CUDA编程笔记（2）

---

前言

cuda程序的基本框架

1.CUDA的基本框架

头文件
常量定义（或者宏定义）
C++自定义函数和cuda核函数的声明

int main()
{
    a分配主机与设备内存
    初始化主机中的数据
    将某些数据从主机复制到设备
    调用核函数在设备中进行计算
    将某些数据从设备复制到主机
    释放主机与设备内存
}

c++自定义函数和cuda核函数的实现

下面通过列子来体现这个框架

直接使用c++编写的数组相加的程序

这里直接使用c++编写程序的习惯写的数组相加的程序：

#include
#include
#include

const double EP = 1.0e-15;
const double a = 1.23;
const double b = 2.34;
const double c = 3.57;
void add(const double *x,const double *y,double *z,const int N);
void check(const double *z,const int N);

int main()
{
    const int N = 100000000;
    const int M = sizeof(double)*N;
    // 分配内存
    double *x = (double *)malloc(M);
    double *y = (double *)malloc(M);
    double *z = (double *)malloc(M);
    // double *x = new double[M];
    // double *y = new double[M];
    // double *z = new double[M];
    // 初始化
    for(int n=0;n<N;++n)
    {
        x[n] = a;
        y[n] = b;
    }
    // 数组求和
    add(x,y,z,N);
    check(z,N);
    // 释放内存
    free(x);
    free(y);
    free(z);
    // delete []x;
    // delete []y;
    // delete []z;
    return 0;
}

void add(const double *x,const double *y,double *z,const int N)
{
    for(int n=0;n<N;++n)
    {
        z[n] = x[n] + y[n];
    }
}

void check(const double *z, const int N)
{
    bool has_error = false;
    for(int n=0;n<N;++n)
    {
        if(fabs(z[n]-c)>EP)
        {
            has_error = true;
        }
    }
    printf("%s\n",has_error?"HAS_ERROR":"NO_ERROR");
}

使用cuda核函数的数组相加的程序

// 头文件
#include
#include
#include
// 常量定义
const double EP = 1.0e-15;
const double a = 1.23;
const double b = 2.34;
const double c = 3.57;
// c++自定义函数和cuda核函数的声明
__global__ void add(const double *x,const double *y,double *z);
void check(const double *z,const int N);

int main()
{
    const int N = 100000000;
    const int M = sizeof(double)*N;
    // 分配主机内存
    double *h_x = (double *)malloc(M);
    double *h_y = (double *)malloc(M);
    double *h_z = (double *)malloc(M);
    // double *h_x = new double[M];
    // double *h_y = new double[M];
    // double *h_z = new double[M];
    // 分配设备内存
    double *d_x,*d_y,*d_z;
    // printf("%p",d_x);
    cudaMalloc((void **)&d_x,M);
    cudaMalloc((void **)&d_y,M);
    cudaMalloc((void **)&d_z,M);
    // 初始化主机上的数据
    for(int n=0;n<N;++n)
    {
        h_x[n] = a;
        h_y[n] = b;
    }
    // 将某些数据从主机复制到设备上
    cudaMemcpy(d_x,h_x,M,cudaMemcpyHostToDevice);
    cudaMemcpy(d_y,h_y,M,cudaMemcpyHostToDevice);

    // 调用核函数在设备中进行计算,数组求和
    const int block_size = 128;  // 不同型号的GPU有线程限制，开普勒到图灵最大为1024
    const int gride_size = N/block_size;
    add<<<gride_size,block_size>>>(d_x,d_y,d_z);
    // 将某些数据从设备复制到主机上,这个数据传输函数隐式的起到了同步主机与设备的作用,所以后面用不用cudaDeviceSynchronize都可以
    cudaMemcpy(h_z,d_z,M,cudaMemcpyDeviceToHost); 
    check(h_z,N);
    // 释放内存
    free(h_x);
    free(h_y);
    free(h_z);
    // delete []h_x;
    // delete []h_y;
    // delete []h_z;
    cudaFree(d_x);
    cudaFree(d_y);
    cudaFree(d_z);
    return 0;
}

__global__ void add(const double *x,const double *y,double *z)
{
	// 单指令-多线程，注意核函数中数据与线程的对应关系
    const int n = blockDim.x * blockIdx.x + threadIdx.x;
    z[n] = x[n] + y[n];
}

void check(const double *z, const int N)
{
    bool has_error = false;
    for(int n=0;n<N;++n)
    {
        if(fabs(z[n]-c)>EP)
        {
            has_error = true;
        }
    }
    printf("%s\n",has_error?"HAS_ERROR":"NO_ERROR");
}

// 单指令-多线程，注意核函数中数据与线程的对应关系
const int n = blockDim.x * blockIdx.x + threadIdx.x;
blockDim指的是每个线程块的线程总固定大小；
blockIdx指的是线程块的索引；
threadIdx指的是线程的索引；
所以具体的一维线程索引会等于上面代码式子所计算的索引

核函数中数据与线程的对应关系时，注意到保存相应数据类型的内存大小N是自己定义的，所以就存在一个问题，如果gride_size = N/block_size不是刚好整数倍时，就有可能引发错误（越界）。所以，尽可能让定义的线程个数多于元素个数，然后通过条件语句来规避不需要的线程操作。可以写成

int gride_size = (N%block_size==0?(N/block_size):(N/block_size + 1));
// 简化成
int gride_size = (N-1) / block_size + 1; //or
int gride_size = (N+block_size-1) / block_size;

同时，在核函数里使用if条件语句规避不需要的线程操作：

// 参数传入了 N
void __global__ add(const double *x, const double *y, double *z, const int N)
{
    const int n = blockDim.x * blockIdx.x + threadIdx.x;
    if (n < N)
    {
        z[n] = x[n] + y[n];
    }
}

编译的时候，用nvcc编译会将设备代码编译为PTX(parallel thread execution)伪汇编代码，再将伪汇编代码编译成二进制的cubin代码。在编译为PTX代码时，需要指定GPU架构的计算能力。默认是2.0，可以自己看看自己GPU的算力，用nvcc编译时，加上-arch=sm_XY语句。如：

nvcc -g -arch=sm_75 xxx.cu -o xxx  // GeForce RTX2080是7.5的

通过结合上面的基本框架流程和未使用cuda核函数的c++程序进行比较：

• （1）使用cuda核函数的程序，要使用cudaMalloc分配设备内存并将数据复制到设备内存中。同样和c++分配内存空间一样，malloc与free要配套，cudaMalloc和cudaFree配套。c++中的另一种动态分配内存的new和delete可以替换malloc与free.
• （2）主机与设备间的数据传递使用cudaMemcpy，将主机（或设备）中的数据复制到设备（或主机）中的内存地址中。
• （3）注意核函数中数据与线程的对应关系，单指令-多线程的操作需要注意对应操作关系。

上面的cuda运行的api可以在官方文档查看使用说明：
https://docs.nvidia.com/cuda/cuda-runtime-api
如cudaMalloc,直接在搜索框里搜索，然后点进去查看说明:

这里关注下返回值和输入参数：返回值是一个cudaError_t类型的信息，表示是否成功运行此api,对于后面的程序检查有用，输入参数void **devPtr，因为返回值已经使用了，所以输入参数使用一个双重指针，指向指针的指针来指向数据原地址。

函数执行空间标识符

在cuda程序中，可以使用标识符确定一个函数在哪里被调用和执行。
（1）用__global__修饰的函数称为核函数。一般由主机调用，在设备中执行。动态并行时，也可以在核函数中互相调用。
（2）用__device__修饰的函数称为设备函数，只能被核函数或其他设备函数调用，在设备中执行。
（3）用__host__修饰的函数就是主机端的普通C++函数，在主机中调用，在主机中执行。也可以省略，之所以提供这个修饰符，主要是有时可以用__host__和__device__同时修饰一个函数，这样可以避免代码的冗余。
（4）可以使用修饰符__noinline__或者__forceinline__建议一个设备函数为非内联函数或内联函数。
注意：
1.不能同时使用__global__和__device__修饰同一个函数。
2.不能同时使用__global__和__host__修饰同一个函数。

总结

熟悉cuda程序的基本框架。

参考：

如博客内容有侵权行为，可及时联系删除！
CUDA 编程：基础与实践
https://docs.nvidia.com/cuda/
https://docs.nvidia.com/cuda/cuda-runtime-api
https://github.com/brucefan1983/CUDA-Programming