上篇笔记中记录了cuda核函数的写法及调用的方法,并简单的介绍了grid,block,thread 的概念,即指定多少个线程来执行核函数。上篇例子演示了一个简单的N维数组(N很小)的例子,例子中调用了N个block,每个block分配一个线程,共N个并行的线程执行 c[N] = a[N] + b[N] 运算。 本篇扩展上篇内容,记录两个N维(N大于gpu可并行运算的线程数)数组点乘的运算 。展示了:
- 大维度数组运算核函数的写法
- 用cuda共享内存(__ share __ )进行核函数线程间交互与同步(__syncthreads () )的方法
1. 大维度数组运算核函数的写法
当数组维度N大于gpu可并行运算的线程数时,我们将数组分成不同partial,每个partial都是一个小数组,在一个线程中执行运算。上篇例子中核函数如下:
__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];
}
由于N很小,我们可以直接调用N个block,每个block一个线程,每个线程执行数组的索引(tid)不同。但当N大于gpu可调用的并行运算数时,我们就要把数组分成不同的partial,每个线程要循环以执行多个数组的索引。示例代码如下:
__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;
}
}
对比 if 跟 while 的不同。因为每个线程要执行多次运算,每次运算执行数组不同的索引,所以 tid 要进行更新!
2. 线程交互(共享内存)与同步
cuda变量声明时,在前面加上 __ share __ 关键字就可声明为共享变量。同一个block中的多个线程可并行的操作共享内存中的数据; 声明的共享变量会在每一个block中都有一份拷贝; 但不同block之间的共享变量不能互相访问。 对同一个block中的共享内存进行操作时读跟写不能冲突(需要用原子操作保证,后文再介绍),还有就是针对有前后步骤依赖的,前后时序不能乱,这时就需要用__syncthreads () 函数进行线程同步。下面用两个长数组的点乘(dot produce)来进行示例说明。
长维度数组的点乘运算可以拆成三步:第一步,先把长维度数组分成多个partial, 每个partial执行对应元素的乘法,并先将每个partial对应元素乘法的结果进行相加,将相加结果保存在共享数组中。由于共享内存数据只能在各个block内部访问,所以这里的相加结果只是每个block中的每个线程各自切分到的数据和; 第二步,用二分法( O(log2) 复杂度)把各个block中的共享数组中的数据(各个block内所有线程的数据)加到一起,并将最终和保存在 index_0 地址中; 第三步,把所有block中的和的结果加到一起,就是最终的点乘结果。
需要注意的是执行第二步之前,需要确保所有线程的第一步都已经执行完成,所以要注意添加线程同步函数; 需要注意的是第二步二分法循环执行过程中,每下一步二分都要确保上一步所有线程执行完成,所以需要添加线程同步函数。需要指出的是,第三步在cpu中执行速度更快,所以核函数只需要完成前两步运算。
下面是示例代码: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 );
}