CUDA編程入門

CUDA是一個並行計算框架.用於計算加速.是nvidia家的產品.廣泛地應用於現在的深度學習加速.　　
一句話描述就是:cuda幫助我們把運算從cpu放到gpu上做,gpu多執行緒同時處理運算,達到加速效果.

從一個簡單例子說起:

#include <iostream>  #include <math.h>    // function to add the elements of two arrays  void add(int n, float *x, float *y)  {    for (int i = 0; i < n; i++)        y[i] = x[i] + y[i];  }    int main(void)  {    int N = 1<<20; // 1M elements      float *x = new float[N];    float *y = new float[N];      // initialize x and y arrays on the host    for (int i = 0; i < N; i++) {      x[i] = 1.0f;      y[i] = 2.0f;    }      // Run kernel on 1M elements on the CPU    add(N, x, y);      // Check for errors (all values should be 3.0f)    float maxError = 0.0f;    for (int i = 0; i < N; i++)      maxError = fmax(maxError, fabs(y[i]-3.0f));    std::cout << "Max error: " << maxError << std::endl;      // Free memory    delete [] x;    delete [] y;      return 0;  }

這段程式碼很簡單,對兩個數組對應位置元素相加.數組很大,有100萬個元素.

程式碼運行時間在0.075s．

改寫程式碼使之運行於gpu

gpu上能夠運算的函數,在cuda中我們稱之為kernel．由nvcc將其編譯為可以在GPU上運行的格式.

#include <iostream>  #include <math.h>  // Kernel function to add the elements of two arrays  __global__  void add(int n, float *x, float *y)  {    for (int i = 0; i < n; i++)      y[i] = x[i] + y[i];  }    int main(void)  {    int N = 1<<20;    float *x, *y;      // Allocate Unified Memory – accessible from CPU or GPU    cudaMallocManaged(&x, N*sizeof(float));    cudaMallocManaged(&y, N*sizeof(float));      // initialize x and y arrays on the host    for (int i = 0; i < N; i++) {      x[i] = 1.0f;      y[i] = 2.0f;    }      // Run kernel on 1M elements on the GPU    add<<<1, 1>>>(N, x, y);      // Wait for GPU to finish before accessing on host    cudaDeviceSynchronize();      // Check for errors (all values should be 3.0f)    float maxError = 0.0f;    for (int i = 0; i < N; i++)      maxError = fmax(maxError, fabs(y[i]-3.0f));    std::cout << "Max error: " << maxError << std::endl;      // Free memory    cudaFree(x);    cudaFree(y);      return 0;  }

nvcc編譯的文件的後綴為.cu

  • cuda中定義kernel在函數前加上__global聲明就可以了.
  • 在顯示記憶體上分配記憶體使用cudaMallocManaged
  • 調用一個函數使用<<< >>>符號.比如對add的函數的調用使用｀add<<<1, 1>>>(N, x, y);｀,關於其中參數的意義,後文再做解釋.
  • 需要cudaDeviceSynchronize()讓cpu等待gpu上的計算做完再執行cpu上的操作


可以用nvprof做更詳細的性能分析. 　　

注意用sudo 否則可能報錯.  sudo /usr/local/cuda/bin/nvprof ./add_cuda


gpu上add用了194ms．

這裡,我們注意到,跑在gpu反而比cpu更慢了.因為我們這段程式碼里｀add<<<1, 1>>>(N, x, y);｀並沒有發揮gpu並行運算的優勢,反而因為多了一些cpu與gpu的交互使得程式變慢了.

用GPU　threads加速運算

重點來了
CUDA GPUS有多組Streaming Multiprocessor(SM).每個SM可以運行多個thread block. 每一個thread block有多個thread.
如下圖所示:

注意幾個關鍵變數:

  • blockDim.x 表明了一個thread block內含有多少個thread
  • threadIdx.x　表明了當前thread在該thread blcok內的index
  • blockIdx.x 表明了當前是第幾個thread block

我們要做的就是把計算分配到所有的thread上去.這些thread上並行地做運算,從而達到加速的目的.

前面我們說到在cuda內調用一個函數(稱之為kernel)的用法為<<<p1,p2>>>，比如｀add<<<1, 1>>>(N, x, y);｀　第一個參數的含義即為thread block的數量,第二個參數的含義為block內參與運算的thread數量.

現在來改寫一下程式碼:

#include <iostream>  #include <math.h>  #include <stdio.h>    // Kernel function to add the elements of two arrays  __global__  void add(int n, float *x, float *y)  {    int index = threadIdx.x;    int stride = blockDim.x;    printf("index=%d,stride=%dn",index,stride);    for (int i = index; i < n; i+=stride)    {      y[i] = x[i] + y[i];      if(index == 0)      {          printf("i=%d,blockIdx.x=%d,thread.x=%dn",i,blockIdx.x,threadIdx.x);      }    }  }    int main(void)  {    int N = 1<<20;    float *x, *y;      // Allocate Unified Memory – accessible from CPU or GPU    cudaMallocManaged(&x, N*sizeof(float));    cudaMallocManaged(&y, N*sizeof(float));      // initialize x and y arrays on the host    for (int i = 0; i < N; i++) {      x[i] = 1.0f;      y[i] = 2.0f;    }      // Run kernel on 1M elements on the GPU    add<<<1, 256>>>(N, x, y);      // Wait for GPU to finish before accessing on host    cudaDeviceSynchronize();      // Check for errors (all values should be 3.0f)    float maxError = 0.0f;    for (int i = 0; i < N; i++)      maxError = fmax(maxError, fabs(y[i]-3.0f));    std::cout << "Max error: " << maxError << std::endl;      // Free memory    cudaFree(x);    cudaFree(y);      return 0;  }

注意add的寫法,我們把0,256,512…放到thread1計算,把1,257,…放到thread2計算,依次類推.調用的時候,add<<<1, 256>>>(N, x, y);表明我們只把計算分配到了thread block1內的256個thread去做.
編譯這個程式(注意把程式碼里的printf注釋掉,因為要統計程式運行時間):nvcc add_block.cu -o add_cuda_blcok -I/usr/local/cuda-9.0/include/ -L/usr/local/cuda-9.0/lib64

可以看到add的gpu時間僅僅用了2.87ms


程式的整體運行時間為0.13s,主要是cudaMallocManaged,cudaDeviceSynchronize之類的操作耗費了比較多的時間.

再一次改寫程式碼
這一次我們用更多的thread block．

  int blockSize = 256;    int numBlocks = (N + blockSize - 1) / blockSize;    add<<<numBlocks, blockSize>>>(N, x, y);  
// Kernel function to add the elements of two arrays  __global__  void add(int n, float *x, float *y)  {    int index = blockIdx.x * blockDim.x + threadIdx.x;    int stride = blockDim.x * gridDim.x;    for (int i = index; i < n; i+=stride)    {        y[i] = x[i] + y[i];        //printf("i=%d,blockIdx.x=%dn",i,blockIdx.x);    }  }

編譯:nvcc add_grid.cu -o add_cuda_grid -I/usr/local/cuda-9.0/include/ -L/usr/local/cuda-9.0/lib64
統計性能:

可以看出來,gpu上add所用的時間進一步縮小到1.8ms

參考:https://devblogs.nvidia.com/even-easier-introduction-cuda/

VirMach 便宜 VPS

QNews

QNews