57 CUDA 编程入门

0 引言

由于毕设用到了Marvin，采用的是CUDA框架作为加速器，正好借此学习一下CUDA编程的一些基本知识。

各个版本的cuda的下载链接如下。

https://developer.nvidia.com/cuda-toolkit-archive

ubuntu 下cuda与cudnn安装

https://blog.csdn.net/dihuanlai9093/article/details/79253963/

1 GPU编程

参照了该博客，写得确实是非常之好，从硬件到软件，再到代码实现，由浅入深，由理论到实践，水平确实是很高，楷模！

https://www.cnblogs.com/skyfsm/p/9673960.html

（1）异构计算：现在的计算机体系架构中，要完成CUDA并行计算，单靠GPU一人之力是不能完成计算任务的，必须借助CPU来协同配合完成一次高性能的并行计算任务。一般而言，并行部分在GPU上运行，串行部分在CPU运行，这就是异构计算。具体一点，异构计算的意思就是不同体系结构的处理器相互协作完成计算任务。CPU负责总体的程序流程，而GPU负责具体的计算任务，当GPU各个线程完成计算任务后，我们就将GPU那边计算得到的结果拷贝到CPU端，完成一次计算任务。

（2）cuda编程模型：线程模型阵列及线程号的计算

CUDA C通过kernels这样一种方式，实现对一般c的扩展。当cuda 中的kernel被调用时，它将被N个不同的threads调用N次，而非cpu编程中，每个非递归function只被调用一次。GPU CUDA的这种编程模型是基于其物理上的超多核心架构设计的，符合其并行运算的特点。CUDA的计算单元结构如下。

　　1、针对kernel的每次计算，定义一个grid，该grid包含若干个Block，每个Block又包含若干个threads，通过threadIdx访问这些Thread的索引号，即可调用这些单元。

　　2、threadIdx为三维向量，因此，每个block可以被定义为一维、二维或者三维向量，分别通过threadIdx.x, threadIdx.y, threadIdx.z来访问。当前，每个block中可以包含至多1024个threads.

　　3、每个grid中的blocks可以组织成一维、二维或者三维的形式，每个grid中的blocks的数量决定于处理的数据的大小，或系统处理器的数量，访问grid中的block的方式是 blockIdx，这是一个三维的变量，而block的维度通过blockDim变量来访问。

　　4、grid中blocks的数量以及block中threads的数量通过<<< blocks_number , threads_number>>>来定义，其中，blocks_number/threads_number的数据类型为int 或 dim3，二维形式的可用dim3来存放，比如下面的例子。

// Kernel definition
__global__ void MatAdd(float A[N][N], float B[N][N],
float C[N][N])
{
　　int i = blockIdx.x * blockDim.x + threadIdx.x;
　　int j = blockIdx.y * blockDim.y + threadIdx.y;
　　if (i < N && j < N)
　　　　C[i][j] = A[i][j] + B[i][j];
　　}
int main()
{
　　...
　　// Kernel invocation
　　dim3 threadsPerBlock(16, 16);
　　dim3 numBlocks(N / threadsPerBlock.x, N / threadsPerBlock.y);
　　MatAdd<<<numBlocks, threadsPerBlock>>>(A, B, C);
　　...
}

（3）我的GPU的硬件信息

使用GPU device 0: GeForce GTX 1050
设备全局内存总量： 4041MB
SM的数量：5
每个线程块的共享内存大小：48 KB
每个线程块的最大线程数：1024
设备上一个线程块（Block）中可用的32位寄存器数量： 65536
每个EM的最大线程数：2048
每个EM的最大线程束数：64
设备上多处理器的数量： 5

2 linux + VSCode配置CUDA开发环境

（1）c_cpp_properties.json，其中的“includePath”相当于visual studio的 c/c++ -> 常规 -> 附加包含目录中添加的路径，可以避免代码中出现不影响执行的红色波浪线

{
    "configurations": [
        {
            "name": "Linux",
            "includePath": [
                "${workspaceFolder}/**",
                "${workspaceFolder}",
                "/usr/include",             
                "/usr/include/x86_64-linux-gnu/sys",
                "usr/local/cuda/include"
            ],
            "defines": [],
            "browse":{
                "path":[
                    "/usr/include"
                ]
            },
            "compilerPath": "/usr/local/cuda/bin",
            "cStandard": "c11",
            "cppStandard": "c++17",
            "intelliSenseMode": "gcc-x64"
        }
    ],
    "version": 4
}

（2）tasks.json，主要修改了“comman”，这里cuda编译用到的编译器是nvcc，同时还需要在nvcc编译指令中加入头文件地址和静态库lib文件地址。具体的编译任务中，根据错误提示添加对应的.so文件路径即可

{
    // See https://go.microsoft.com/fwlink/?LinkId=733558
    // for the documentation about the tasks.json format
    "version": "2.0.0",   
    "tasks":[  // 可以有多个参数
        {
            "label": "build",       // 编译任务名
            "type": "shell",        // 编译任务的类型，通常为shell/process类型
            "command": "nvcc",       // 编译命令
            "args":[
                "-g",               // 该参数使编译器在编译的时候产生调试信息
                "${workspaceFolder}/${fileBasename}",    // 被编译文件，通常为.cpp/.c/.cc文件等
                "-o",                                    // 生成指定名称的可执行文件
                "${workspaceFolder}/${fileBasenameNoExtension}",
                // include path指令
                "-I", "/usr/local/cuda/include",
                // lib 库文件地址
                "-L", "/usr/local/cuda/lib64",     
                "-l", "cudart",                           
                "-l", "cublas",
                "-l", "cudnn",
                "-l", "curand",
                "-D_MWAITXINTRIN_H_INCLUDED"         

            ],
            "group": {
                "kind": "build",
                "isDefault": true
            }
        },
        {
            "label": "cmakebuild",      
            "type": "shell", 
            "command": "cd build && cmake ../ && make",    
            "args": []
        }
    ] 
}

（3）launch.json，基本保持不变即可

{
    // 使用 IntelliSense 了解相关属性。 
    // 悬停以查看现有属性的描述。
    // 欲了解更多信息，请访问: https://go.microsoft.com/fwlink/?linkid=830387
    "version": "0.2.0",
    "configurations": [
        {
            "name": "(gdb) Launch",              //  强制：就一个名字而已，但是是必须要有的
            "type": "cppdbg",                
            "request": "launch",                 //  强制：launch/attach
            "program": "${workspaceFolder}/${fileBasenameNoExtension}", // 可执行文件的路径
            "miDebuggerPath": "/usr/bin/gdb",    //  调试器的位置
            "preLaunchTask":"build",             //  调试前编译任务名称
            "args": [],                          //  调试参数
            "stopAtEntry": false,
            "cwd": "${workspaceFolder}",         // 当前工作目录
            "environment": [],                   // 当前项目环境变量
            "externalConsole": true,
            "MIMode": "gdb",                     // 调试器模式/类型
            "setupCommands": [
                {
                    "description": "Enable pretty-printing for gdb",
                    "text": "-enable-pretty-printing",
                    "ignoreFailures": true
                }
            ]
        }
    ]
}

3 cuda-gdb调试

https://blog.csdn.net/hxh1994/article/details/49621759

$ nvcc -g -G compute_matrix.cu -arch sm_50 -o compute_matrix

4 关键词及变量意义解析

posted @ 2019-03-19 16:59 十步一杀2017 阅读(1656) 评论(0) 编辑收藏举报

刷新页面返回顶部

57 CUDA 编程入门

公告