CUDA 及其 golang 调用 - 从入门到放弃 - 1. 初见

环境：

• NVIDIA GeForce GTX 1050
• cuda 10.2.89 windows
• visual studio 2017
• windows SDK 10.0.14393.0
• go 1.13.4 windows/amd64

我们在文件 lib.cu 中实现一个 GPU 计算的浮点数向量内积函数，以及一个 CPU 的入口函数进行数据传递和调用：

__global__ void devDot(float *x, float *y, size_t n, float *r) {
    float s = 0.0;
    for (size_t i = 0; i < n; i++) s += x[i] * y[i];
    *r = s;
}

extern "C" __declspec(dllexport) void dot(float *x, float *y, size_t n, float *r) {
    float *xd, *yd, *rd;
    size_t sz = sizeof(float) * n;
    cudaMalloc(&xd, sz);
    cudaMalloc(&yd, sz);
    cudaMalloc(&rd, sizeof(float));
    cudaMemcpy(xd, x, sz, cudaMemcpyHostToDevice);
    cudaMemcpy(yd, y, sz, cudaMemcpyHostToDevice);

    devDot<<<1, 1>>>(xd, yd, n, rd);
    cudaDeviceSynchronize();
    cudaMemcpy(r, rd, sizeof(float), cudaMemcpyDeviceToHost);
    cudaFree(xd);
    cudaFree(yd);
    cudaFree(rd);
}

文件后缀 cu 表示 C/C++ 的语法加上 CUDA 自己的一些扩展。其中，__global__ 表示该函数可运行于 GPU，称为核函数。由 cudaMalloc 申请的显存只能在 GPU 中访问，显存和内存之间的数据传输使用 cudaMemcpy。核函数调用处后面的 <<<1, 1>>> 是 CUDA 扩展的语法，所以只能用 CUDA 专用的编译器前端 nvcc 进行编译，其意义以后再表。核函数的执行对 CPU 是异步的，需要调用 cudaDeviceSynchronize 来同步。

使用以下命令将代码编译为一个动态库（需要将 VC 编译器所在目录加入 PATH）：

nvcc lib.cu -o cuda.dll --shared

将 dll 文件复制到 main.go 同目录下，main.go如下：

package main

import (
    "math/rand"
    "syscall"
    "time"
    "unsafe"
)

const N = 1 << 20

type Lib struct {
    dll     *syscall.DLL
    dotProc *syscall.Proc
}

func LoadLib() (*Lib, error) {
    l := &Lib{}
    var err error
    defer func() {
        if nil != err {
            l.Release()
        }
    }()

    if l.dll, err = syscall.LoadDLL("cuda.dll"); nil != err {
        return nil, err
    }
    if l.dotProc, err = l.dll.FindProc("dot"); nil != err {
        return nil, err
    }
    return l, nil
}

func (l *Lib) Release() {
    if nil != l.dll {
        l.dll.Release()
    }
}

func (l *Lib) Dot(x, y []float32) float32 {
    var r float32
    l.dotProc.Call(
        uintptr(unsafe.Pointer(&x[0])),
        uintptr(unsafe.Pointer(&y[0])),
        uintptr(len(x)),
        uintptr(unsafe.Pointer(&r)),
    )
    return r
}

func main() {
    lib, err := LoadLib()
    if nil != err {
        println(err.Error())
        return
    }
    defer lib.Release()

    rand.Seed(time.Now().Unix())
    x, y := make([]float32, N), make([]float32, N)
    for i := 0; i < N; i++ {
        x[i], y[i] = rand.Float32(), rand.Float32()
    }

    t := time.Now()
    var r float32
    for i := 0; i < 100; i++ {
        r = 0
        for i := 0; i < N; i++ {
            r += x[i] * y[i]
        }
    }
    println(time.Now().Sub(t).Microseconds())
    println(r)

    t = time.Now()
    for i := 0; i < 100; i++ {
        r = lib.Dot(x, y)
    }
    println(time.Now().Sub(t).Microseconds())
    println(r)
}

在 golang 中使用动态加载，比较计算结果和运行时间。下面使用 nvprof 来观察运行结果，在其中一次运行中，CPU 版计算 100 次耗时约 120ms，而 GPU 版约 4187ms，其中：

• cudaMalloc 约 361ms
• cudaMemcpy 约 292ms
• cudaDeviceSynchronize 约 3360ms，其中：
  • devDot 约 3321ms

这种哈喽级别的 CUDA 尝试终究惨败被虐出一个数量级，这就是所谓的从入门到放弃……吗？

Licensed under CC BY-SA 4.0