CUDA学习（七）之使用CUDA内置API计时

问题：对于使用GPU计算时，都想知道kernel函数运行所耗费的时间，使用CUDA内置的API可以方便准确的获得kernel运行时间。

在CPU上，可以使用clock()函数和GetTickCount()函数计时。

　　clock_t start, end;

    start = clock();
　　//执行步骤;
　　......

            
    end = clock();
　　printf(" time (CPU) : %f ms(毫秒) \n", end - start);

　　int startTime, endTime;

    // 开始时间
    startTime = GetTickCount();

　　//执行步骤;
　　......


　　endTime = GetTickCount();

　　cout << "   总时间为 : " << (double)(endTime - startTime)<< " ms " << endl;

 对于CUDA核函数计时使用clock()或GetTickCount()函数结果不准确，计算归约求和的例子如下：

　　//CPU计时
    clock_t start, end;
    start = clock();

    d_SharedMemoryTest << < NThreadX, ThreadX >> > (S_Para, MX);                //调用核函数（M个包含N个线程的线程块）
    
    cudaDeviceSynchronize();
    end = clock();

    clock_t time = end - start;
    printf(" time (GPU) : %f ms \n", time);

结果为0.000000 ms（明显结果错误）：

而使用CUDA内置API（cudaEvent_t）计时，主要代码如下

　　 //GPU计时
    cudaEvent_t startTime, endTime;
    cudaEventCreate(&startTime);
    cudaEventCreate(&endTime);
    cudaEventRecord(startTime, 0);
    
    d_SharedMemoryTest << < NThreadX, ThreadX >> > (S_Para, MX);                //调用核函数（M个包含N个线程的线程块）

    cudaEventRecord(endTime, 0);
    cudaEventSynchronize(startTime);
    cudaEventSynchronize(endTime);
    
    float time;
    cudaEventElapsedTime(&time, startTime, endTime);
    printf(" time (GPU) : %f ms \n", time);

    cudaEventDestroy(startTime);
    cudaEventDestroy(endTime);

结果为39.848801 ms：

最后附上全部代码：

#pragma once
#include "cuda_runtime.h"
#include "device_launch_parameters.h"
#include "device_functions.h"

#include <iostream>

using namespace std;
const int NX = 10369000;            //数组长度
const int ThreadX = 256;        　　//线程块大小

//使用shared memory和多个线程块
__global__ void d_SharedMemoryTest(double *para, int MX)
{
    int i = threadIdx.x;                                    //该线程块中线程索引
    int tid = blockIdx.x * blockDim.x + threadIdx.x;        //M个包含N个线程的线程块中相对应全局内存数组的索引（全局线程）

    __shared__ double s_Para[ThreadX];                        //定义固定长度（线程块长度）的共享内存数组
    if (tid < MX)                                            //判断全局线程小于整个数组长度NX，防止数组越界
        s_Para[i] = para[tid];                                //将对应全局内存数组中一段元素的值赋给共享内存数组
    __syncthreads();                                        //(红色下波浪线提示由于VS不识别，不影响运行)同步，等待所有线程把自己负责的元素载入到共享内存再执行下面代码

    if (tid < MX)
    {
        for (int index = 1; index < blockDim.x; index *= 4)        //归约求和 (对应256=4*4*4*4线程数)
        {
            __syncthreads();
            if (i % (4 * index) == 0)
            {
                s_Para[i] += s_Para[i + index] + s_Para[i + 2*index] + s_Para[i + 3*index];
            }
        }
    }

    if (i == 0)                                                //求和完成，总和保存在共享内存数组的0号元素中
        para[blockIdx.x * blockDim.x + i] = s_Para[i];        //在每个线程块中，将共享内存数组的0号元素赋给全局内存数组的对应元素，即线程块索引*线程块维度+i（blockIdx.x * blockDim.x + i）

}


//使用shared memory和多个线程块
void s_ParallelTest()
{
    double *Para;
    cudaMallocManaged((void **)&Para, sizeof(double) * NX);        //统一内存寻址，CPU和GPU都可以使用

    double ParaSum = 0;
    for (int i = 0; i<NX; i++)
    {
        Para[i] = 1;                        　　　　　　　　//数组赋值
        ParaSum += Para[i];                               //CPU端数组累加
    }

    cout << " CPU result = " << ParaSum << endl;         //显示CPU端结果
    double d_ParaSum;

    int Blocks = ((NX + ThreadX - 1) / ThreadX);
    cout << " 线程块大小 ：" << ThreadX << "                线程块数量 ：" << Blocks << endl;

    double *S_Para;
    int MX = ThreadX * Blocks;
    cudaMallocManaged(&S_Para, sizeof(double) * MX);
    for (int i=0; i<MX; i++)
    {
        if (i < NX)
            S_Para[i] = Para[i];
    }

    ////CPU计时
    //clock_t start, end;
    //start = clock();

    //d_SharedMemoryTest << < Blocks, ThreadX >> > (S_Para, MX);                //调用核函数（M个包含N个线程的线程块）
    //
    //cudaDeviceSynchronize();
    //end = clock();

    //clock_t time = end - start;
    //printf(" time (GPU) : %f ms \n", time);



    //GPU计时
    cudaEvent_t startTime, endTime;
    cudaEventCreate(&startTime);
    cudaEventCreate(&endTime);
    cudaEventRecord(startTime, 0);
    
    d_SharedMemoryTest << < Blocks, ThreadX >> > (S_Para, MX);                //调用核函数（M个包含N个线程的线程块）

    cudaEventRecord(endTime, 0);
    cudaEventSynchronize(startTime);
    cudaEventSynchronize(endTime);
    
    float time;
    cudaEventElapsedTime(&time, startTime, endTime);
    printf(" time (GPU) : %f ms \n", time);

    cudaEventDestroy(startTime);
    cudaEventDestroy(endTime);


    for (int i=0; i<Blocks; i++)
    {
        d_ParaSum += S_Para[i*ThreadX];                    //将每个线程块相加求的和（保存在对应全局内存数组中）相加求和
    }
                                    
    cout << " GPU result = " << d_ParaSum << endl;        //显示GPU端结果

}

int main() {
    
    s_ParallelTest();

    system("pause");
    return 0;
}