思想即是将内存数据拷贝到显存，在显存上执行并行运算，将结果数据从显存拷贝回内存。

CUDA内有thrust库，类似于C++ stl库。

===========以下是原文=========

挖坑待填。

以上是本机CUDA参数。

需要了解的概念：线程束(wrap)，共享内存，常量内存，纹理内存(?，图形学相关，略)，流，原子操作。

寄存器

寄存器是GPU片上高速缓存，执行单元可以以极低的延迟访问寄存器。寄存器的基本单元式寄存器文件，每个寄存器文件大小为32bit。局部存储器对于每个线程，局部存储器也是私有的。如果寄存器被消耗完。数据将被存储在局部存储器中。如果每个线程使用了过多的寄存器，或声明了大型结构体或数据，或者编译器无法确定数据的大小，线程的私有数据就有可能被分配到local memory中，一个线程的输入和中间变量将被保存在寄存器或者是局部存储器中。局部存储器中的数据被保存在显存中，而不是片上的寄存器或者缓存中，因此对local memory的访问速度很慢。

共享存储器

共享存储器(share memeory)也是GPU片内缓存存储器。它是一块可以被同一block中的所有线程访问的可读存储器。

使用关键字share添加到变量的声明中，这将使这个变量驻留在共享内存中。cuda c编译器对共享内存中的变量与普通变量将采取不同的处理方式。

对于在GPU上启动的每个线程块，cuda c编译器都将创建该变量的一个副本，线程块中的每一个线程都共享这块内存，但这个线程却无法看到也不能修改其他线程块的变量的副本。这就实现了一种非常好的方式，使得一个线程块中的多个线程能够在计算上进行通信和协作，而且，共享内存缓冲区驻留在物理GPU上，而不是驻留在GPU之外的系统内存中。

常量内存

__constant__将把变量的访问限制为只读。

在接受了这种限制之后，我们希望得到某种回报，与全局内存中读数据相比，从常量内存中读取相同的数据可以节约内存的带宽，主要有两个原因：

-对常量内存的单次读操作可以广播到其他的“领进”线程，这将节约15次读取操作。

-常量内存的数据缓存起来，因此对相同地址的连续读取操作将不会产生额外的内存通信量。

“邻近”是指半个warp中的线程。当处理常量内存时。nvidia硬件将把单次内存读取操作广播到每个半线程束。在半线程束中包含了16个线程，即线程束中数量的一半。

如果在半线程束中的每一个线程访问相同的常量内存地址。那么GPU只会发生一次读操作事件并在随后将数据广播到每个线程。

如果从常量内存中读取大量的数据，那么这种方式产生的内存流量只是全局内存时的1/16.然而，当使用常量内存时也可能产生负面影响。

如果半线程束的所有16个线程需要访问常量内存中不同的数据，那么这个16次读取操作会被串行化，从而需要16倍的时间来发出请求。

但如果从全局内存中读取，那么这些请求会同时发出。在这种情况下，从常量内存读取就慢于从全局内存中读取。

全局存储器

全局存储器(global memeory)位于显存（占据了大部分的显存)。

整个网格中的任意线程都能读写全局存储器的任意位置。在目前的架构中，全局存储器没有缓存。

=======补======

SM与线程束

通常，线程块的数量为GPU中央处理器数量的2倍时，将达到最优性能。

GPU拥有数百个核，其中，SM代表多流处理器，即计算核心，而每个SM又包含8个标准流处理器SP，以及其他。

隶属于同一个SM的8个SP共用同一套取指与发射单元，共用一块共享存储器。

kernel以block为单位执行。

一个block必须被分配到同一块SM中，block的每个thread会发送到一个SP上执行，但一个SM中同一时刻可以有多个活动线程块在等待执行。

同一个block的thread开始于相同的指令地址，理论上能够按不同的分支执行，但实际上由于8个SP共用一套取值与发射单元，同一warp的线程执行的指令是相同的。
如果一个warp的线程跳转如分支语句的同一分支，那么实际执行时间就是这个分支执行时间；
否则，SM需要把每一个分支的指令发射到每个SP，执行时间是执行多个分支的所用时间之和。
故CUDA程序尽量避免分支，尽量warp内不分支。

线程束(warp)：一个线程束由32个连续的线程组成。（简单地说，warp包含32个线程是因为每发射一条warp指令，SM中的8个SP就会将这条指令执行4遍）。warp才是真正的执行单位。

杂

原子操作。同时对global内存写操作，可分批进行，改成先线程块对shared内存写操作，结束后shared内存写入global内存。

__syncthreads()实现了线程块内的线程同步，当任意线程运行到BAR标记处后，暂停运行，直到整个block中所有的thread都运行到BAR标记处后才继续执行。
__syncthreads()勿置于分支语句内。

流：名义上多个流，实际上可能就是kenel（GPU运算）和copy（CPU与GPU间数据传送）两个流。每个流都是一个队列，事件被push入队列中等待执行。

for循环的任务切分的时候，有两种方式划分任务。

1.划分成k段，每段由某个线程执行。

2.按模k同余进行划分，for循环每次的递增量为块大小。

一般第2种方式更优，因为是并行执行，故第二种方式保证每次执行的的时候，不同线程访问的数据位置相邻。

并行算法

归约运算: 每次折半。以求和为例，第一次前1/2 + 后1/2；第二次前1/4 + 后1/4 .。。

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];

更好的优化算法：循环展开等

前缀和运算(Scan):

for(d = 1; (1 << d) < n; d++) 
   for all k in parallel 
     if( k >= (1 << d) )
        x[out][k] = x[in][k – (1 << (d-1))] + x[in][k]
     else
     x[out][k] = x[in][k]

或

for(d = 1; (1 << d) < n; d++)
   for all k in parallel
     tmp = x[k]
     if( k >= (1 << d)  )
        tmp = x[k – (1 << (d-1))] + x[k]
     __syncthreads();//同步
     x[k] = tmp

以上两算法运行所需空间至少是原空间的两倍，思想为倍增思想。

还有更高效的Scan算法。

for d:=0 to log2(n-1) do
    for k from 0 to n-1 by 2^(d+1) in parallel do
        x[k+2^(d+1)-1]:=x[k+2^(d+1)-1] + x[k+2^(d+1)-1]

x[n-1]:=0
for d:=log2(n-1) downto 0 do
    for k from 0 to n-1 by 2^(d+1) in parallel do
        t:=x[k+2^d-1]
        x[k+2^d-1]:=x[k+2^(d+1)-1]
        x[k+2^(d+1)-1]:=t+x[k+2^(d+1)-1]

书上还有更高效的scan_best_kernel算法，略。

排序算法:

基于比较的排序：排序网络

基于非比较的排序：并行基数排序。前置技能：Scan。

并行基数排序算法：
按二进制位考虑。
以00101101为例。排完序后应当是12473568。
二进制翻转: 11010010
统计前缀和: 12233344
如果当前位是0，则写入对应位置。
第1个数写入首位置，第2个数写入第二个位置，第4个数写入第三个位置，第7个数写入第四个位置。
再对当前位是1的进行写入，位置下标 + 4(0的个数)。

矩阵乘法优化:

矩阵运算A*B = C， A为m*p的矩阵，B为p*n的矩阵。

优化1:

将C分块，每个线程块处理C中的某一块，例如d*d的一小块。

那么每个线程块需要完成d*p的矩阵与p*d的矩阵相乘的运算。

为了高效访存，每个线程块再对d*p和p*d的矩阵的p进行划分，看成多个矩阵块相乘后累加。

每个小块为d*q和q*d的大小，开在shared memory内，节约了大量global memory带宽。

（虽然循环次数会增加，但访存效率得到了高效提升）
优化2：

利用寄存器资源优化，效率更高，但略为繁琐。

矩阵转置优化:

无优化：拷贝至GPU内存，置换后拷贝回CPU内存。缺点：输入时每个block按行读入，满足合并访问条件；输出时数据间隔过大，不满足合并访问条件。

优化1：

分块，每个块是一个小方阵矩阵，如16*16。

输入时，每个线程块操作一个16*16方阵，通过shared memory完成16*16小方阵转置。

之后将大矩阵按块转置输出至global memory，每个线程块内无需再转置，满足合并访问条件。

shared memory数组大小设置成16*17而不是16*16，这样每行中处于同一列的数据就会被存储在不同的shared memory bank中，避免了bank conflict。

优化2：

上述无优化与优化1均存在分区冲突问题。优化2算法进行了for循环操作，暂未深入研究。

CUDA程序优化

grid和block的维度设计

grid的尺寸大一点较好。

为了有效利用执行单元，每个block的线程数应当是32的整数倍，最好让线程数量保持在64 ~ 256之间。

block维度和每个维度上的尺寸的主要作用是避免做整数除法和求模运算。实际中视具体情况而定。

如果问题规模对划分方式不敏感，应该让blockDim.x为16或16的整数倍，提高访问global memory和shared memory的效率。

存储器访问优化

灵活运用各种存储器的特性，实现最大可用带宽。

指令流优化

等

CUDA作业

作业1 简单CUDA应用，矩阵乘法

 1 #include <bits/stdc++.h>
 2 //#include "cuda_runtime.h"
 3 //#include "device_launch_parameters.h"
 4 
 5 using namespace std;
 6 #define N 2000
 7 
 8 const int block = 1<<12;
 9 const int thread = 1<<10;
10 
11 long long a[N][N];
12 long long b[N][N];
13 long long c[N][N];
14 void init() {
15     for(int i = 0; i < N; i++)
16         for(int j = 0; j < N; j++)
17             a[i][j] = i*i+j, b[i][j] = i+j*j, c[i][j] = 0;
18 }
19 
20 __global__ void init_cuda(long long *c) {
21     int id = blockIdx.x*blockDim.x+threadIdx.x;
22     if(id < N*N) c[id] = 0;
23 }
24 
25 __global__ void mul_cuda(long long *a, long long *b, long long *c) {
26     int id = blockIdx.x*blockDim.x+threadIdx.x;
27     if(id < N*N) {
28         int row = id/N, col = id-row*N;
29         for(int k = 0; k < N; k++)
30             c[id] += a[row*N+k]*b[k*N+col];
31     }
32 }
33 
34 
35 
36 int main(int argc, char** argv) {
37     int cstart = clock();
38     init();
39     if(argv[1][0] == '0') {
40         puts("not cuda");
41         for(int i = 0; i < N; i++)
42             for(int j = 0; j < N; j++)
43                 for(int k = 0; k < N; k++)
44                     c[i][k] += a[i][j]*b[j][k];
45     }
46     else {
47         puts("cuda");
48         long long *dev_a, *dev_b, *dev_c;
49         cudaMalloc( (void**)&dev_a, sizeof a );
50         cudaMemcpy(dev_a, a, sizeof a, cudaMemcpyHostToDevice);
51 
52         cudaMalloc( (void**)&dev_b, sizeof b );
53         cudaMemcpy(dev_b, b, sizeof b, cudaMemcpyHostToDevice);
54 
55         cudaMalloc( (void**)&dev_c, sizeof c );
56 
57 
58         init_cuda<<<block, thread>>>(dev_c);
59         mul_cuda<<<block, thread>>>(dev_a, dev_b, dev_c);
60 
61         cudaMemcpy(c, dev_c, sizeof c, cudaMemcpyDeviceToHost);
62         cudaFree(dev_a);
63         cudaFree(dev_b);
64         cudaFree(dev_c);
65     }
66     printf("%lld, ", c[1233][1233]);
67     printf("time: %d\n", int(clock()-cstart));
68     return 0;
69 }

View Code

作业2 卷积操作，常量内存

  1 //compile command: nvcc cv.cu `pkg-config --cflags --libs opencv` -std=c++11
  2 //execute command1:     ./a.out CC.jpg 3
  3 //execute command2:     ./a.out CC.jpg 5
  4 #include <bits/stdc++.h>
  5 
  6 #include <opencv2/opencv.hpp>
  7 //#include <opencv2/gpu/gpu.hpp>
  8 using namespace cv;
  9 
 10 Mat G3 = (Mat_<int>(3, 3) << -5, 3, -5,
 11                                3, 9,  3,
 12                               -5, 3, -5);
 13 
 14 Mat G5 = (Mat_<int>(5, 5) << 0, -1, 1, -1, 0,
 15                             -1, 1, -1, 1,-1,
 16                             0,  -1, 8,-1, 0,
 17                             -1, 1, -1, 1,-1,
 18                             0, -1,  1,-1, 0);
 19 
 20 void CPU_Sharpen(const Mat& myImage, Mat& Result, int ca){
 21     CV_Assert(myImage.depth() == CV_8U);  // accept only uchar images
 22 
 23     int begin = clock();
 24     Result.create(myImage.size(), myImage.type());
 25     const int nChannels = myImage.channels();
 26     Mat &G = ca == 3? G3: G5;
 27     int half = G.rows >> 1;
 28 
 29     for(int row = half; row < myImage.rows-half; ++row) {
 30         uchar* output = Result.ptr<uchar>(row);
 31         for(int col = half*nChannels; col < nChannels * (myImage.cols - half); ++col) {
 32             int tmp = 0;
 33             for(int i = 0; i < G.rows; ++i)
 34                 for(int j = 0; j < G.cols; ++j)
 35                     tmp += G.at<int>(i, j)*( *(myImage.ptr<uchar>(row-half+i)+(col-half*nChannels+j*nChannels) ) );
 36             *output++ = saturate_cast<uchar>(tmp);
 37         }
 38     }
 39     for(int i = 0; i < half; i++) {
 40         Result.row(i).setTo(Scalar(140));
 41         Result.row(Result.rows - 1 - i).setTo(Scalar(140));
 42         Result.col(i).setTo(Scalar(140));
 43         Result.col(Result.cols - 1 - i).setTo(Scalar(140));
 44     }
 45     printf("Time used %.3fms\n", ((int)clock()-begin)*1000.0/CLOCKS_PER_SEC);
 46 }
 47 
 48 /********************************************/
 49 
 50 __constant__ int con_G3[3][3] = {
 51     {-5, 3, -5},
 52     { 3, 9,  3},
 53     {-5, 3, -5}
 54 };
 55 __constant__ int con_G5[5][5] = {
 56     {0, -1,  1,-1, 0},
 57     {-1, 1, -1, 1,-1},
 58     {0, -1,  8,-1, 0},
 59     {-1, 1, -1, 1,-1},
 60     {0, -1,  1,-1, 0}
 61 };
 62 
 63 __global__ void init_cuda(uchar *c, int col_num) {
 64     int col_id = blockIdx.x, row_id = threadIdx.x;
 65     int now = (row_id*col_num+col_id)*3;
 66     c[now] = c[now+1] = c[now+2] = 0;
 67 }
 68 
 69 
 70 //GPU,start from c, num * sizeof(uchar)
 71 __global__ void test(uchar *c, int *sum, int num) {
 72     int x = 0;
 73     for(int i = 0; i < num; i++)
 74         x += c[i];
 75     *sum = x;
 76 }
 77 
 78 __global__ void con_cuda(uchar *s, uchar *t, int ca, int row_num, int col_num) {
 79     int col_id = blockIdx.x-1, row_id = threadIdx.x-1;
 80     const int half = ca >> 1;
 81     if(row_id >= half && row_id < row_num-half && col_id >= half && col_id < col_num-half) {
 82         const int* con_mat = ca == 3? con_G3[0]: con_G5[0];
 83         int res[3] = {0, 0, 0};
 84         for(int i = 0; i < ca; i++)
 85             for(int j = 0; j < ca; j++) {
 86                 //s[row_num][col_num][3];
 87                 int pos = (row_id-half+i)*col_num*3+(col_id-half+j)*3;
 88                 res[0] += con_mat[i*ca+j]*s[pos];
 89                 res[1] += con_mat[i*ca+j]*s[pos+1];
 90                 res[2] += con_mat[i*ca+j]*s[pos+2];
 91             }
 92         res[0] = res[0] < 0? 0: (res[0] > 255? 255: res[0]);
 93         res[1] = res[1] < 0? 0: (res[1] > 255? 255: res[1]);
 94         res[2] = res[2] < 0? 0: (res[2] > 255? 255: res[2]);
 95         int pos = row_id*col_num*3+col_id*3;
 96         t[pos]   = res[0],
 97         t[pos+1] = res[1],
 98         t[pos+2] = res[2];
 99     }
100 }
101 
102 /*******************************************/
103 
104 void HANDLE(cudaError x) {
105     if(x != cudaSuccess) {
106         puts("error!");
107         exit(0);
108     }
109 }
110 
111 int main(int argc, char** argv ) {
112     if ( argc < 3 ) {
113         printf("usage: a.out <Image_Path> <size of Mat>\n");
114         return -1;
115     }
116 
117     Mat src_img = imread(argv[1], 1), ans_CPU, ans_GPU;
118     int ca = argv[2][0]-'0';
119     printf("%d %d\n", src_img.rows, src_img.cols);
120 
121     /**********************************************************************************/
122 
123     printf("Run on CPU!\n");
124     CPU_Sharpen(src_img, ans_CPU, ca);
125     std::string s = std::string("CC")+std::to_string(ca)+std::string("_With_CPU.jpg");
126     imwrite(s, ans_CPU);
127     imshow("after operation", ans_CPU);
128     waitKey();
129 
130     /**********************************************************************************/
131 
132     printf("Run on GPU!\n");
133     int begin = clock();
134     uchar *dev_src, *dev_result;
135     int seg = src_img.cols*src_img.channels();
136     HANDLE(cudaMalloc( (void**)&dev_src, src_img.rows*seg*sizeof(uchar)));
137     HANDLE(cudaMalloc( (void**)&dev_result, src_img.rows*seg*sizeof(uchar)));
138     /*Memcpy to dev_src*/
139     for(int i = 0; i < src_img.rows; ++i)
140         HANDLE(cudaMemcpy(dev_src+i*seg*sizeof(uchar), src_img.ptr<uchar>(i), sizeof(uchar)*seg, cudaMemcpyHostToDevice));
141     /*Init for dev_result*/
142     init_cuda<<<src_img.cols, src_img.rows>>>(dev_result, src_img.cols);
143     /*Do convolution*/
144     con_cuda<<<src_img.cols, src_img.rows>>>(dev_src, dev_result, ca, src_img.rows, src_img.cols);
145 
146     ans_GPU.create(src_img.size(), src_img.type());
147     /*Memcpy to host*/
148     for(int i = 0; i < ans_GPU.rows; ++i)
149         cudaMemcpy(ans_GPU.ptr<uchar>(i), dev_result+i*seg*sizeof(uchar), sizeof(uchar)*seg, cudaMemcpyDeviceToHost);
150 
151     for(int i = 0; i < (ca >> 1); i++) {
152         ans_GPU.row(i).setTo(Scalar(140));
153         ans_GPU.row(ans_GPU.rows - 1 - i).setTo(Scalar(140));
154         ans_GPU.col(i).setTo(Scalar(140));
155         ans_GPU.col(ans_GPU.cols - 1 - i).setTo(Scalar(140));
156     }
157     /*Free*/
158     cudaFree(dev_src);
159     cudaFree(dev_result);
160     printf("Time used %.3fms\n", ((int)clock()-begin)*1000.0/CLOCKS_PER_SEC);
161     imshow("after operation", ans_GPU);
162     waitKey();
163     return 0;
164 }

View Code

作业3 卷积操作，流

  1 //compile command: nvcc cv.cu `pkg-config --cflags --libs opencv` -std=c++11
  2 //execute command1:     ./a.out 1.jpg 3
  3 //execute command2:     ./a.out 1.jpg 5
  4 #include <bits/stdc++.h>
  5 
  6 #include <opencv2/opencv.hpp>
  7 //#include <opencv2/gpu/gpu.hpp>
  8 using namespace cv;
  9 
 10 /********************************************/
 11 
 12 __constant__ int con_G3[3][3] = {
 13     {-5, 3, -5},
 14     { 3, 9,  3},
 15     {-5, 3, -5}
 16 };
 17 __constant__ int con_G5[5][5] = {
 18     {0, -1,  1,-1, 0},
 19     {-1, 1, -1, 1,-1},
 20     {0, -1,  8,-1, 0},
 21     {-1, 1, -1, 1,-1},
 22     {0, -1,  1,-1, 0}
 23 };
 24 
 25 __global__ void init_cuda(uchar *c, int col_num) {
 26     int col_id = blockIdx.x, row_id = threadIdx.x;
 27     int now = (row_id*col_num+col_id)*3;
 28     c[now] = c[now+1] = c[now+2] = 0;
 29 }
 30 
 31 
 32 //GPU,start from c, num * sizeof(uchar)
 33 __global__ void test(uchar *c, int *sum, int num) {
 34     int x = 0;
 35     for(int i = 0; i < num; i++)
 36         x += c[i];
 37     *sum = x;
 38 }
 39 
 40 __global__ void con_cuda(uchar *s, uchar *t, int ca, int row_num, int col_num) {
 41     int col_id = blockIdx.x-1, row_id = threadIdx.x-1;
 42     const int half = ca >> 1;
 43     if(row_id >= half && row_id < row_num-half && col_id >= half && col_id < col_num-half) {
 44         const int* con_mat = ca == 3? con_G3[0]: con_G5[0];
 45         int res[3] = {0, 0, 0};
 46         for(int i = 0; i < ca; i++)
 47             for(int j = 0; j < ca; j++) {
 48                 //s[row_num][col_num][3];
 49                 int pos = (row_id-half+i)*col_num*3+(col_id-half+j)*3;
 50                 res[0] += con_mat[i*ca+j]*s[pos];
 51                 res[1] += con_mat[i*ca+j]*s[pos+1];
 52                 res[2] += con_mat[i*ca+j]*s[pos+2];
 53             }
 54         res[0] = res[0] < 0? 0: (res[0] > 255? 255: res[0]);
 55         res[1] = res[1] < 0? 0: (res[1] > 255? 255: res[1]);
 56         res[2] = res[2] < 0? 0: (res[2] > 255? 255: res[2]);
 57         int pos = row_id*col_num*3+col_id*3;
 58         t[pos]   = res[0],
 59         t[pos+1] = res[1],
 60         t[pos+2] = res[2];
 61     }
 62 }
 63 
 64 /*******************************************/
 65 
 66 void HANDLE_ERROR(cudaError x) {
 67     if(x != cudaSuccess) {
 68         puts("error!");
 69         exit(0);
 70     }
 71 }
 72 
 73 int main(int argc, char** argv ) {
 74     if ( argc < 3 ) {
 75         printf("usage: a.out <Image_Path> <size of Mat>\n");
 76         return -1;
 77     }
 78 
 79     Mat src_img = imread(argv[1], 1), ans_CPU, ans_GPU;
 80     int ca = argv[2][0]-'0';
 81     printf("%d %d\n", src_img.rows, src_img.cols);
 82     /**********************************************************************************/
 83 
 84     printf("Run on GPU!\n");
 85     int begin = clock();
 86     /**********************************************************************************/
 87 
 88     uchar *dev_src, *dev_result;
 89     int seg = src_img.cols*src_img.channels();
 90     HANDLE_ERROR(cudaMalloc( (void**)&dev_src, src_img.rows*seg*sizeof(uchar)));
 91     HANDLE_ERROR(cudaMalloc( (void**)&dev_result, src_img.rows*seg*sizeof(uchar)));
 92 
 93     cudaStream_t stream0, stream1;
 94     HANDLE_ERROR( cudaStreamCreate( &stream0 ) );
 95     HANDLE_ERROR( cudaStreamCreate( &stream1 ) );
 96     for(int i = 0; i < src_img.rows; ++i)
 97         HANDLE_ERROR( cudaMemcpyAsync(dev_src+i*seg*sizeof(uchar), src_img.ptr<uchar>(i), sizeof(uchar)*seg, cudaMemcpyHostToDevice, stream0) );
 98 
 99     init_cuda<<<src_img.cols, src_img.rows, 0, stream0>>>(dev_result, src_img.cols);
100     con_cuda<<<src_img.cols, src_img.rows, 0, stream0>>>(dev_src, dev_result, ca, src_img.rows, src_img.cols);
101 
102     ans_GPU.create(src_img.size(), src_img.type());
103 
104     for(int i = 0; i < ans_GPU.rows; ++i)
105         HANDLE_ERROR( cudaMemcpyAsync(ans_GPU.ptr<uchar>(i), dev_result+i*seg*sizeof(uchar), sizeof(uchar)*seg, cudaMemcpyDeviceToHost, stream0) );
106 
107     for(int i = 0; i < (ca >> 1); i++) {
108         ans_GPU.row(i).setTo(Scalar(140));
109         ans_GPU.row(ans_GPU.rows - 1 - i).setTo(Scalar(140));
110         ans_GPU.col(i).setTo(Scalar(140));
111         ans_GPU.col(ans_GPU.cols - 1 - i).setTo(Scalar(140));
112     }
113 
114     HANDLE_ERROR( cudaStreamSynchronize( stream0 ) );
115     HANDLE_ERROR( cudaStreamSynchronize( stream1 ) );
116 
117     HANDLE_ERROR( cudaStreamDestroy( stream0 ) );
118     HANDLE_ERROR( cudaStreamDestroy( stream1 ) );
119 
120     cudaFree(dev_src);
121     cudaFree(dev_result);
122     /********************without stream*********************/
123 
124 //    uchar *dev_src, *dev_result;
125 //    int seg = src_img.cols*src_img.channels();
126 //    HANDLE_ERROR(cudaMalloc( (void**)&dev_src, src_img.rows*seg*sizeof(uchar)));
127 //    HANDLE_ERROR(cudaMalloc( (void**)&dev_result, src_img.rows*seg*sizeof(uchar)));
128 //    /*Memcpy to dev_src*/
129 //    for(int i = 0; i < src_img.rows; ++i)
130 //        HANDLE_ERROR(cudaMemcpy(dev_src+i*seg*sizeof(uchar), src_img.ptr<uchar>(i), sizeof(uchar)*seg, cudaMemcpyHostToDevice));
131 //    /*Init for dev_result*/
132 //    init_cuda<<<src_img.cols, src_img.rows>>>(dev_result, src_img.cols);
133 //    /*Do convolution*/
134 //    con_cuda<<<src_img.cols, src_img.rows>>>(dev_src, dev_result, ca, src_img.rows, src_img.cols);
135 //
136 //    ans_GPU.create(src_img.size(), src_img.type());
137 //    /*Memcpy to host*/
138 //    for(int i = 0; i < ans_GPU.rows; ++i)
139 //        HANDLE_ERROR( cudaMemcpy(ans_GPU.ptr<uchar>(i), dev_result+i*seg*sizeof(uchar), sizeof(uchar)*seg, cudaMemcpyDeviceToHost) );
140 //
141 //    for(int i = 0; i < (ca >> 1); i++) {
142 //        ans_GPU.row(i).setTo(Scalar(140));
143 //        ans_GPU.row(ans_GPU.rows - 1 - i).setTo(Scalar(140));
144 //        ans_GPU.col(i).setTo(Scalar(140));
145 //        ans_GPU.col(ans_GPU.cols - 1 - i).setTo(Scalar(140));
146 //    }
147 
148     /*Free*/
149 //    cudaFree(dev_src);
150 //    cudaFree(dev_result);
151     printf("Time used %.3fms\n", ((int)clock()-begin)*1000.0/CLOCKS_PER_SEC);
152     imshow("after operation", ans_GPU);
153     imwrite("Tigerwith5.jpg", ans_GPU);
154     waitKey();
155     return 0;
156 }

View Code

final project 图墙 + 图片融合

  1 //compile command: nvcc final.cu `pkg-config --cflags --libs opencv` -std=c++11
  2 //execute command1:     ./a.out CC.jpg 3
  3 //execute command2:     ./a.out CC.jpg 5
  4 #include <bits/stdc++.h>
  5 
  6 #include <opencv2/opencv.hpp>
  7 //#include <opencv2/gpu/gpu.hpp>
  8 using namespace cv;
  9 
 10 __global__ void init_cuda(uchar *c, int col_num) {
 11     int col_id = blockIdx.x, row_id = threadIdx.x;
 12     int now = (row_id*col_num+col_id)*3;
 13     c[now] = c[now+1] = c[now+2] = 0;
 14 }
 15 
 16 
 17 //GPU,start from c, num * sizeof(uchar)
 18 __global__ void test(uchar *c, int *sum, int num) {
 19     int x = 0;
 20     for(int i = 0; i < num; i++)
 21         x += c[i];
 22     *sum = x;
 23 }
 24 
 25 __global__ void solve(uchar *s, uchar *t, uchar a, uchar b, uchar c, int R, int C) {
 26     int x = blockIdx.x-1, y = threadIdx.x-1;
 27     if(x < R&&y < C) {
 28         int g = 3*(x*C+y);
 29         if(t[g] == a&&t[g+1] == b&&t[g+2] == c) {
 30             t[g]   = s[g];
 31             t[g+1] = s[g+1];
 32             t[g+2] = s[g+2];
 33         }
 34         else {
 35             t[g]   = 0.35*s[g]  +0.65*t[g];
 36             t[g+1] = 0.35*s[g+1]+0.65*t[g+1];
 37             t[g+2] = 0.35*s[g+2]+0.65*t[g+2];
 38         }
 39     }
 40 }
 41 
 42 __global__ void zoom(uchar *s, uchar *t, int R, int C, int r, int c) {
 43     int x = blockIdx.x-1, y = threadIdx.x-1;
 44     if(x <= r && y <= c) {
 45         int row = x/(float)r*R, col = y/(float)c*C;
 46         //t[x][y] = s[row][col];
 47         t[ (x*c+y)*3 ]   = s[ (row*C+col)*3 ];
 48         t[ (x*c+y)*3+1 ] = s[ (row*C+col)*3+1 ];
 49         t[ (x*c+y)*3+2 ] = s[ (row*C+col)*3+2 ];
 50     }
 51 }
 52 
 53 /*******************************************/
 54 
 55 void HANDLE(cudaError x) {
 56     if(x != cudaSuccess) {
 57         puts("error!");
 58         exit(0);
 59     }
 60 }
 61 
 62 const int N = 36;
 63 
 64 int main(int argc, char** argv ) {
 65     Mat src_img[N], dst_img[N], ret1, ret2;
 66     int width = 1000000, height = 1000000;
 67     for(int i = 0; i < N; i++) {
 68         src_img[i] = imread(std::to_string(i+1)+std::string(".jpg"), 1);
 69         int r = src_img[i].rows, c = src_img[i].cols;
 70         if(height > r) height = r;
 71         if(width > c) width = c;
 72     }
 73     height *= 0.4;
 74     width *= 0.17;
 75 
 76     //resize
 77     int begin = clock();
 78     for(int i = 0; i < N; i++) {
 79         dst_img[i].create(Size(height, width), src_img[i].type());
 80         resize(src_img[i], dst_img[i], Size(height, width));
 81     }
 82     printf("Time used in resizing is%.3fms\n", ((int)clock()-begin)*1000.0/CLOCKS_PER_SEC);
 83 
 84     int sq = sqrt(N+0.5);
 85     //std::cout << width << ' ' << height << std::endl;
 86     ret1.create(Size(height*sq, width*sq), src_img[0].type());
 87     //std::cout << ret1.rows << ' ' << ret1.cols << std::endl;
 88 
 89     //merge
 90     for(int i = 0; i < sq; i++)
 91         for(int j = 0; j < sq; j++){
 92             for(int r = 0; r < width; r++)
 93                 memcpy(ret1.ptr<uchar>(i*width+r)+j*height*3, dst_img[i*sq+j].ptr<uchar>(r), height*3);
 94         }
 95 
 96 
 97     Mat ret = imread("0.jpg", 1);
 98     resize(ret, ret2, Size(height*6, width*6));
 99     //std::cout << ret2.rows << ' ' << ret2.cols << std::endl;
100     //imshow("", ret2);
101     //waitKey();
102 
103     uchar a = *ret2.ptr<uchar>(0), b = *(ret2.ptr<uchar>(0)+1), c = *(ret2.ptr<uchar>(0)+2);
104     if(ret1.rows != ret2.rows || ret1.cols != ret2.cols) puts("gg");
105     int R = ret2.rows, C = ret2.cols;
106     std::cout << R << ' ' << C << std::endl;
107     //CPU
108     begin = clock();
109     for(int i = 0; i < R; i++) {
110         uchar *p1 = ret1.ptr<uchar>(i), *p2 = ret2.ptr<uchar>(i);
111         bool tag = true;
112         double x = 0;
113         for(int j = 0; j < C; j++) {
114             if(*(p2+j*3) == a&&*(p2+j*3+1) == b&&*(p2+j*3+2) == c) {
115                 x = 0;
116                 *(p2+j*3)   = *(p1+j*3);
117                 *(p2+j*3+1)   = *(p1+j*3+1);
118                 *(p2+j*3+2)   = *(p1+j*3+2);
119                 continue ;
120             }
121 
122             if(*(p2+j*3+15) == a&&*(p2+j*3+16) == b&&*(p2+j*3+17) == c) {
123                 x = 0;
124                 *(p2+j*3)   = *(p1+j*3);
125                 *(p2+j*3+1)   = *(p1+j*3+1);
126                 *(p2+j*3+2)   = *(p1+j*3+2);
127                 continue ;
128             }
129 
130             x = tag? x+0.06: x-0.06;
131             if(x > 1) tag = false;
132             if(x < 0.6) tag = true;
133             *(p2+j*3)   = (1-x)*(*(p1+j*3))  +x*(*(p2+j*3));
134             *(p2+j*3+1) = (1-x)*(*(p1+j*3+1))+x*(*(p2+j*3+1));
135             *(p2+j*3+2) = (1-x)*(*(p1+j*3+2))+x*(*(p2+j*3+2));
136         }
137     }
138     printf("Time used in CPU is %.3fms\n", ((int)clock()-begin)*1000.0/CLOCKS_PER_SEC);
139 
140     imshow("", ret2);
141     waitKey();
142     imwrite("final.jpg", ret2);
143     //GPU
144     begin = clock();
145     uchar *dev_src, *dev_result;
146     HANDLE(cudaMalloc( (void**)&dev_src, R*C*3*sizeof(uchar)));
147     HANDLE(cudaMalloc( (void**)&dev_result, R*C*3*sizeof(uchar)));
148     for(int i = 0; i < R; ++i)
149         cudaMemcpy(dev_src+i*C*3*sizeof(uchar), ret1.ptr<uchar>(i), C*3*sizeof(uchar), cudaMemcpyHostToDevice);
150     for(int i = 0; i < R; ++i)
151         cudaMemcpy(dev_result+i*C*3*sizeof(uchar), ret2.ptr<uchar>(i), C*3*sizeof(uchar), cudaMemcpyHostToDevice);
152     solve<<<R, C>>>(dev_src, dev_result, a, b, c, R, C);
153     for(int i = 0; i < R; ++i)
154         cudaMemcpy(ret2.ptr<uchar>(i), dev_result+i*C*3*sizeof(uchar), C*3*sizeof(uchar), cudaMemcpyDeviceToHost);
155     printf("Time used in GPU is %.3fms\n", ((int)clock()-begin)*1000.0/CLOCKS_PER_SEC);
156 
157     imshow("", ret2);
158     waitKey();
159     cudaFree(dev_src);
160     cudaFree(dev_result);
161     imwrite("final2.jpg", ret2);
162 
163     /**********************************************************************************/
164 
165     printf("Run on CPU!\n");
166     CPU_Sharpen(src_img, ans_CPU, ca);
167     std::string s = std::string("IMG")+std::to_string(ca)+std::string("_With_CPU.jpg");
168     imwrite(s, ans_CPU);
169     imshow("after operation", ans_CPU);
170     waitKey();
171 
172     /**********************************************************************************/
173 
174     printf("Run on GPU!\n");
175     int begin = clock();
176     uchar *dev_src, *dev_result;
177     int seg = src_img.cols*src_img.channels();
178     HANDLE(cudaMalloc( (void**)&dev_src, src_img.rows*seg*sizeof(uchar)));
179     HANDLE(cudaMalloc( (void**)&dev_result, src_img.rows*seg*sizeof(uchar)));
180 
181     /*Memcpy to dev_src*/
182 
183     for(int i = 0; i < src_img.rows; ++i)
184         HANDLE(cudaMemcpy(dev_src+i*seg*sizeof(uchar), src_img.ptr<uchar>(i), sizeof(uchar)*seg, cudaMemcpyHostToDevice));
185 
186     init_cuda<<<src_img.cols, src_img.rows>>>(dev_result, src_img.cols);
187 
188     con_cuda<<<src_img.cols, src_img.rows>>>(dev_src, dev_result, ca, src_img.rows, src_img.cols);
189 
190     ans_GPU.create(src_img.size(), src_img.type());
191 
192     for(int i = 0; i < ans_GPU.rows; ++i)
193         cudaMemcpy(ans_GPU.ptr<uchar>(i), dev_result+i*seg*sizeof(uchar), sizeof(uchar)*seg, cudaMemcpyDeviceToHost);
194 
195     for(int i = 0; i < (ca >> 1); i++) {
196         ans_GPU.row(i).setTo(Scalar(140));
197         ans_GPU.row(ans_GPU.rows - 1 - i).setTo(Scalar(140));
198         ans_GPU.col(i).setTo(Scalar(140));
199         ans_GPU.col(ans_GPU.cols - 1 - i).setTo(Scalar(140));
200     }
201 
202     cudaFree(dev_src);
203     cudaFree(dev_result);
204     printf("Time used %.3fms\n", ((int)clock()-begin)*1000.0/CLOCKS_PER_SEC);
205     imshow("after operation", ans_GPU);
206     waitKey();
207 
208     return 0;
209 }

View Code

emmmm，可能有bug，有冗余代码。

效果：

posted @ 2017-11-06 21:11 我在地狱阅读(3106) 评论(0) 编辑收藏举报

刷新页面返回顶部

Dirge

诸神对凡人心生艳羡厌倦天堂

GPU并行编程小结

公告

Dirge

诸神对凡人心生艳羡 厌倦天堂

GPU并行编程小结

公告

诸神对凡人心生艳羡厌倦天堂