00%  3.5144ms         1  3.5144ms  3.5144ms  3.5144ms  add(int, float*, float*)
15
16
17
18
19==9447== Profiling application: ./add_grid
20==9447== Profiling result:
21Time(%)      Time     Calls       Avg       Min       Max  Name
22100.00%  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：

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

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。。。。

Related