CUDA Programming

CUDA Parallel Programming - 这篇文章属于一个选集。

§ 1: GPU 结构

§ 2: 本文

§ 3: CUDA Conv

§ 4: CUDA Optimization

§ 5: CUDA Memory and Optimization

Kernel Function
#

gridDim

gridDim.x、gridDim.y、gridDim.z分别表示 grid 各个维度的大小

blockDim

blockDim.x、blockDim.y、blockDim.z分别表示 block 各个维度的大小

blockIdx

blockIdx.x、blockIdx.y、blockIdx.z分别表示当前 block 在 grid 中的坐标

threadIdx

threadIdx.x、threadIdx.y、threadIdx.z分别表示当前 thread 在 block 的坐标

grid 里总的线程个数 N = gridDim.x * gridDim.y * gridDim.z * blockDim.x * blockDim.y * blockDim.z

通过 blockIdx.x、blockIdx.y、blockIdx.z、threadIdx.x、threadIdx.y、threadIdx.z 可以定位一个线程的坐标。

主流架构一个block三个唯独的设置最多为(1024， 1024， 64)，同时总线程数最多只能有 1024 个。

将所有的线程排成一个序列，序列号为 0 , 1 , 2 , … , N ，如何找到当前 thread 的序列号 ?

先找到该thread所在的 block的序号 blockId = blockIdx.x + blockIdx.ygridDim.x + blockIdx.zgridDim.x*gridDim.y
然后找到当前 thread 在 block 中的序号 threadId = threadIdx.x + threadIdx.yblockDim.x + threadIdx.zblockDim.x*blockDim.y
计算一个 block 中一共有多少个 thread， M = blockDim.xblockDim.yblockDim.z
求得当前的线程的序列号 idx = threadId + M*blockId

Device function
#

kernel 可以调用不带执行配置的自定义函数，这样的自定义函数称为设备函数（devicefunction）。它是在设备中执行，并在设备中被调用的。与之相比，核函数是在设备中执行，但在主机端被调用的。

double __device__ add1_device(const double x, const double y)
{
    return (x + y);
}
void __global__ add1(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] = add1_device(x[n], y[n]);
    }
}

CUDA 常用的函数
#

同步函数 __syncthreads: 只能用在核函数中 __syncthreads(),该函数可保证一个线程块中的所有线程（或者说所有线程束）在执行该语句后面的语句之前都完全执行了该语句前面的语句。然而，该函数只是针对同一个线程块中的线程的，不同线程块中线程的执行次序依然是不确定的。

CUDA Event Record
#

在 C++ 中，有多种可以对一段代码进行计时的方法，如使用 GCC 的 clock 函数和与头文件对应的时间库、GCC 中的 gettimeofday 函数。

CUDA 提供了一种基于 CUDA 事件（CUDA event）的计时方式，可用来给一段 CUDA 代码（可能包含了主机代码和设备代码）计时。下面的例子涵盖了计时的基本流程：

//creat
CHECK(cudaEventCreate(&start));
CHECK(cudaEventCreate(&stop));
//record
CHECK(cudaEventRecord(start));
cudaEvent_t start, stop;
cudaEventQuery(start)
//+需要计时的代码块
CHECK(cudaEventRecord(stop));
CHECK(cudaEventSynchronize(stop));
float elapsed_time;
//compute
CHECK(cudaEventElapsedTime(&elapsed_time, start, stop));
printf("Time = %g ms.\n", elapsed_time);
//clean
CHECK(cudaEventDestroy(start));
CHECK(cudaEventDestroy(stop));

Steps of CUDA Program
#

Config GPU(device), cudaSetDevice()
Allocate device memory, cudaMalloc(), cudaMallocManaged()
Allocate CPU(Host) memory
Copy data from host to device, cudaMemcpy()
Run kernel on device
Copy result from device to host, cudaMemcpy()
Print result on host
Release host and device memory, cudaFree(), free()

CPU is always called host, the GPU is called device

C Example:

// file: sample.cu
#include<stdint.h>
#include<cuda.h>
#include "cuda_runtime.h"
#include "device_launch_parameters.h"
#include <stdio.h>

// This is a sample CUDA kernel, called on host and execte on device
__global__ void add(float* a)
{
	a[threadIdx.x] = 1;

}
int main(int argc, char** argv)
{
	// 1. Set device 
	cudaSetDevice(0);
	// 2. Allocate device memory
	float* dx;
	cudaMalloc((void**)&dx, 16 * sizeof(float));
	// 3. Allocate host memory
	float hx[16] = { 0 };
	// 4. Copy data from host to device
	cudaMemcpy(dx, hx, 16 * sizeof(float), cudaMemcpyHostToDevice);
    // 5. Run kernel on device
	add << <1, 16 >> > (dx);
	// 6. Copy result from device to host
	cudaMemcpy(hx, dx, 16 * sizeof(float), cudaMemcpyDeviceToHost);
    // 7. Print result on host
	for (int i = 0; i < 16; i++)
	{
		printf("%f \n", hx[i]);
	}
	8. Release host and device memory
	cudaFree(dx);
	free(hx);
    //cudaDeviceReset();
	return 0;
}

使用nvcc编译,然后运行

nvcc sample.cu - o sample
./sample

CUDA 提供了统一内存: gpu和cpu可访问的单一内存空间. 调用cudaMallocManaged()，它返回一个指针，从host code或device code都可以访问。要释放数据，只需将指针传递给cudaFree()。

CUDA Kernel and Parrallel Computing
#

前置知识: 理解 GPU 结构, Grid, Block, Thread 这几个逻辑概念之间的关系

CUDA kernel 的编程模型

[Todo] Dim and size detail

调用kernel: add << <blockNumber, threadNumber >> > (dx);

编写kernel：

用关键字描述符 __global__ 声明kernel: __global__ void add(){}
调用 kernel 时的参数 <<<blockNumber per grid, threadNumber per block>>> 决定了共有 TotalThreadNum = blockNumber * threadNumber 个线程可以并行执行任务
kernel 内的每一次迭代，意味着 TotalThreadNum 个线程并行执行了一次循环体中的任务（即每个线程完成对一份数据的处理），也就是每次迭代能处理 TotalThreadNum 份数据，TotalThreadNum 也等价于跨步(stride)的大小
kernel 中 threadIdx.x 代表 the index of the thread within the block， blockDim.x 代表 the size of block（number of threads in block（假设这里的 grid 和 block 的 dim 只有一维）
kernel 内 threadIdx.x 和 blockIdx.x 的组合对应线程的唯一标识

以add_3这个 kernel 为例，可以用 index = blockIdx.x * blockDim.x + threadIdx.x 获得当前线程的要处理的数据的数组下标（见下图），

__global__
void add_3(int n, float *x, float *y)
{
    int index = blockIdx.x * blockDim.x + threadIdx.x;
    // stride为grid的线程总数:blockDim.x*gridDim.x
    int stride = blockDim.x * gridDim.x;
    for (int i = index; i < n; i += stride)
        y[i] = x[i] + y[i];
}

Kernel examples(下面的 C++ Example)

1个block,1个线程: add_1()
1个block,多个线程: add_2()
多个block,多个线程: add_3()

多个block，多个线程也称为网格跨步循环，其中每次循环的跨步(stride)为 grid 的线程总数: stride = blockDim.x * gridDim.x

C++ Example:

// file: add.cu
#include <iostream>
#include <math.h>

// Kernel function to add the elements of two arrays
// single thread
__global__
void add_1(int n, float *x, float *y)
{
    for (int i = 0; i < n; i++)
        y[i] = x[i] + y[i];
}
// single block, multi threads
__global__
void add_2(int n, float *x, float *y)
{
    int index = threadIdx.x;
    int stride = blockDim.x;
    for (int i = index; i < n; i += stride)
        y[i] = x[i] + y[i];
}
// multi block, multi threads
// 网格跨步(stride)循环
__global__
void add_3(int n, float *x, float *y)
{
    int index = blockIdx.x * blockDim.x + threadIdx.x;
    // stride为grid的线程总数:blockDim.x*gridDim.x
    int stride = blockDim.x * gridDim.x;
    for (int i = index; i < n; i += stride)
        y[i] = x[i] + y[i];
}

int main(void)
{
    int N = 1<<20;
    float *x, *y;

    // Allocate Unified Memory – accessible from CPU or GPU
    cudaMallocManaged(&x, N*sizeof(float));
    cudaMallocManaged(&y, N*sizeof(float));

    // initialize x and y arrays on the host
    for (int i = 0; i < N; i++) {
        x[i] = 1.0f;
        y[i] = 2.0f;
    }

    // Run kernel on 1M elements on the GPU
    // Just run with single thread :) 
    add_1<<<1, 1>>>(N, x, y);

    // Run with 1 block and multi threads
    add_2<<<1, 256>>>(N, x, y);

    // Run with multi block and multi threads
    int blockSize = 256;//并行线程数量
    int numBlocks = (N + blockSize - 1) / blockSize;//线程块数量
    add_3<<<numBlocks, blockSize>>>(N, x, y);
    
    // Wait for GPU to finish before accessing on host
    cudaDeviceSynchronize();

    // Check for errors (all values should be 3.0f)
    float maxError = 0.0f;
    for (int i = 0; i < N; i++)
        maxError = fmax(maxError, fabs(y[i]-3.0f));
    std::cout << "Max error: " << maxError << std::endl;

    // Free memory
    cudaFree(x);
    cudaFree(y);
    
    return 0;
}

CUDA Code Profiling
#

nvprof是CUDA工具包附带的命令行GPU分析器

Reference:

CUDA Parallel Programming - 这篇文章属于一个选集。

§ 1: GPU 结构

§ 2: 本文

§ 3: CUDA Conv

§ 4: CUDA Optimization

§ 5: CUDA Memory and Optimization

Kernel Function #

Device function #

CUDA 常用的函数 #

CUDA Event Record #

Steps of CUDA Program #

CUDA Kernel and Parrallel Computing #

CUDA Code Profiling #