cuda《学习笔记三》——共享内存和同步

一、前言

       本文介绍CUDA编程的共享内存和同步。共享内存中的变量（核函数中用__shared__声明），在GPU上启动的每个线程块，编译器都创建该变量的副本，若启动N个线程块，则有N个该变量副本，为每个线程块私有；同步则是使线程块中所有的线程能够在执行完某些语句后，才执行后续语句。

二、线程块、线程索引

以下为线程块与线程的层次结构图

      

       每个线程均独自执行核函数，若在核函数中声明共享变量，则每个线程块均拥有该变量的一个副本，且该副本为该程序块内的所有线程所共享。

三、共享变量和同步例子

(1)以下程序实现了点积运算，计算公式为 f(n) = 1+2*2+ 3*3+ … (n-1)*(n-1)，使用共享变量计算各个程序块内所有线程的求和运算结果。

#include   

#include   
//main1.cu
#include "book.h"

using namespace std;

#define N 33*1024          //数组长度

const int threadsPerBlock = 64;   //每个线程块的线程数量
const int blocksPerGrid = 64;     //第一维线程格内线程数量

__global__ void add(float *a, float *b, float *c)
{
	__shared__ float cache[threadsPerBlock];         //__shared__声明共享变量，每个线程块均有自己的副本，被其所有
	                                                 //线程共享,这里用于存放每个线程块内各个线程所计算得的点积和
	int index =threadIdx.x + blockIdx.x *blockDim.x;    //将线程块、线程索引转换为数组的索引
	int cacheIdx = threadIdx.x;

	float temp = 0;
	while (index < N){
		temp += a[index] * b[index];
		index += gridDim.x * blockDim.x;
	}

	cache[cacheIdx] = temp;      //存放每个线程块内各个线程所计算得的点积和

	__syncthreads();               //cuda内置函数，使所有线程均执行完该命令前代码，才执行后面语句，也即保持同步
	                               //目的为获得各个cache副本，此时共有64个cache副本
	
	//规约运算，将每个cache副本求和，结果保存于cache[0]
	int i = blockDim.x / 2;
	while (i != 0){
		if (cacheIdx < i){
			cache[cacheIdx] += cache[i + cacheIdx];
		}
		__syncthreads();    //所有线程完成一次规约运算，方可进行下一次
		i /= 2;
	}

	if (cacheIdx == 2)     //一个操作只需一个线程完成即可
		c[blockIdx.x] = cache[0]; //所有副本的cache[0] 存放于数组c

}

int main()
{
	float a[N], b[N];
	float *c = new float[blocksPerGrid];
	float *dev_a, *dev_b, *dev_c;

	//gpu上分配内存
	HANDLE_ERROR(cudaMalloc((void**)&dev_a, N*sizeof(float)));
	HANDLE_ERROR(cudaMalloc((void**)&dev_b, N*sizeof(float)));
	HANDLE_ERROR(cudaMalloc((void**)&dev_c, N*sizeof(float)));

	//为数组a,b初始化
	for (int i = 0; i < N; ++i){
		a[i] = i;
		b[i] = i;
	}

	//讲数组a,b数据复制至gpu
	(cudaMemcpy(dev_a, a, N*sizeof(float), cudaMemcpyHostToDevice));
	(cudaMemcpy(dev_b, b, N*sizeof(float), cudaMemcpyHostToDevice));
	
	add <<< blocksPerGrid, threadsPerBlock >> >(dev_a, dev_b, dev_c);

	//将数组dev_c复制至cpu
	HANDLE_ERROR(cudaMemcpy(c, dev_c, blocksPerGrid*sizeof(float), cudaMemcpyDeviceToHost));
	
	//进一步求和
	double sums = 0.0;
	for (int i = 0; i < blocksPerGrid; ++i){
		sums += c[i];
	}

	//显示结果
	cout << "gpu dot compute result:" << sums << "\n";

	sums = 0.0;
	for (int i = 0; i < N; ++i){
		sums += i*i;
	}
	cout << "cpu dot compute result:" << sums << "\n";

	//释放在gpu分配的内存
	cudaFree( dev_a);
	cudaFree(dev_b);
	cudaFree(dev_c);

	delete c;
	return 0;
}

运行结果

(2)以下程序使用二维程序块共享变量计算图像数据，生成图像

//main2.cu
#include   

#include   

#include "book.h"

#include 

using namespace cv;
using namespace std;

#define PI 3.1415926

#define DIM 1024       //灰度图像的长与宽

__global__ void kernel(uchar * _ptr )
{
	int x = threadIdx.x + blockIdx.x * blockDim.x;
	int y = threadIdx.y + blockIdx.y * blockDim.y;
	int idx = x + y *gridDim.x *blockDim.x;

	__shared__ float shared [16][16] ;   //每个线程块中每个线程的共享内存缓冲区
	const float period = 128.0f;
	shared[threadIdx.x][threadIdx.y] = 255 * (sinf(x*2.0f*PI / period) + 1.0f)*(sinf(y*2.0f*PI / period) + 1.0f) / 4.0f;

	__syncthreads();   //使所有shared副本均被计算完成

	_ptr[idx] = shared[15 - threadIdx.x][15 - threadIdx.y];

}

int main()
{
	Mat src(DIM,DIM , CV_8UC1 , Scalar::all(0));

	uchar *ptr_dev;
	HANDLE_ERROR(cudaMalloc((void**)&ptr_dev, DIM * DIM*sizeof(uchar)));

	dim3 blocks(DIM / 16, DIM / 16);
	dim3 threads(16 ,16);
	kernel << < blocks, threads >> >( ptr_dev );

	HANDLE_ERROR(cudaMemcpy(src.data, ptr_dev, DIM * DIM*sizeof(uchar), cudaMemcpyDeviceToHost));

	cudaFree(ptr_dev);

	namedWindow("Demo",  0);
	imshow("Demo" , src);
	waitKey(0);
	return 0;

}

运行结果：