以下CUDA sample是分別用C++和CUDA實現的點積運算code，CUDA包括普通實現和采用零拷貝內存實現兩種，并對其中使用到的CUDA函數進行了解說，code參考了《GPU高性能編程CUDA實戰》一書的第十一章，各個文件內容如下：

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_dot_product()
{const int length{ 1024 * 1024 * 33 };std::unique_ptr<float[]> A(new float[length]);std::unique_ptr<float[]> B(new float[length]);generator_random_number(A.get(), length, -10.f, 10.f);generator_random_number(B.get(), length, -10.f, 10.f);float elapsed_time1{ 0.f }, elapsed_time2{ 0.f }; // millisecondsfloat value1{ 0.f }, value2{ 0.f };int ret = dot_product_cpu(A.get(), B.get(), &value1, length, &elapsed_time1);if (ret != 0) PRINT_ERROR_INFO(long_vector_add_cpu);ret = dot_product_gpu(A.get(), B.get(), &value2, length, &elapsed_time2);if (ret != 0) PRINT_ERROR_INFO(matrix_mul_gpu);if (fabs(value1 - value2) > EPS_) {fprintf(stderr, "Result verification failed value1: %f, value2: %f\n", value1, value2);}fprintf(stderr, "test dot product: cpu run time: %f ms, gpu run time: %f ms\n", elapsed_time1, elapsed_time2);return 0;
}

dot_product.cpp:

#include "funset.hpp"
#include <chrono>int dot_product_cpu(const float* A, const float* B, float* value, int elements_num, float* elapsed_time)
{auto start = std::chrono::steady_clock::now();*value = 0.f;for (int i = 0; i < elements_num; ++i) {(*value) += A[i] * B[i];}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;
}

dot_product.cu:

#include "funset.hpp"
#include <iostream>
#include <algorithm>
#include <memory>
#include <cuda_runtime.h> // For the CUDA runtime routines (prefixed with "cuda_")
#include <device_launch_parameters.h>
#include "common.hpp"/* __global__: 函數類型限定符;在設備上運行;在主機端調用,計算能力3.2及以上可以在
設備端調用;聲明的函數的返回值必須是void類型;對此類型函數的調用是異步的,即在
設備完全完成它的運行之前就返回了;對此類型函數的調用必須指定執行配置,即用于在
設備上執行函數時的grid和block的維度,以及相關的流(即插入<<<   >>>運算符);
a kernel,表示此函數為內核函數(運行在GPU上的CUDA并行計算函數稱為kernel(內核函
數),內核函數必須通過__global__函數類型限定符定義);*/
__global__ static void dot_product(const float* A, const float* B, float* partial_C, int elements_num)
{/* __shared__: 變量類型限定符；使用__shared__限定符，或者與__device__限定符連用，此時聲明的變量位于block中的共享存儲器空間中，與block具有相同的生命周期，僅可通過block內的所有線程訪問；__shared__和__constant__變量默認為是靜態存儲；在__shared__前可以加extern關鍵字，但表示的是變量大小由執行參數確定；__shared__變量在聲明時不能初始化；可以將CUDA C的關鍵字__shared__添加到變量聲明中，這將使這個變量駐留在共享內存中；CUDA C編譯器對共享內存中的變量與普通變量將分別采取不同的處理方式 */__shared__ float cache[256]; // == threadsPerBlock/* gridDim: 內置變量,用于描述線程網格的維度,對于所有線程塊來說,這個變量是一個常數,用來保存線程格每一維的大小,即每個線程格中線程塊的數量.一個grid最多只有二維,為dim3類型；blockDim: 內置變量,用于說明每個block的維度與尺寸.為dim3類型,包含了block在三個維度上的尺寸信息;對于所有線程塊來說,這個變量是一個常數,保存的是線程塊中每一維的線程數量;blockIdx: 內置變量,變量中包含的值就是當前執行設備代碼的線程塊的索引;用于說明當前thread所在的block在整個grid中的位置,blockIdx.x取值范圍是[0,gridDim.x-1],blockIdx.y取值范圍是[0, gridDim.y-1].為uint3類型,包含了一個block在grid中各個維度上的索引信息;threadIdx: 內置變量,變量中包含的值就是當前執行設備代碼的線程索引;用于說明當前thread在block中的位置;如果線程是一維的可獲取threadIdx.x,如果是二維的還可獲取threadIdx.y,如果是三維的還可獲取threadIdx.z;為uint3類型,包含了一個thread在block中各個維度的索引信息 */int tid = threadIdx.x + blockIdx.x * blockDim.x;int cacheIndex = threadIdx.x;float tmp{ 0.f };while (tid < elements_num) {tmp += A[tid] * B[tid];tid += blockDim.x * gridDim.x;}// 設置cache中相應位置上的值// 共享內存緩存中的偏移就等于線程索引；線程塊索引與這個偏移無關，因為每// 個線程塊都擁有該共享內存的私有副本cache[cacheIndex] = tmp;/* __syncthreads: 對線程塊中的線程進行同步；CUDA架構將確保，除非線程塊中的每個線程都執行了__syncthreads()，否則沒有任何線程能執行__syncthreads()之后的指令;在同一個block中的線程通過共享存儲器(shared memory)交換數據，并通過柵欄同步(可以在kernel函數中需要同步的位置調用__syncthreads()函數)保證線程間能夠正確地共享數據；使用clock()函數計時，在內核函數中要測量的一段代碼的開始和結束的位置分別調用一次clock()函數，并將結果記錄下來。由于調用__syncthreads()函數后，一個block中的所有thread需要的時間是相同的，因此只需要記錄每個block執行需要的時間就行了，而不需要記錄每個thread的時間 */__syncthreads();// 對于規約運算來說，以下code要求threadPerBlock必須是2的指數int i = blockDim.x / 2;while (i != 0) {if (cacheIndex < i)cache[cacheIndex] += cache[cacheIndex + i];// 在循環迭代中更新了共享內存變量cache，并且在循環的下一次迭代開始之前，// 需要確保當前迭代中所有線程的更新操作都已經完成__syncthreads();i /= 2;}// 只有cacheIndex == 0的線程執行這個保存操作，這是因為只有一個值寫入到// 全局內存，因此只需要一個線程來執行這個操作，當然你也可以選擇任何一個// 線程將cache[0]寫入到全局內存if (cacheIndex == 0)partial_C[blockIdx.x] = cache[0];
}static int dot_product_gpu_1(const float* A, const float* B, float* value, int elements_num, float* elapsed_time)
{/* cudaEvent_t: CUDA event types,結構體類型, CUDA事件,用于測量GPU在某個任務上花費的時間,CUDA中的事件本質上是一個GPU時間戳,由于CUDA事件是在GPU上實現的,因此它們不適于對同時包含設備代碼和主機代碼的混合代碼計時*/cudaEvent_t start, stop;// cudaEventCreate: 創建一個事件對象,異步啟動cudaEventCreate(&start);cudaEventCreate(&stop);// cudaEventRecord: 記錄一個事件,異步啟動,start記錄起始時間cudaEventRecord(start, 0);size_t lengthA{ elements_num * sizeof(float) }, lengthB{ elements_num * sizeof(float) };float *d_A{ nullptr }, *d_B{ nullptr }, *d_partial_C{ nullptr };// cudaMalloc: 在設備端分配內存cudaMalloc(&d_A, lengthA);cudaMalloc(&d_B, lengthB);/* cudaMemcpy: 在主機端和設備端拷貝數據,此函數第四個參數僅能是下面之一:(1). cudaMemcpyHostToHost: 拷貝數據從主機端到主機端(2). cudaMemcpyHostToDevice: 拷貝數據從主機端到設備端(3). cudaMemcpyDeviceToHost: 拷貝數據從設備端到主機端(4). cudaMemcpyDeviceToDevice: 拷貝數據從設備端到設備端(5). cudaMemcpyDefault: 從指針值自動推斷拷貝數據方向,需要支持統一虛擬尋址(CUDA6.0及以上版本)cudaMemcpy函數對于主機是同步的 */cudaMemcpy(d_A, A, lengthA, cudaMemcpyHostToDevice);cudaMemcpy(d_B, B, lengthB, cudaMemcpyHostToDevice);const int threadsPerBlock{ 256 };const int blocksPerGrid = std::min(64, (elements_num + threadsPerBlock - 1) / threadsPerBlock);size_t lengthC{ blocksPerGrid * sizeof(float) };cudaMalloc(&d_partial_C, lengthC);/* <<< >>>: 為CUDA引入的運算符,指定線程網格和線程塊維度等,傳遞執行參數給CUDA編譯器和運行時系統,用于說明內核函數中的線程數量,以及線程是如何組織的;尖括號中這些參數并不是傳遞給設備代碼的參數,而是告訴運行時如何啟動設備代碼,傳遞給設備代碼本身的參數是放在圓括號中傳遞的,就像標準的函數調用一樣;不同計算能力的設備對線程的總數和組織方式有不同的約束;必須先為kernel中用到的數組或變量分配好足夠的空間,再調用kernel函數,否則在GPU計算時會發生錯誤,例如越界等;使用運行時API時,需要在調用的內核函數名與參數列表直接以<<<Dg,Db,Ns,S>>>的形式設置執行配置,其中：Dg是一個dim3型變量,用于設置grid的維度和各個維度上的尺寸.設置好Dg后,grid中將有Dg.x*Dg.y個block,Dg.z必須為1;Db是一個dim3型變量,用于設置block的維度和各個維度上的尺寸.設置好Db后,每個block中將有Db.x*Db.y*Db.z個thread;Ns是一個size_t型變量,指定各塊為此調用動態分配的共享存儲器大小,這些動態分配的存儲器可供聲明為外部數組(extern __shared__)的其他任何變量使用;Ns是一個可選參數,默認值為0;S為cudaStream_t類型,用于設置與內核函數關聯的流.S是一個可選參數,默認值0. */dot_product << < blocksPerGrid, threadsPerBlock >> >(d_A, d_B, d_partial_C, elements_num);/* cudaDeviceSynchronize: kernel的啟動是異步的, 為了定位它是否出錯, 一般需要加上cudaDeviceSynchronize函數進行同步; 將會一直處于阻塞狀態,直到前面所有請求的任務已經被全部執行完畢,如果前面執行的某個任務失敗,將會返回一個錯誤；當程序中有多個流,并且流之間在某一點需要通信時,那就必須在這一點處加上同步的語句,即cudaDeviceSynchronize；異步啟動reference: https://stackoverflow.com/questions/11888772/when-to-call-cudadevicesynchronize *///cudaDeviceSynchronize();std::unique_ptr<float[]> partial_C(new float[blocksPerGrid]);cudaMemcpy(partial_C.get(), d_partial_C, lengthC, cudaMemcpyDeviceToHost);*value = 0.f;for (int i = 0; i < blocksPerGrid; ++i) {(*value) += partial_C[i];}// cudaFree: 釋放設備上由cudaMalloc函數分配的內存cudaFree(d_A);cudaFree(d_B);cudaFree(d_partial_C);// cudaEventRecord: 記錄一個事件,異步啟動,stop記錄結束時間cudaEventRecord(stop, 0);// cudaEventSynchronize: 事件同步,等待一個事件完成,異步啟動cudaEventSynchronize(stop);// cudaEventElapseTime: 計算兩個事件之間經歷的時間,單位為毫秒,異步啟動cudaEventElapsedTime(elapsed_time, start, stop);// cudaEventDestroy: 銷毀事件對象,異步啟動cudaEventDestroy(start);cudaEventDestroy(stop);return 0;
}static int dot_product_gpu_2(const float* A, const float* B, float* value, int elements_num, float* elapsed_time)
{// cudaDeviceProp: cuda設備屬性結構體cudaDeviceProp prop;int count;// cudaGetDeviceCount: 獲得計算能力設備的數量cudaGetDeviceCount(&count);//fprintf(stderr, "device count: %d\n", count);int whichDevice;// cudaGetDevice: 獲得當前正在使用的設備ID，設備ID從0開始編號cudaGetDevice(&whichDevice);// cudaGetDeviceProperties: 獲取GPU設備相關信息cudaGetDeviceProperties(&prop, whichDevice);// cudaDeviceProp::canMapHostMemory: GPU是否支持設備映射主機內存if (prop.canMapHostMemory != 1) {fprintf(stderr, "Device cannot map memory.\n");return -1;}// cudaSetDeviceFlags: 設置設備要用于執行的標志// 將設備置入能分配零拷貝內存的狀態cudaSetDeviceFlags(cudaDeviceMapHost);cudaEvent_t start, stop;cudaEventCreate(&start);cudaEventCreate(&stop);cudaEventRecord(start, 0);const int threadsPerBlock{ 256 };const int blocksPerGrid = std::min(64, (elements_num + threadsPerBlock - 1) / threadsPerBlock);size_t lengthA{ elements_num * sizeof(float) }, lengthB{ elements_num * sizeof(float) };float *d_A{ nullptr }, *d_B{ nullptr }, *d_partial_C{ nullptr };float *a{ nullptr }, *b{ nullptr }, *partial_c{ nullptr };/* cudaHostAlloc: 分配主機內存。C庫函數malloc將分配標準的，可分頁的(Pagable)主機內存，而cudaHostAlloc將分配頁鎖定的主機內存。頁鎖定內存也稱為固定內存(Pinned Memory)或者不可分頁內存，它有一個重要的屬性：操作系統將不會對這塊內存分頁并交換到磁盤上，從而確保了該內存始終駐留在物理內存中。因此，操作系統能夠安全地使某個應用程序訪問該內存的物理地址，因為這塊內存將不會被破壞或者重新定位。由于GPU知道內存的物理地址，因此可以通過"直接內存訪問(Direct Memory Access, DMA)"技術來在GPU和主機之間復制數據。固定內存是一把雙刃劍。當使用固定內存時，你將失去虛擬內存的所有功能。建議：僅對cudaMemcpy調用中的源內存或者目標內存，才使用頁鎖定內存，并且在不再需要使用它們時立即釋放。零拷貝內存：通過cudaHostAlloc函數+cudaHostAllocMapped參數，而固定內存是cudaHostAlloc函數+cudaHostAllocDefault參數。通過cudaHostAllocMapped分配的主機內存也是固定的，它與通過cudaHostAllocDefault分配的固定內存有著相同的屬性。但這種內存除了可以用于主機與GPU之間的內存復制外，還可以在CUDA C核函數中直接訪問這種類型的主機內存，而不需要復制到GPU，因此也稱為零拷貝內存。cudaHostAllocMapped：這個標志告訴運行時將從GPU中訪問這塊內存。cudaHostAllocWriteCombined：這個標志表示，運行時應該將內存分配為"合并式寫入(Write-Combined)"內存。這個標志并不會改變應用程序的性能，但卻可以顯著地提升GPU讀取內存時的性能。然而，當CPU也要讀取這塊內存時，"合并式寫入"會顯得很低效。對于集成GPU，使用零拷貝內存通常都會帶來性能提升，因為內存在物理上與主機是共享的。將緩沖區聲明為零拷貝內存的唯一作用就是避免不必要的數據復制。所有類型的固定內存都存在一定的局限性，零拷貝內存同樣不例外：每個固定內存都會占用系統的可用物理內存，這最終將降低系統的性能。當輸入內存和輸出內存都只能使用一次時，那么在獨立GPU上使用零拷貝內存將帶來性能提升。 */// allocate the memory on the CPUcudaHostAlloc(&a, lengthA, cudaHostAllocWriteCombined | cudaHostAllocMapped);cudaHostAlloc(&b, lengthB, cudaHostAllocWriteCombined | cudaHostAllocMapped);cudaHostAlloc(&partial_c, blocksPerGrid * sizeof(float), cudaHostAllocMapped);/* cudaHostGetDevicePointer: 獲得由cudaHostAlloc分配的映射主機內存的設備指針。由于GPU的虛擬內存空間地址映射與CPU不同，而cudaHostAlloc返回的是CPU上的指針，因此需要調用cudaHostGetDevicePointer函數來獲得這塊內存在GPU上的有效指針。這些指針將被傳遞給核函數，并在隨后由GPU對這塊內存執行讀取和寫入等操作 */// find out the GPU pointerscudaHostGetDevicePointer(&d_A, a, 0);cudaHostGetDevicePointer(&d_B, b, 0);cudaHostGetDevicePointer(&d_partial_C, partial_c, 0);memcpy(a, A, lengthA);memcpy(b, B, lengthB);dot_product << < blocksPerGrid, threadsPerBlock >> >(d_A, d_B, d_partial_C, elements_num);/* cudaThreadSynchronize: 等待計算設備完成, 將CPU與GPU同步*/cudaThreadSynchronize();*value = 0.f;for (int i = 0; i < blocksPerGrid; ++i) {(*value) += partial_c[i];}// cudaFreeHost: 釋放設備上由cudaHostAlloc函數分配的內存cudaFreeHost(d_A);cudaFreeHost(d_B);cudaFreeHost(d_partial_C);cudaEventRecord(stop, 0);cudaEventSynchronize(stop);cudaEventElapsedTime(elapsed_time, start, stop);cudaEventDestroy(start);cudaEventDestroy(stop);return 0;
}int dot_product_gpu(const float* A, const float* B, float* value, int elements_num, float* elapsed_time)
{int ret{ 0 };//ret = dot_product_gpu_1(A, B, value, elements_num, elapsed_time); // 普通實現ret = dot_product_gpu_2(A, B, value, elements_num, elapsed_time); // 通過零拷貝內存實現return ret;
}

執行結果如下：

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

總結

以上是生活随笔為你收集整理的CUDA Samples: dot product(使用零拷贝内存)的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。