CUDA范例精解通用GPU架构－（2）其实写个矩阵相乘并不是那么难

http://www.cnblogs.com/yusenwu/p/5300956.html

 程序代码及图解析：

#include
#include "book.h"
__global__  void  add(  int  a,  int  b,  int  *c ) {
*c = a + b;
}
int  main(  void  ) {
int  c;
int  *dev_c;
HANDLE_ERROR( cudaMalloc( ( void **)&dev_c,  sizeof ( int ) ) );
add<<<1,1>>>( 2, 7, dev_c );
HANDLE_ERROR( cudaMemcpy( &c,
dev_c,
sizeof ( int ),
cudaMemcpyDeviceToHost ) );
printf (  "2 + 7 = %d\n" , c );
cudaFree( dev_c );
return  0;
}

　　

函数原型：__host__cudaError_t cudaMemcpy (void *dst, const void *src, size_t count, cudaMemcpyKind kind)

作用：在设备端和主机端拷贝数据。

参数：dst 目的地址 src 源地址 count 拷贝字节大小kind 传输的类型

返回值：

cudaSuccess, cudaErrorInvalidValue, cudaErrorInvalidDevicePointer, cudaErrorInvalidMemcpyDirection

说明:

从源地址拷贝设定数量的字节数至目的地址，kind类型有四种，分别为：

cudaMemcpyHostToHost, cudaMemcpyHostToDevice,  cudaMemcpyDeviceToHost, cudaMemcpyDeviceToDevice，

通过指定方向进行拷贝。存储器区域不可重叠。如若产生未定义拷贝方向的行为，dst和src将不匹配。

 正文

前面的图是最简单的一个CUDA程序，它引出了Grid Block Thread概念。很多threads组成1维，2维or3维的thread block. 为了标记thread在block中的位置（index），我们可以用上面讲的threadIdx。threadIdx是一个维度<=3的vector。还可以用thread index（一个标量）表示这个位置。

thread的index与threadIdx的关系：

	Thread index
1	T
2	T.x + T.y * Dx
3	T.x+T.y*Dx+z*Dx*Dy

其中T表示变量threadIdx。（Dx, Dy, Dz）为block的size（每一维有多少threads）。

因为一个block内的所有threads会在同一处理器内核上共享内存资源，所以block内有多少threads是有限制的。目前GPU限制每个 block最多有1024个threads。但是一个kernel可以在多个相同shape的block上执行，效果等效于在一个有N*#thread per block个thread的block上执行。

Block又被组织成grid。同样，grid中block也可以被组织成1维，2维or3维。一个grid中的block数量由系统中处理器个数或待处理的数据量决定。（来自这里)

 下图中描述了Thread、Block、Grid内存的访问机制。

每个thread有自己的local-memory。每一个block有自己的共享内存、grid和grid之间可以同时访问全局内存。这里要注意：block和block之间不能访问同一个共享内存，他们只能访问自己的共享内存。

cudaGetDeviceCount( &count )查询服务器的CUDA信息.

#include
#include
int  main()
{
        int  deviceCount;
        cudaGetDeviceCount(&deviceCount);
        int  device;
        for (device = 0; device < deviceCount; ++device)
        {
                cudaDeviceProp deviceProp;
                cudaGetDeviceProperties(&deviceProp,device);
                printf ( "Device %d has compute capability %d.%d.\n" ,device,deviceProp.major,deviceProp.minor);
        }
}

　　结果：

struct  cudaDeviceProp {
    char  name[256];  //识别设备的ASCII字符串（例如，“GeForce GTX 280”）
    size_t  totalGlobalMem;  //全局内存大小
    size_t  sharedMemPerBlock;  //每个block内共享内存的大小
    int  regsPerBlock;  //每个block32位寄存器的个数
    int  warpSize;  // warp大小
    size_t  memPitch;  //内存中允许的最大间距字节数
    int  maxThreadsPerBlock;  //每个Block中最大的线程数是多少
    int  maxThreadsDim[3];  // 一个块中每个维度的最大线程数
    int  maxGridSize[3];  //一个网格的每个维度的块数量
    size_t  totalConstMem;  //可用恒定内存量
    int  major;  //该设备计算能力的主要修订版号
    int  minor;  //设备计算能力的小修订版本号
    int  clockRate;  //时钟速率
    size_t  textureAlignment;  //该设备对纹理对齐的要求
    int  deviceOverlap;  //一个布尔值，表示该装置是否能够同时进行cudamemcpy()和内核执行
    int  multiProcessorCount;  //设备上的处理器的数量
    int  kernelExecTimeoutEnabled;  //一个布尔值，该值表示在该设备上执行的内核是否有运行时的限制
    int  integrated;  //返回一个布尔值，表示设备是否是一个集成的GPU（即部分的芯片组、没有独立显卡等）
    int  canMapHostMemory;  //表示设备是否可以映射到CUDA设备主机内存地址空间的布尔值
    int  computeMode;  //一个值，该值表示该设备的计算模式：默认值，专有的，或禁止的
    int  maxTexture1D;  //一维纹理内存最大值
    int  maxTexture2D[2];  //二维纹理内存最大值
    int  maxTexture3D[3];  //三维纹理内存最大值
    int  maxTexture2DArray[3];  //二维纹理阵列支持的最大尺寸
    int  concurrentKernels;  //一个布尔值，该值表示该设备是否支持在同一上下文中同时执行多个内核
｝

 

矩阵相乘也非常简单，难在如何在这个基础上提高速率。比如：引入sharememory。

代码：

#include
#include
#include
#include
#include

__global__  void  MatrixMuiOnDevice( int  *M, int  *N,  int  *P,  int  width)
{
        int  x = threadIdx.x;
        int  y = threadIdx.y;  //获取该线程的位置

        float  Pervalue = 0;

        for  ( int  i = 0; i < width; i++)
        {
                float  Mdlement = M[y * width + i];
                float  Ndlement = N[width * i + x];

                Pervalue += Mdlement * Ndlement;
        }

        P[y * width + x] = Pervalue;
}
int  main()
{
        int  a[30][30],b[30][30],c[30][30];
        int  *M, *N, *P;
        int  width = 30;
        int  NUM = 900;
        dim3 dimBlock(30,30);
        cudaEvent_t start,stop;
        float  elapsedTime;
        cudaEventCreate(&start);
        cudaEventCreate(&stop);


        cudaMalloc(( void **)&M, 900* sizeof ( int ));
        cudaMalloc(( void **)&N, 900* sizeof ( int ));
        cudaMalloc(( void **)&P, 900* sizeof ( int ));
        //初始化
        for ( int  i = 0; i < 30; i++)
                for ( int  j = 0; j < 30; j++)
                {
                        a[i][j] = 2;
                        b[i][j] = 3;
                }

        cudaMemcpy(M,a,NUM* sizeof ( int ),cudaMemcpyHostToDevice);
        cudaMemcpy(N,b,NUM* sizeof ( int ),cudaMemcpyHostToDevice);
        cudaMemcpy(c,P,NUM* sizeof ( int ),cudaMemcpyDeviceToHost);
        cudaEventRecord(start,0);
        MatrixMuiOnDevice<<<1,dimBlock>>>(M,N,P,width);
        cudaThreadSynchronize();
        cudaEventRecord(stop,0);
        cudaEventSynchronize(stop);
        cudaEventElapsedTime(&elapsedTime,start,stop);

        printf ( "%f\n" ,elapsedTime);
        for ( int  i = 0; i < 30; i++)
                for ( int  j = 0; j < 30; j++)
                {
                        printf ( "%d \n" ,c[i][j]);
                }

        cudaFree(M);
        cudaFree(N);
        cudaFree(P);
        return  0;
}

　　share memory 改进。加入同步机制 __syncthreads(),即 等待之前的所有线程执行完毕后再接下去执行。

+ View Code

　　

小结

第一个执行时间：

share memory执行时间：

 注意，核函数内不是所有线程一起进去执行，这个概念模糊不清。我们需要理解成，所有的线程并行执行核函数里面的程序，即每一个线程都会执行该函数，所有线程执行完，即结束。这个简单的概念，我一开始想了很久。