上篇筆記中記錄了cuda核函數的寫法及調用的方法,並簡單的介紹了grid,block,thread 的概念,即指定多少個線程來執行核函數。上篇例子演示了一個簡單的N維數組(N很小)的例子,例子中調用了N個block,每個block分配一個線程,共N個並行的線程執行 c[N] = a[N] + b[N] 運算。 本篇擴展上篇內容,記錄兩個N維(N大於gpu可並行運算的線程數)數組點乘的運算 。展示了:
- 大維度數組運算核函數的寫法
- 用cuda共享內存(__ share __ )進行核函數線程間交互與同步(__syncthreads () )的方法
1. 大維度數組運算核函數的寫法
當數組維度N大於gpu可並行運算的線程數時,我們將數組分成不同partial,每個partial都是一個小數組,在一個線程中執行運算。上篇例子中核函數如下:
__global__ void add( int *a, int *b, int *c )
{
int tid = blockIdx.x; // this thread handles the data at its thread id
if (tid < N)
c[tid] = a[tid] + b[tid];
}
由於N很小,我們可以直接調用N個block,每個block一個線程,每個線程執行數組的索引(tid)不同。但當N大於gpu可調用的並行運算數時,我們就要把數組分成不同的partial,每個線程要循環以執行多個數組的索引。示例代碼如下:
__global__ void add( int *a, int *b, int *c ) {
int tid = blockIdx.x;
while (tid < N) {
c[tid] = a[tid] + b[tid];
tid += gridDim.x;
}
}
對比 if 跟 while 的不同。因爲每個線程要執行多次運算,每次運算執行數組不同的索引,所以 tid 要進行更新!
2. 線程交互(共享內存)與同步
cuda變量聲明時,在前面加上 __ share __ 關鍵字就可聲明爲共享變量。同一個block中的多個線程可並行的操作共享內存中的數據; 聲明的共享變量會在每一個block中都有一份拷貝; 但不同block之間的共享變量不能互相訪問。 對同一個block中的共享內存進行操作時讀跟寫不能衝突(需要用原子操作保證,後文再介紹),還有就是針對有前後步驟依賴的,前後時序不能亂,這時就需要用__syncthreads () 函數進行線程同步。下面用兩個長數組的點乘(dot produce)來進行示例說明。
長維度數組的點乘運算可以拆成三步:第一步,先把長維度數組分成多個partial, 每個partial執行對應元素的乘法,並先將每個partial對應元素乘法的結果進行相加,將相加結果保存在共享數組中。由於共享內存數據只能在各個block內部訪問,所以這裏的相加結果只是每個block中的每個線程各自切分到的數據和; 第二步,用二分法( O(log2) 複雜度)把各個block中的共享數組中的數據(各個block內所有線程的數據)加到一起,並將最終和保存在 index_0 地址中; 第三步,把所有block中的和的結果加到一起,就是最終的點乘結果。
需要注意的是執行第二步之前,需要確保所有線程的第一步都已經執行完成,所以要注意添加線程同步函數; 需要注意的是第二步二分法循環執行過程中,每下一步二分都要確保上一步所有線程執行完成,所以需要添加線程同步函數。需要指出的是,第三步在cpu中執行速度更快,所以核函數只需要完成前兩步運算。
下面是示例代碼:dot.cu
#include "../common/book.h"
#define imin(a,b) (a<b?a:b)
const int N = 33 * 1024;
const int threadsPerBlock = 256;
const int blocksPerGrid =
imin( 32, (N+threadsPerBlock-1) / threadsPerBlock );
__global__ void dot( float *a, float *b, float *c ) {
__shared__ float cache[threadsPerBlock];
int tid = threadIdx.x + blockIdx.x * blockDim.x;
int cacheIndex = threadIdx.x;
float temp = 0;
while (tid < N) {
temp += a[tid] * b[tid];
tid += blockDim.x * gridDim.x;
}
// set the cache values
cache[cacheIndex] = temp;
// synchronize threads in this block
__syncthreads();
// for reductions, threadsPerBlock must be a power of 2
// because of the following code
int i = blockDim.x/2;
while (i != 0) {
if (cacheIndex < i)
cache[cacheIndex] += cache[cacheIndex + i];
__syncthreads();
i /= 2;
}
if (cacheIndex == 0)
c[blockIdx.x] = cache[0];
}
int main( void ) {
float *a, *b, c, *partial_c;
float *dev_a, *dev_b, *dev_partial_c;
// allocate memory on the cpu side
a = (float*)malloc( N*sizeof(float) );
b = (float*)malloc( N*sizeof(float) );
partial_c = (float*)malloc( blocksPerGrid*sizeof(float) );
// allocate the memory on the GPU
HANDLE_ERROR( cudaMalloc( (void**)&dev_a,
N*sizeof(float) ) );
HANDLE_ERROR( cudaMalloc( (void**)&dev_b,
N*sizeof(float) ) );
HANDLE_ERROR( cudaMalloc( (void**)&dev_partial_c,
blocksPerGrid*sizeof(float) ) );
// fill in the host memory with data
for (int i=0; i<N; i++) {
a[i] = i;
b[i] = i*2;
}
// copy the arrays 'a' and 'b' to the GPU
HANDLE_ERROR( cudaMemcpy( dev_a, a, N*sizeof(float),
cudaMemcpyHostToDevice ) );
HANDLE_ERROR( cudaMemcpy( dev_b, b, N*sizeof(float),
cudaMemcpyHostToDevice ) );
dot<<<blocksPerGrid,threadsPerBlock>>>( dev_a, dev_b,
dev_partial_c );
// copy the array 'c' back from the GPU to the CPU
HANDLE_ERROR( cudaMemcpy( partial_c, dev_partial_c,
blocksPerGrid*sizeof(float),
cudaMemcpyDeviceToHost ) );
// finish up on the CPU side
c = 0;
for (int i=0; i<blocksPerGrid; i++) {
c += partial_c[i];
}
#define sum_squares(x) (x*(x+1)*(2*x+1)/6)
printf( "Does GPU value %.6g = %.6g?\n", c,
2 * sum_squares( (float)(N - 1) ) );
// free memory on the gpu side
HANDLE_ERROR( cudaFree( dev_a ) );
HANDLE_ERROR( cudaFree( dev_b ) );
HANDLE_ERROR( cudaFree( dev_partial_c ) );
// free memory on the cpu side
free( a );
free( b );
free( partial_c );
}