CUDA编程接口（一）------一十八般武器------GPU的革命

 

CUDA编程接口（一）------一十八般武器

------GPU的革命

序言：所谓一十八般武器，不同的年代又有不同的说法，最早的汉武年间的：矛、镗、刀、戈、槊、鞭、锏、剑、锤、抓、戟、弓、钺、斧、牌、棍、枪、 叉。到三国的：九长： 刀、矛、戟、槊、镗、钺、棍、枪、叉；九短：斧、戈、牌、箭、鞭、剑、锏、锤、抓。再到明清的：弓、弩、枪、刀、剑、矛、盾、斧、钺、戟、黄、锏、挝、殳（棍）、叉、耙头、锦绳套索、白打（拳术 ）。 《水浒传》里的：矛、锤、弓、弩、铳、鞭、锏、剑、链、挝、斧、钺、戈、戟、牌、棒、枪、扒。 今天的武术届又有： 刀、枪、剑、戟、斧、钺、钩、叉、鞭、锏、锤、抓、镗、棍、槊、棒、拐、流 星。 400多种古代冷兵器时代的武器，常用的也只有这么多种。也就像我们的API一样，API有无数多个，你自己都可以给自己造几个API出来，常用的，或者就那么多个。要打天下也不能扛着锄头，竹竿干吧。秦国之所以能统一六国，在武器上的统一，提供同一个的型号的武器装备（看秦的历史，就可以发现所有的兵器都是同一型号生产，弓弩上的器件可以互换，从兵马俑坑中找到的剑戟，箭头的尺寸误差很小，都可以互换），也是他能战胜其他六国的很好的基础。

正文：

子曰：工欲善其事，必先利其器。我们要把显卡作为通用并行处理器来做并行算法处理，就得知道CUDA给我提供了什么样的接口，就得了解CUDA作为通用高性能计算平台上的一十八般武器。（如果你想自己开发驱动，自己写开发库- -那我不得不佩服你很有时间，想必也不会有很多人想自己在去实现一个CUDA吧，呵呵，虽然实现一个也不是太难）。书接上回《 CUDA硬件实现分析（二）------规行矩步------GPU的革命》前面我们讲到了一些简单的CUDA的C语言扩展的规则，下面就具体来讲解CUDA给我听哦买提供了多少方便的API函数。在开发CUDA的时候，CDUA也给我们提供了一套完整的API函数。从一开始就在想，怎么把这些枯燥的API函数，或者这CUDA的一十八般武器说得清楚。如果按照中文的翻译的第四章那么讲解，或许晕的人更多，只知道这些是武器，而不知道什么武器是用来干嘛的。从序言看到，十八般武艺所列兵器大同小异，形式和内容却十分丰富。有长器械，短器械；软器械、双器械；有带钩的、带刺的、带尖的、带刀的；有明的、暗的；有攻的、防的；有打的、杀的击的；也有射的、挡的。我们来看CUDA的时候，一看到这么多的API函数，先来给他分一些类，然后才好徐徐道来。

一、    API总结：

1.通用的一些接口，前一章节也有提高过：数学函数，时间函数，同步函数，原子操作；

2.控制Device的函数；就是得到设备信息，管理设备信息的函数。设置那块显卡工作，得到那块显卡的性能。这里有分为driver级别的API和runtime级别的API；有人会问什么是driver级别和runtime级别请看图：

这个图我们在前一章已经看到过了。不会不清楚吧～- -！driver级别的API就是提供驱动级别的API，就像写驱动一样的感觉。Runtime级别的API就是封装了一些Driver级别的API，按照一些常规的方法封装了一些底层的API。其实这里就像我们平时生活中一样，最开始对汽车不熟悉的时候，买一辆车回来能开就ok了；能用熟悉Runtime级别的API就行了。慢慢的，感觉汽车自带的音箱不好，自己就开始买一些原始设备回来改装车；慢慢的感觉整车都有点不爽了，然后慢慢的发现想修改发动机，修改外形……就开始改装车了，这样的工作，就得从Driver级别开始做了，玩得更高级一些的就自己设计图纸，自己来用一些零部件来组装车了。这就是Driver API和Runtime API的关系。Runtime的在开始的用起来一般都比较方便，慢慢的发现如果高层（high-level）的Runtime API用起来不方便，就用底层（low-level）的Driver API来自己做改装的车……

3.内存管理，host的内存，device的内存，global的内存，constant第，shared的，这里会分出来一章单独讲Texture（纹理）内存的使用，说实在的Texture也是内存～非要搞那么神秘，没办法，也只好拿出来单讲……PS：内存管理也分为Runtime级别的API接口，和Device级别的API接口。

4.程序运行控制：像Stream，Event，Context, Module, Execution control这样的咱都把归类到运行管理的。这里也得分清楚有Runtime级别的，也有Driver级别的。

5.好了，这里就剩下OpenGL和Direct3D的接口函数了，其实把，这也是为了方便做图来用的，主要是OpenGL和DX都已经成了图形显示方面的标准，so～显卡也得照顾这两个东东了，要不然显卡自己画……hoho要是真自己再来实现OpenGL或者DX，CUDA就真的会头大了，hoho～～还好就借用现有的图形显示的程序来做就行了。牛顿人家都说是站在“牛头人”（巨人）的肩膀上才能看得更远……咱也不要非自己费那么大的经去做一些无用功。想想吃不饱的时候没看到多少人减肥的，倒是现在吃得好了，减肥的人多了……长胖了去健身房减肥，始终感觉有点怪怪的……拿钱去做无用功，（有用功就是减肥）不过现在也有人在做实验，把多余的这些减肥的人的能量转化为电力……扯远了……提一下：他也有两个层次的API，有Runtime层次的，也有Driver层次的。

好了，差不多就这5个部分的API了。下面我们就来个个讲解CUDA的十八般武器。

二、    API讲解

记得小时候练过几天棍法，现在好像起式都记不起来啦，哈哈，只记得棍要齐眉，剑齐耳朵，不知道错没，hoho。大学的时候一直想给武术队的张锐学九节鞭，不过一直太忙，除了和他练习过几次散打对抗，看他刀+鞭，双刀，枪，剑，九节鞭练习过几次以外，到大学毕业，也都没机会学九节鞭，～现在也就留着那一根九节鞭在身边。看到它就能想起一些朋友吧：）大学毕业也就各奔东西，都不知道他现在在干嘛……

又走神了……想想前面五个部分，下面一部分一部分的讲解：

1. 一些通用的函数：

数学函数，前面章节已经讲了，提一下CUDA 2.0里面添加了一两个新的函数。

时间函数，clock()这个自己去查C的函数库；还有CUDA提供的几个时间函数，用起来也没什么难的，只是说一些，CUDA提供的几个时间函数在计算Device上的运行时间的时候，和CPU上的时间函数比起来还不是那么的完美的准确，所以在做时间数据的时候，最好多取几次求个平均。

同步函数前面章节讲到了， __syncthreads()函数，原子操作函数也就和以前的原子操作函数一个道理，也不用多加解释。不过其实我都觉得这__syncthreads()函数都应该归到程序运行控制部分。

2．Device管理

Runtime和Driver层面的API都提供了设备管理的函数，其实两个层面的API提供的功能都差不多，可以在API的说明中查到他的区别。这里需要指出来的是虽然Host主机上的多线程程序是应该可以同时访问同一块显卡（Device）的，毕竟显卡就是按照PCIE标准插在PCI插槽上的标准设备（也有AGP接口的），这就是一个多线程访问硬件的问题了。So～本来是应该可以的。但是由于CUDA的设计原因，这里的host上的当个多线程的线程每个线程都要执行CUDA kernel的时候，就必须执行在多个Device上面。保证每个线程访问的Device不是同一个。多个线程线程A不能分享线程B在Device上创建的资源。

Runtime API：cudaGetDeviceCount() 和 cudaGetDeviceProperties() 提供了遍历硬件设备，得到某个设备性能参数的功能。

 

int deviceCount;

cudaGetDeviceCount (&deviceCount);

int device;

for (device = 0; device < deviceCount; ++device) {

 cudaDeviceProp deviceProp;

 cudaGetDeviceProperties(&deviceProp, device);

}

cudaSetDevice() 设置某一块 Device作为这个主机host上的某一个运行线程的设备:

cudaSetDevice(device);

这个函数必须要在使用 __global__ 的函数或者 Runtime

的其他的 API调用之前才能生效。 如果没有调用 cudaSetDevice()， device 0 就会被设置为默认的设备，接下里的如果还有 cudaSetDevice() 函数也不会有效果。

 

 

Driver API：

cuDeviceGetCount() 和 cuDeviceGet()  看名字就知道干嘛的～（英语不好的这应该能看明白吧- -！不要被我这个那 国家四级都没过的人BS你哈～！～）

int deviceCount;

cuDeviceGetCount (&deviceCount);

int device;

for (int device = 0; device < deviceCount; ++device) {

 CUdevice cuDevice;

 cuDeviceGet(&cuDevice, device);

 int major, minor;

 cuDeviceComputeCapability(&major, &minor, cuDevice);

}

3．内存管理：

Device上的内存可以被分配成线性的，也可以分配为CUDA的数组形式的。CUDA的内存可以为1维，2维，还有3维（2.0版本）。内存的类型有unsigned8，16或者32位的int，16位（只有driver API可以做到）float，32位的float。这里分配的内存也只能通过kernel里面的函数通过处理纹理的方法来处理。这个地方也是GPU的历史原因了，以前都是处理图像的，所以这里叫纹理。……叫啥都是别人取得名字 - -！在计算机里面不就是内存嘛 - -！

Host的runtime的运行库也提供按照page-locked的内存管理的函数，page-locked的内存要比pageable方式快很多。好的东西往往比较少～page-locked就是很稀少的。如果通过减少分配pageable的内存来分配多的page-locked内存，系统需要的分页内存就少了，这也就会让系统的性能降低了。所以在处理这块的时候要合理。

Runtime API：

使用 cudaMalloc() 或者 cudaMallocPitch() 来分配线性内存，通过 cudaFree()释放内存 .

下面是分配一个大小为 256 float数组的方法:

 

float* devPtr;

cudaMalloc((void**)&devPtr, 256 * sizeof(float));

 

在使用 2D数组的时候最好用cudaMallocPitch()来分配，在guide的第五章在讲到内存之间的调度的时候，就会看到他的好处。下面是一个分配一个大小为width×height 2D float数组的例子:

// host code

float * devPtr;

int pitch;

cudaMallocPitch ((void**)&devPtr, &pitch,

                    width * sizeof(float), height);

myKernel <<<100, 512>>>(devPtr, pitch);

// device code

__global__ void myKernel(float* devPtr, int pitch)

{

 for (int r = 0; r < height; ++r) {

        float* row = (float*)((char*)devPtr + r * pitch);

        for (int c = 0; c < width; ++c) {

              float element = row[c];

        }

 }

}

 

CUDA 的数组方式，需要用 cudaMallocArray()和cudaFreeArray() . cudaMallocArray() 又需要 cudaCreateChannelDesc()来管理，这个其实可以在第guide的第五章里面可以看到，我们后面也会详细的介绍内存的调度和管理，和传统的GPU的内存方式不一样的地方 .

分配 width×height 32位float的CUDA array例子:

cudaChannelFormatDesc channelDesc =

cudaCreateChannelDesc <float>();

cudaArray * cuArray;

cudaMallocArray (&cuArray, &channelDesc, width, height);

 

cudaGetSymbolAddress用来在全局中定位一个数组的位置，然后 cudaGetSymbolSize()来回忆他分配的时候大小----如果有全局编程或者多线程编程经验的，或者用过几个函数同时处理一个数据的经验，都会为了把数据的独立性弄出来，不能让数据和函数耦合太大，一般都不会让函数直接牵扯上数据，只是在函数处理的时候重新定位数据----这地方有点绕～～

下面是一些例子，内存之间的拷贝，回想一下有几种内存～ linear的有两个函数可以分配的，还有CUDA array的内存:

cudaMemcpy2DToArray (cuArray, 0, 0, devPtr, pitch,

                          width * sizeof(float), height,

                          cudaMemcpyDeviceToDevice);

The following code sample copies some host memory array to device memory:

float data[256];

int size = sizeof(data);

float * devPtr;

cudaMalloc ((void**)&devPtr, size);

cudaMemcpy (devPtr, data, size, cudaMemcpyHostToDevice);

从 host上面拷贝内存到device的constant上面 :

__constant__ float constData[256];

float data[256];

cudaMemcpyToSymbol (constData, data, sizeof(data));

 

 

 

 

-#%#$^$^*^&系统int中断：(@$:突然发现已经是早上8点多了 - -！又一夜！@#￥%……！#……

 

Driver API：

cuMemAllocPitch() 被推荐来作为 2D的数组分配函数，会在内存对齐方面做一些check～然后保证在处理数据（像 cuMemcpy2D()这样的拷贝函数 )的时候达到最优的速度。下面就是一个float的width×height的2D的数组，并在循环里面处理的例子: ----（这个地方扩展提两个东东：一个是内存对齐，做程序优化的时候，或者处理网络问题的时候，都会遇到这些问题，内存对齐是一个普遍存在的问题，像SSE这样的编程的时候也是要求内存对齐的，看以后要是有机会以单独讲解内存对齐的问题：）第二个是CUDA的内存访问的问题，就是很多朋友都会在写kernel的时候，搞不明白里面的threadid，block id和传进来的内存的关系，这个地方必须要搞清楚的；内存和线程是CUDA编程必须搞明白的两个概念，不然到时候就会很混乱。其实看看前面的章节，应该能看明白的，不明白就用手画图～要是感觉还是有点不太清楚，也不要担心，接下来的章节会单独把一些难懂的问题更详细的讲解。）

// host code

CUdeviceptr devPtr;

int pitch;

cuMemAllocPitch (&devPtr, &pitch,

                    width * sizeof(float), height, 4);

cuModuleGetFunction (&cuFunction, cuModule, “myKernel”);

cuFuncSetBlockShape (cuFunction, 512, 1, 1);

cuParamSeti (cuFunction, 0, devPtr);

cuParamSetSize (cuFunction, sizeof(devPtr));

cuLaunchGrid (cuFunction, 100, 1);

// device code

__global__ void myKernel(float* devPtr)

{

 for (int r = 0; r < height; ++r) {

        float* row = (float*)((char*)devPtr + r * pitch);

        for (int c = 0; c < width; ++c) {

              float element = row[c];

        }

 }

}

 

cuArrayCreate()和cuArrayDestroy() 来创建和释放 CUDA array类型的数组。下面是一个 width×height 32-bit float类型的CUDA array 分配的例子：

CUDA_ARRAY_DESCRIPTOR desc;

desc .Format = CU_AD_FORMAT_FLOAT;

desc .NumChannels = 1;

desc .Width = width;

desc .Height = height;

CUarray cuArray;

cuArrayCreate (&cuArray, &desc);

 

这个也是几个内存之间拷贝的例子 :

CUDA_MEMCPY2D copyParam;

memset (&copyParam, 0, sizeof(copyParam));

copyParam .dstMemoryType = CU_MEMORYTYPE_ARRAY;

copyParam .dstArray = cuArray;

copyParam .srcMemoryType = CU_MEMORYTYPE_DEVICE;

copyParam .srcDevice = devPtr;

copyParam .srcPitch = pitch;

copyParam .WidthInBytes = width * sizeof(float);

copyParam .Height = height;

cuMemcpy2D (&copyParam);

 

拷贝 host上面的内存到device上面：

float data[256];

int size = sizeof(data);

CUdeviceptr devPtr;

cuMemAlloc (&devPtr, size);

cuMemcpyHtoD (devPtr, data, size);

 

本来想一次把下面的 4，5点也讲了～但是如果一下讲出来～lz帖子太长了～～这就不好了～～呵呵，实在的，看第四章的中文翻译的时候，就看了前面几个就不想看了～帖子不能老长老长的又不吸引人- -！hoho～ 所以后面的4，5就在下贴里面发了～～看了这么多也比较累的～好好的休闲一下～你还会发现出了4，5部分，还少了一个部分，那就是CUDA自己的函数，怎么定义，有device的，有global的，这个又有怎么区分啦～且听下回讲解。Hoho

 

ps：熬夜不好～熬夜很伤身……

 

有的时候，我们经常会用旧的东东来和新的东东比较，就像 C和C++都不知道争论多少年了。其实很多时候我到觉得是没必要的争论，除非你是做C或者C++本身开发的。就像新的硬件不停的变化，以前的概念或者今天就不能用了，有的时候，我们关心架构在这个之上的程序开发就够了，没有太多的必要去问茴香豆的茴有几种写法。有的时候看到论坛里面的争论的时候，很多都不太清楚问题的也参加到争论里面，感觉就是明白事的没有几个，倒是起哄的不少 - -！人家说当局者迷，旁观者清，我看现在很多时候倒是当局者清，旁观者瞎起哄- -！呵呵，好像合乎了现在很多选秀节目的心理哈，起哄的人越多，人家的节目越红，哈哈～----扯远了……

 

Ps2：在学习API的时候，最好的方法就是多实验，多尝试API的性能，就像练习武术中的器械一样，经常用才会精通的，才能在这个基础上想出新的招式。就像有人在优快云论坛问，怎么才能弄好ACM比赛，看到像刘汝佳写的《算法艺术与信息学竞赛》的书，都是一些方法，没有代码，就觉得很不解，就像问用什么代码来实现。我的回答就是：阅尽天下A×，心中自然无码。多做代码的练习，找一本数据结构的书，对照上面的代码都自己实现一遍，找一个代码练习的书，自己都重新写一遍。要不然就把像MSDN这样的介绍API的资料上的Demo能实现多少都去实现以下，呵呵。其实学习怎么编码都是一些基础工作。最重要的到最后都是算法的实现。其实到最后你会发现写程序就是数组的处理，就是字符串的处理……仅此而已～。所以不要小看了C语言那些书上的小程序例子，不要小看了输出（**）星星这样的例子，实际程序中很多时候都是处理这些星星～hoho～不要一上来就想去写什么游戏，写什么网络软件～先把字符串处理好了，就nb了，真的～你看ACM的题目，topcoder的题目，几乎都是字符串处理- -！哈哈。多实践，多去做一些demo例子。到真正用的时候就会觉得手到擒来，怎么用怎么顺手了。

还是那句话：约尽天下 A×，心中自然无码。

再多 ps一句：上次和刘汝佳聊天，他准备在新版的书中用java来添加一些代码实现讲解，哈哈～hoho