CUDA编程－（2）其实写个矩阵相乘并不是那么难

程序代码及图解析：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18

#include <iostream> #include "book.h" __global__ void add( int a, int b, int *c ) {     *c = a + b; } int main( void ) {     int c;     int *dev_c;     HANDLE_ERROR( cudaMalloc( (void**)&dev_c, sizeof(int) ) );     add<<<1,1>>>( 2, 7, dev_c );     HANDLE_ERROR( cudaMemcpy( &c,         dev_c,         sizeof(int),         cudaMemcpyDeviceToHost ) );     printf( "2 + 7 = %d\n", c );     cudaFree( dev_c );     return 0; }

函数原型：__host__cudaError_t cudaMemcpy (void *dst, const void *src, size_t count, cudaMemcpyKind kind)

作用：在设备端和主机端拷贝数据。

参数：dst 目的地址 src 源地址 count 拷贝字节大小kind 传输的类型

返回值：

cudaSuccess, cudaErrorInvalidValue, cudaErrorInvalidDevicePointer, cudaErrorInvalidMemcpyDirection

说明:

从源地址拷贝设定数量的字节数至目的地址，kind类型有四种，分别为：

cudaMemcpyHostToHost, cudaMemcpyHostToDevice,  cudaMemcpyDeviceToHost, cudaMemcpyDeviceToDevice，

通过指定方向进行拷贝。存储器区域不可重叠。如若产生未定义拷贝方向的行为，dst和src将不匹配。

 正文

前面的图是最简单的一个CUDA程序，它引出了Grid Block Thread概念。很多threads组成1维，2维or3维的thread block. 为了标记thread在block中的位置（index），我们可以用上面讲的threadIdx。threadIdx是一个维度<=3的vector。还可以用thread index（一个标量）表示这个位置。

thread的index与threadIdx的关系：

	Thread index
1	T
2	T.x + T.y * Dx
3	T.x+T.y*Dx+z*Dx*Dy

其中T表示变量threadIdx。（Dx, Dy, Dz）为block的size（每一维有多少threads）。

因为一个block内的所有threads会在同一处理器内核上共享内存资源，所以block内有多少threads是有限制的。目前GPU限制每个 block最多有1024个threads。但是一个kernel可以在多个相同shape的block上执行，效果等效于在一个有N*#thread per block个thread的block上执行。

Block又被组织成grid。同样，grid中block也可以被组织成1维，2维or3维。一个grid中的block数量由系统中处理器个数或待处理的数据量决定。（来自这里)

 下图中描述了Thread、Block、Grid内存的访问机制。

每个thread有自己的local-memory。每一个block有自己的共享内存、grid和grid之间可以同时访问全局内存。这里要注意：block和block之间不能访问同一个共享内存，他们只能访问自己的共享内存。

cudaGetDeviceCount( &count )查询服务器的CUDA信息.

1 2 3 4 5 6 7 8 9 10 11 12 13 14

#include <stdio.h> #include <cuda_runtime.h> int main() {         int deviceCount;         cudaGetDeviceCount(&deviceCount);         int device;         for(device = 0; device < deviceCount; ++device)         {                 cudaDeviceProp deviceProp;                 cudaGetDeviceProperties(&deviceProp,device);                 printf("Device %d has compute capability %d.%d.\n",device,deviceProp.major,deviceProp.minor);         } }

结果：

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

struct cudaDeviceProp {     char name[256]; //识别设备的ASCII字符串（例如，“GeForce GTX 280”）     size_t totalGlobalMem; //全局内存大小     size_t sharedMemPerBlock; //每个block内共享内存的大小     int regsPerBlock; //每个block32位寄存器的个数     int warpSize; // warp大小     size_t memPitch; //内存中允许的最大间距字节数     int maxThreadsPerBlock; //每个Block中最大的线程数是多少     int maxThreadsDim[3]; // 一个块中每个维度的最大线程数     int maxGridSize[3]; //一个网格的每个维度的块数量     size_t totalConstMem; //可用恒定内存量     int major; //该设备计算能力的主要修订版号     int minor; //设备计算能力的小修订版本号     int clockRate; //时钟速率     size_t textureAlignment; //该设备对纹理对齐的要求     int deviceOverlap; //一个布尔值，表示该装置是否能够同时进行cudamemcpy()和内核执行     int multiProcessorCount; //设备上的处理器的数量     int kernelExecTimeoutEnabled; //一个布尔值，该值表示在该设备上执行的内核是否有运行时的限制     int integrated; //返回一个布尔值，表示设备是否是一个集成的GPU（即部分的芯片组、没有独立显卡等）     int canMapHostMemory; //表示设备是否可以映射到CUDA设备主机内存地址空间的布尔值     int computeMode; //一个值，该值表示该设备的计算模式：默认值，专有的，或禁止的     int maxTexture1D; //一维纹理内存最大值     int maxTexture2D[2]; //二维纹理内存最大值     int maxTexture3D[3]; //三维纹理内存最大值     int maxTexture2DArray[3]; //二维纹理阵列支持的最大尺寸     int concurrentKernels; //一个布尔值，该值表示该设备是否支持在同一上下文中同时执行多个内核 ｝

 

矩阵相乘也非常简单，难在如何在这个基础上提高速率。比如：引入sharememory。

代码：

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

#include <stdio.h> #include <cuda_runtime.h> #include <device_launch_parameters.h> #include <time.h> #include <stdlib.h>   __global__ void MatrixMuiOnDevice(int *M,int *N, int *P, int width) {               int x = threadIdx.x;         int y = threadIdx.y; //获取该线程的位置                   float Pervalue = 0;                   for (int i = 0; i < width; i++)         {                       float Mdlement = M[y * width + i];                 float Ndlement = N[width * i + x];                                   Pervalue += Mdlement * Ndlement;         }                   P[y * width + x] = Pervalue; } int main() {               int a[30][30],b[30][30],c[30][30];         int *M, *N, *P;         int width = 30;         int NUM = 900;         dim3 dimBlock(30,30);         cudaEvent_t start,stop;         float elapsedTime;         cudaEventCreate(&start);         cudaEventCreate(&stop);             cudaMalloc((void**)&M, 900*sizeof(int));         cudaMalloc((void**)&N, 900*sizeof(int));         cudaMalloc((void**)&P, 900*sizeof(int));         //初始化         for(int i = 0; i < 30; i++)                 for(int j = 0; j < 30; j++)                 {                         a[i][j] = 2;                         b[i][j] = 3;                 }           cudaMemcpy(M,a,NUM*sizeof(int),cudaMemcpyHostToDevice);         cudaMemcpy(N,b,NUM*sizeof(int),cudaMemcpyHostToDevice);         cudaMemcpy(c,P,NUM*sizeof(int),cudaMemcpyDeviceToHost);         cudaEventRecord(start,0);         MatrixMuiOnDevice<<<1,dimBlock>>>(M,N,P,width);         cudaThreadSynchronize();         cudaEventRecord(stop,0);         cudaEventSynchronize(stop);         cudaEventElapsedTime(&elapsedTime,start,stop);           printf("%f\n",elapsedTime);         for(int i = 0; i < 30; i++)                 for(int j = 0; j < 30; j++)                 {                         printf("%d \n",c[i][j]);                 }           cudaFree(M);         cudaFree(N);         cudaFree(P);         return 0; }

share memory 改进。加入同步机制 __syncthreads(),即 等待之前的所有线程执行完毕后再接下去执行。

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

#include <stdio.h> #include <cuda_runtime.h> #include <device_launch_parameters.h> #include <time.h> #include <stdlib.h>   #define TILE_WIDTH 25   __global__ void MatrixMuiOnDevice(int *M,int *N, int *P, int width) {                  __shared__ float Mds[TILE_WIDTH][TILE_WIDTH];         __shared__ float Nds[TILE_WIDTH][TILE_WIDTH];                 int bx = blockIdx.x;         int by = blockIdx.y;         int tx = threadIdx.x;         int ty = threadIdx.y;         int Col = bx * TILE_WIDTH + tx;         int Row = by * TILE_WIDTH + ty; //获取该线程的位置               int Pervalue = 0;                   for (int i = 0; i < width / TILE_WIDTH; i++)         {                   Mds[ty][tx] = Md[Row * width+(i * TILE_WIDTH + tx)];             Nds[ty][tx] = Nd[Col + (i * TILE_WIDTH + ty) * width];             __syncthreads();               for (int  k = 0; k < width / TILE_WIDTH; k++)                 Pervalue += Mds[ty][k] * Nds[k][tx];             __syncthreads();                 }           P[Row * width + Col] = Pervalue; }   int main() {         int WID = 100;         int a[WID][WID],b[WID][WID],c[WID][WID];         int *M, *N, *P;         int width = WID / 4 ;;         int NUM = WID*WID;         dim3 dimGrid(WID/width,WID/width);         dim3 dimBlock(width,width);         cudaEvent_t start,stop;         float elapsedTime;         cudaEventCreate(&start);         cudaEventCreate(&stop);             cudaMalloc((void**)&M, NUM*sizeof(int));         cudaMalloc((void**)&N, NUM*sizeof(int));         cudaMalloc((void**)&P, NUM*sizeof(int));         //初始化         for(int i = 0; i < 100; i++)                 for(int j = 0; j < 100; j++)                 {                     a[i][j] = 2;                     b[i][j] = 3;                 }           cudaMemcpy(M,a,NUM*sizeof(int),cudaMemcpyHostToDevice);         cudaMemcpy(N,b,NUM*sizeof(int),cudaMemcpyHostToDevice);         cudaMemcpy(c,P,NUM*sizeof(int),cudaMemcpyDeviceToHost);         cudaEventRecord(start,0);         MatrixMuiOnDevice<<<dim,dimBlock>>>(M,N,P,width);         cudaThreadSynchronize();         cudaEventRecord(stop,0);         cudaEventSynchronize(stop);         cudaEventElapsedTime(&elapsedTime,start,stop);           printf("%f\n",elapsedTime);           cudaFree(M);         cudaFree(N);         cudaFree(P);         return 0; }

小结

第一个执行时间：

share memory执行时间：

 注意，核函数内不是所有线程一起进去执行，这个概念模糊不清。我们需要理解成，所有的线程并行执行核函数里面的程序，即每一个线程都会执行该函数，所有线程执行完，即结束。这个简单的概念，我一开始想了很久。