CUDA Samples: image normalize(mean/standard deviation)

以下CUDA sample是分别用C++和CUDA实现的通过均值和标准差对图像进行类似归一化的操作，并对其中使用到的CUDA函数进行了解说，各个文件内容如下：

关于均值和标准差的计算公式可参考： http://blog.youkuaiyun.com/fengbingchun/article/details/73323475

funset.cpp: 

#include "funset.hpp"
#include <random>
#include <iostream>
#include <vector>
#include <memory>
#include <string>
#include <algorithm>
#include "common.hpp"
#include <opencv2/opencv.hpp>

int test_image_normalize()
{
	std::string image_name{ "E:/GitCode/CUDA_Test/test_images/lena.png" };
	cv::Mat matSrc = cv::imread(image_name);
	if (!matSrc.data) {
		fprintf(stderr, "read image fail: %s\n", image_name.c_str());
		return -1;
	}

	const int width{ 511 }, height{ 473 }, channels{ 3 };
	cv::resize(matSrc, matSrc, cv::Size(width, height));
	matSrc.convertTo(matSrc, CV_32FC3);
	std::vector<cv::Mat> matSplit;
	cv::split(matSrc, matSplit);
	CHECK(matSplit.size() == channels);
	std::unique_ptr<float[]> data(new float[matSplit[0].cols * matSplit[0].rows * channels]);
	size_t length{ matSplit[0].cols * matSplit[0].rows * sizeof(float) };
	for (int i = 0; i < channels; ++i) {
		memcpy(data.get() + matSplit[0].cols * matSplit[0].rows * i, matSplit[i].data, length);
	}

	float elapsed_time1{ 0.f }, elapsed_time2{ 0.f }; // milliseconds
	std::unique_ptr<float[]> dst1(new float[matSplit[0].cols * matSplit[0].rows * channels]);
	std::unique_ptr<float[]> dst2(new float[matSplit[0].cols * matSplit[0].rows * channels]);

	int ret = image_normalize_cpu(data.get(), dst1.get(), width, height, channels, &elapsed_time1);
	if (ret != 0) PRINT_ERROR_INFO(image_normalize_cpu);

	ret = image_normalize_gpu(data.get(), dst2.get(), width, height, channels, &elapsed_time2);
	if (ret != 0) PRINT_ERROR_INFO(image_normalize_gpu);

	int count{ 0 }, num{ width * height * channels };
	for (int i = 0; i < num; ++i) {
		if (fabs(dst1[i] - dst2[i]) > 0.01/*EPS_*/) {
			fprintf(stderr, "index: %d, val1: %f, val2: %f\n", i, dst1[i], dst2[i]);
			++count;
		}
		if (count > 100) return -1;
	}

	std::vector<cv::Mat> merge(channels);
	for (int i = 0; i < channels; ++i) {
		merge[i] = cv::Mat(height, width, CV_32FC1, dst2.get() + i * width * height);
	}
	cv::Mat dst3;
	cv::merge(merge, dst3);
	dst3.convertTo(dst3, CV_8UC3, 255.f);
	cv::imwrite("E:/GitCode/CUDA_Test/test_images/image_normalize.png", dst3);
	//cv::resize(matSrc, matSrc, cv::Size(width, height));
	//cv::imwrite("E:/GitCode/CUDA_Test/test_images/image_src.png", matSrc);

	fprintf(stderr, "test image normalize: cpu run time: %f ms, gpu run time: %f ms\n", elapsed_time1, elapsed_time2);

	return 0;
}

image_normalize.cpp:

#include "funset.hpp"
#include <vector>
#include <chrono>
#include "common.hpp"

int image_normalize_cpu(const float* src, float* dst, int width, int height, int channels, float* elapsed_time)
{
	auto start = std::chrono::steady_clock::now();

	const int offset{ width * height };
	for (int i = 0; i < channels; ++i) {
		const float* p1 = src + offset * i;
		float* p2 = dst + offset * i;
		float mean{ 0.f }, sd{ 0.f };

		for (int t = 0; t < offset; ++t) {
			mean += p1[t];
			sd += pow(p1[t], 2.f);
			p2[t] = p1[t];
		}

		mean /= offset;
		sd /= offset;
		sd -= pow(mean, 2.f);
		sd = sqrt(sd);
		if (sd < EPS_) sd = 1.f;

		for (int t = 0; t < offset; ++t) {
			p2[t] = (p1[t] - mean) / sd;
		}
	}

	auto end = std::chrono::steady_clock::now();
	auto duration = std::chrono::duration_cast<std::chrono::nanoseconds>(end - start);
	*elapsed_time = duration.count() * 1.0e-6;

	return 0;
}

image_normalize.cu:

#include "funset.hpp"
#include <iostream>
#include <memory>
#include <algorithm>
#include <cmath>
#include <cuda_runtime.h> // For the CUDA runtime routines (prefixed with "cuda_")
#include <device_launch_parameters.h>
#include "common.hpp"

/* __global__: 函数类型限定符;在设备上运行;在主机端调用,计算能力3.2及以上可以在
设备端调用;声明的函数的返回值必须是void类型;对此类型函数的调用是异步的,即在
设备完全完成它的运行之前就返回了;对此类型函数的调用必须指定执行配置,即用于在
设备上执行函数时的grid和block的维度,以及相关的流(即插入<<<   >>>运算符);
a kernel,表示此函数为内核函数(运行在GPU上的CUDA并行计算函数称为kernel(内核函
数),内核函数必须通过__global__函数类型限定符定义);*/
__global__ static void image_normalize(const float* src, float* dst, int count, int offset)
{
	/* gridDim: 内置变量,用于描述线程网格的维度,对于所有线程块来说,这个
	变量是一个常数,用来保存线程格每一维的大小,即每个线程格中线程块的数量.
	一个grid最多只有二维,为dim3类型；
	blockDim: 内置变量,用于说明每个block的维度与尺寸.为dim3类型,包含
	了block在三个维度上的尺寸信息;对于所有线程块来说,这个变量是一个常数,
	保存的是线程块中每一维的线程数量;
	blockIdx: 内置变量,变量中包含的值就是当前执行设备代码的线程块的索引;用
	于说明当前thread所在的block在整个grid中的位置,blockIdx.x取值范围是
	[0,gridDim.x-1],blockIdx.y取值范围是[0, gridDim.y-1].为uint3类型,
	包含了一个block在grid中各个维度上的索引信息;
	threadIdx: 内置变量,变量中包含的值就是当前执行设备代码的线程索引;用于
	说明当前thread在block中的位置;如果线程是一维的可获取threadIdx.x,如果
	是二维的还可获取threadIdx.y,如果是三维的还可获取threadIdx.z;为uint3类
	型,包含了一个thread在block中各个维度的索引信息 */
	int index = threadIdx.x + blockIdx.x * blockDim.x;
	if (index > count - 1) return;

	const float* input = src + index * offset;
	float* output = dst + index * offset;
	float mean{ 0.f }, sd{ 0.f };

	for (size_t i = 0; i < offset; ++i) {
		mean += input[i];
		sd += pow(input[i], 2.f);
		output[i] = input[i];
	}

	mean /= offset;
	sd /= offset;
	sd -= pow(mean, 2.f);
	sd = sqrt(sd);
	if (sd < EPS_) sd = 1.f;

	for (size_t i = 0; i < offset; ++i) {
		output[i] = (input[i] - mean) / sd;
	}
}

int image_normalize_gpu(const float* src, float* dst, int width, int height, int channels, float* elapsed_time)
{
	/* cudaEvent_t: CUDA event types,结构体类型, CUDA事件,用于测量GPU在某
	个任务上花费的时间,CUDA中的事件本质上是一个GPU时间戳,由于CUDA事件是在
	GPU上实现的,因此它们不适于对同时包含设备代码和主机代码的混合代码计时 */
	cudaEvent_t start, stop;
	// cudaEventCreate: 创建一个事件对象,异步启动
	cudaEventCreate(&start);
	cudaEventCreate(&stop);
	// cudaEventRecord: 记录一个事件,异步启动,start记录起始时间
	cudaEventRecord(start, 0);

	float *dev_src{ nullptr }, *dev_dst{ nullptr };
	size_t length{ width * height * channels * sizeof(float) };

	// cudaMalloc: 在设备端分配内存
	cudaMalloc(&dev_src, length);
	cudaMalloc(&dev_dst, length);

	/* cudaMemcpy: 在主机端和设备端拷贝数据,此函数第四个参数仅能是下面之一:
	(1). cudaMemcpyHostToHost: 拷贝数据从主机端到主机端
	(2). cudaMemcpyHostToDevice: 拷贝数据从主机端到设备端
	(3). cudaMemcpyDeviceToHost: 拷贝数据从设备端到主机端
	(4). cudaMemcpyDeviceToDevice: 拷贝数据从设备端到设备端
	(5). cudaMemcpyDefault: 从指针值自动推断拷贝数据方向,需要支持
	统一虚拟寻址(CUDA6.0及以上版本)
	cudaMemcpy函数对于主机是同步的 */
	cudaMemcpy(dev_src, src, length, cudaMemcpyHostToDevice);

	/* <<< >>>: 为CUDA引入的运算符,指定线程网格和线程块维度等,传递执行参
	数给CUDA编译器和运行时系统,用于说明内核函数中的线程数量,以及线程是如何
	组织的;尖括号中这些参数并不是传递给设备代码的参数,而是告诉运行时如何
	启动设备代码,传递给设备代码本身的参数是放在圆括号中传递的,就像标准的函
	数调用一样;不同计算能力的设备对线程的总数和组织方式有不同的约束;必须
	先为kernel中用到的数组或变量分配好足够的空间,再调用kernel函数,否则在
	GPU计算时会发生错误,例如越界等;
	使用运行时API时,需要在调用的内核函数名与参数列表直接以<<<Dg,Db,Ns,S>>>
	的形式设置执行配置,其中：Dg是一个dim3型变量,用于设置grid的维度和各个
	维度上的尺寸.设置好Dg后,grid中将有Dg.x*Dg.y个block,Dg.z必须为1;Db是
	一个dim3型变量,用于设置block的维度和各个维度上的尺寸.设置好Db后,每个
	block中将有Db.x*Db.y*Db.z个thread;Ns是一个size_t型变量,指定各块为此调
	用动态分配的共享存储器大小,这些动态分配的存储器可供声明为外部数组
	(extern __shared__)的其他任何变量使用;Ns是一个可选参数,默认值为0;S为
	cudaStream_t类型,用于设置与内核函数关联的流.S是一个可选参数,默认值0. */
	image_normalize << < channels, 512 >> >(dev_src, dev_dst, channels, width*height);

	cudaMemcpy(dst, dev_dst, length, cudaMemcpyDeviceToHost);

	// cudaFree: 释放设备上由cudaMalloc函数分配的内存
	cudaFree(dev_src);
	cudaFree(dev_dst);

	// cudaEventRecord: 记录一个事件,异步启动,stop记录结束时间
	cudaEventRecord(stop, 0);
	// cudaEventSynchronize: 事件同步,等待一个事件完成,异步启动
	cudaEventSynchronize(stop);
	// cudaEventElapseTime: 计算两个事件之间经历的时间,单位为毫秒,异步启动
	cudaEventElapsedTime(elapsed_time, start, stop);
	// cudaEventDestroy: 销毁事件对象,异步启动
	cudaEventDestroy(start);
	cudaEventDestroy(stop);

	return 0;
}

原图如下：

结果图如下：

执行结果如下：由运行时间可知，GPU要远慢于CPU，后面再对GPU实现进行优化。还有一个问题是，在Release下，执行正常，在Debug下，GPU，在调用核函数时，会在for循环中无故退出，具体原因还未知，后面待进一步分析。

GitHub： https://github.com/fengbingchun/CUDA_Test