CUDA程序优化小记(二)
CUDA全称ComputerUnified Device Architecture(计算机同一设备架构),它的引入为计算机计算速度质的提升提供了可能,从此微型计算机也能有与大型机相当计算的能力。可是不恰当地使用CUDA技术,不仅不会让应用程序获得提升,反而会比普通CPU的计算还要慢。最近我通过学习《GPGPU编程技术》这本书,深刻地体会到了这一点,并且用CUDARuntime应用改写书上的例子程序;来体会CUDA技术给我们计算能力带来的提升。
原创文章,反对未声明的引用。原博客地址:http://blog.csdn.net/gamesdev/article/details/17535755
以前写了一段时间多线程程序,有用Windows的API写的,也有用跨平台Boost写的。其实多线程的优势在于能够提升资源利用率。比如说如果我没有其它耗时的任务,那么可以开多线程进行多个任务的操作。这种情况一般发生在初始化、大量载入资源的时候。其实GPU是一种并行处理器,它被设计为能执行简单的指令,但是并行度非常高的结构,由这些特点可以看出,GPU非常适合做并行程序。要不然怎么会有CUDA中“网格 – 块 –线程”这样的结构呢。
但是像上一次执行单线程的做法,无疑会闲置非常多的并行计算资源,我们必须采用多线程,将人物量分组,这样效率就会得到大幅度的提升。在GPU编程中,有一个叫“掩藏”(Hide)的概念。它的意思是指线程因为访问存储器或者阻塞等其它原因造成的延迟,但由于分配的线程足够多,导致整体上看GPU仍然处于忙碌的状态。
这里顺便介绍一下锁页存储器的概念。通常来说,我们使用new或malloc函数进行分配内存操作时,一般操作系统会以页为单位进行内存的分配,这些内存页通过分页算法能够正确地映射到内存中,为的是合理使用内存。而锁页存储器是一种不受分页影响的存储器,由于这一特性,使得读取的速度非常快,因而适合进行主机(CPU)到设备(GPU)之间的传输。CUDA中有cudaMallocHost()函数进行锁页存储的分配。
下面就是我改进自上一版后的程序源码,使用了多线程分组缩减。具体实现方法是定义了THREAD_NUM这个宏,指明使用了多少个线程执行操作,这里指定的操作线程是256个,随后内核执行函数中的任务量进行了修改。由于这些线程是并行的,因此只需要其中的一个线程计时即可。最后调用的方法中参数也须作相应的修改:
Kernel_SquareSum<<<1,THREAD_NUM>>>( pDevIn, pDevDataSize, pDevOut, pDevElasped );
这里使用的是1个网格,THREAD_NUM个块,每个块中各有一个线程在运行。下面是所有代码:
#include <cuda_runtime.h> #include <cctype> #include <cassert> #include <cstdio> #include <ctime> #define DATA_SIZE 1048576 #define THREAD_NUM 256 #ifndef nullptr #define nullptr 0 #endif using namespace std; void GenerateData( int* pData, size_t dataSize )// 产生数据 { assert( pData != nullptr ); for ( size_t i = 0; i < dataSize; i++ ) { srand( i + 3 ); pData[i] = rand( ) % 100; } } ////////////////////////在设备上运行的内核函数///////////////////////////// __global__ static void Kernel_SquareSum( int* pIn, size_t* pDataSize, int* pOut, clock_t* pElapsed ) { // 开始计时 clock_t startTime = clock( ); for ( size_t i = 0; i < *pDataSize; ++i ) { *pOut += pIn[i] * pIn[i]; } *pElapsed = clock( ) - startTime;// 结束计时,返回至主程序 } bool CUDA_SquareSum( int* pOut, clock_t* pElapsed, int* pIn, size_t dataSize ) { assert( pIn != nullptr ); assert( pOut != nullptr ); int* pDevIn = nullptr; int* pDevOut = nullptr; size_t* pDevDataSize = nullptr; clock_t* pDevElasped = nullptr; // 1、设置设备 cudaError_t cudaStatus = cudaSetDevice( 0 );// 只要机器安装了英伟达显卡,那么会调用成功 if ( cudaStatus != cudaSuccess ) { fprintf( stderr, "调用cudaSetDevice()函数失败!" ); return false; } switch ( true ) { default: // 2、分配显存空间 cudaStatus = cudaMalloc( (void**)&pDevIn, dataSize * sizeof( int ) ); if ( cudaStatus != cudaSuccess ) { fprintf( stderr, "调用cudaMalloc()函数初始化显卡中数组时失败!" ); break; } cudaStatus = cudaMalloc( (void**)&pDevOut, sizeof( int ) ); if ( cudaStatus != cudaSuccess ) { fprintf( stderr, "调用cudaMalloc()函数初始化显卡中返回值时失败!" ); break; } cudaStatus = cudaMalloc( (void**)&pDevDataSize, sizeof( size_t ) ); if ( cudaStatus != cudaSuccess ) { fprintf( stderr, "调用cudaMalloc()函数初始化显卡中数据大小时失败!" ); break; } cudaStatus = cudaMalloc( (void**)&pDevElasped, sizeof( clock_t ) ); if ( cudaStatus != cudaSuccess ) { fprintf( stderr, "调用cudaMalloc()函数初始化显卡中耗费用时变量失败!" ); break; } // 3、将宿主程序数据复制到显存中 cudaStatus = cudaMemcpy( pDevIn, pIn, dataSize * sizeof( int ), cudaMemcpyHostToDevice ); if ( cudaStatus != cudaSuccess ) { fprintf( stderr, "调用cudaMemcpy()函数初始化宿主程序数据数组到显卡时失败!" ); break; } cudaStatus = cudaMemcpy( pDevDataSize, &dataSize, sizeof( size_t ), cudaMemcpyHostToDevice ); if ( cudaStatus != cudaSuccess ) { fprintf( stderr, "调用cudaMemcpy()函数初始化宿主程序数据大小到显卡时失败!" ); break; } // 4、执行程序,宿主程序等待显卡执行完毕 Kernel_SquareSum<<<1, 1>>>( pDevIn, pDevDataSize, pDevOut, pDevElasped ); // 5、查询内核初始化的时候是否出错 cudaStatus = cudaGetLastError( ); if ( cudaStatus != cudaSuccess ) { fprintf( stderr, "显卡执行程序时失败!" ); break; } // 6、与内核同步等待执行完毕 cudaStatus = cudaDeviceSynchronize( ); if ( cudaStatus != cudaSuccess ) { fprintf( stderr, "在与内核同步的过程中发生问题!" ); break; } // 7、获取数据 cudaStatus = cudaMemcpy( pOut, pDevOut, sizeof( int ), cudaMemcpyDeviceToHost ); if ( cudaStatus != cudaSuccess ) { fprintf( stderr, "在将结果数据从显卡复制到宿主程序中失败!" ); break; } cudaStatus = cudaMemcpy( pElapsed, pDevElasped, sizeof( clock_t ), cudaMemcpyDeviceToHost ); if ( cudaStatus != cudaSuccess ) { fprintf( stderr, "在将耗费用时数据从显卡复制到宿主程序中失败!" ); break; } cudaFree( pDevIn ); cudaFree( pDevOut ); cudaFree( pDevDataSize ); cudaFree( pDevElasped ); return true; } cudaFree( pDevIn ); cudaFree( pDevOut ); cudaFree( pDevDataSize ); cudaFree( pDevElasped ); return false; } int main( int argc, char** argv )// 函数的主入口 { int* pData = nullptr; int* pResult = nullptr; clock_t* pElapsed = nullptr; // 使用CUDA内存分配器分配host端 cudaError_t cudaStatus = cudaMallocHost( &pData, DATA_SIZE * sizeof( int ) ); if ( cudaStatus != cudaSuccess ) { fprintf( stderr, "在主机中分配资源失败!" ); return 1; } cudaStatus = cudaMallocHost( &pResult, sizeof( int ) ); if ( cudaStatus != cudaSuccess ) { fprintf( stderr, "在主机中分配资源失败!" ); return 1; } cudaStatus = cudaMallocHost( &pElapsed, sizeof( clock_t ) ); if ( cudaStatus != cudaSuccess ) { fprintf( stderr, "在主机中分配资源失败!" ); return 1; } GenerateData( pData, DATA_SIZE );// 通过随机数产生数据 CUDA_SquareSum( pResult, pElapsed, pData, DATA_SIZE );// 执行平方和 // 判断是否溢出 char* pOverFlow = nullptr; if ( *pResult < 0 ) pOverFlow = "(溢出)"; else pOverFlow = ""; // 显示基准测试 printf( "用CUDA计算平方和的结果是:%d%s\n耗费用时:%d\n", *pResult, pOverFlow, *pElapsed ); cudaDeviceProp prop; if ( cudaGetDeviceProperties( &prop, 0 ) == cudaSuccess ) { clock_t actualTime = *pElapsed / clock_t( prop.clockRate ); printf( "实际执行时间为:%dms\n", actualTime ); printf( "带宽为:%.2fMB/s\n", float( DATA_SIZE * sizeof( int ) >> 20 ) * 1000.0f / float( actualTime ) ); printf( "GPU设备型号:%s\n", prop.name ); } cudaFreeHost( pData ); cudaFreeHost( pResult ); cudaFreeHost( pElapsed ); return 0; }
程序的运行结果出人意料,在我的显卡GeForce GT750M上跑出了这样的成绩:
下面对比一下三种显卡的执行效率:
显卡 |
执行时间 |
带宽 |
GeForce 9500 GT |
11ms |
363.64MB/s |
GeForce 9600M GT |
11ms |
363.81MB/s |
GeForce GT750M |
4ms |
1000.0MB/s |