我正在使用CUDA处理图像处理算法。在我的算法中,我想使用CUDA内核找到所有图像像素的总和。所以我在cuda中制作了16位灰度图像的所有像素的测量和的核方法,但是得到了错误的答案。 所以我在cuda中制作简单的程序,找到1到100个数字的总和,我的代码如下。 在我的代码中,我没有得到使用GPU的1到100个数字的精确总和,但我得到了使用CPU的1到100个数字的精确总和。那么我在那段代码中做了什么?
#include "cuda_runtime.h"
#include "device_launch_parameters.h"
#include <stdio.h>
#include <conio.h>
#include <malloc.h>
#include <limits>
#include <math.h>
using namespace std;
__global__ void computeMeanValue1(double *pixels,double *sum){
int x = threadIdx.x;
sum[0] = sum[0] + (pixels[(x)]);
__syncthreads();
}
int main(int argc, char **argv)
{
double *data;
double *dev_data;
double *dev_total;
double *total;
data=new double[(100) * sizeof(double)];
total=new double[(1) * sizeof(double)];
double cpuSum=0.0;
for(int i=0;i<100;i++){
data[i]=i+1;
cpuSum=cpuSum+data[i];
}
cout<<"CPU total = "<<cpuSum<<std::endl;
cudaMalloc( (void**)&dev_data, 100 * sizeof(double));
cudaMalloc( (void**)&dev_total, 1 * sizeof(double));
cudaMemcpy(dev_data, data, 100 * sizeof(double), cudaMemcpyHostToDevice);
computeMeanValue1<<<1,100>>>(dev_data,dev_total);
cudaDeviceSynchronize();
cudaMemcpy(total, dev_total, 1* sizeof(double), cudaMemcpyDeviceToHost);
cout<<"GPU total = "<<total[0]<<std::endl;
cudaFree(dev_data);
cudaFree(dev_total);
free(data);
free(total);
getch();
return 0;
}
答案 0 :(得分:3)
所有线程都在同一时间写入同一个内存位置。
sum[0] = sum[0] + (pixels[(x)]);
您不能这样做,并希望得到正确的结果。您的内核需要采用不同的方法来避免从不同的线程写入相同的内存。通常用于这样做的模式是减少。简单地说,减少每个线程负责对数组中的元素块求和然后存储结果。通过采用一系列这些缩减操作,可以对数组的全部内容求和。
__global__ void block_sum(const float *input,
float *per_block_results,
const size_t n)
{
extern __shared__ float sdata[];
unsigned int i = blockIdx.x * blockDim.x + threadIdx.x;
// load input into __shared__ memory
float x = 0;
if(i < n)
{
x = input[i];
}
sdata[threadIdx.x] = x;
__syncthreads();
// contiguous range pattern
for(int offset = blockDim.x / 2;
offset > 0;
offset >>= 1)
{
if(threadIdx.x < offset)
{
// add a partial sum upstream to our own
sdata[threadIdx.x] += sdata[threadIdx.x + offset];
}
// wait until all threads in the block have
// updated their partial sums
__syncthreads();
}
// thread 0 writes the final result
if(threadIdx.x == 0)
{
per_block_results[blockIdx.x] = sdata[0];
}
}
每个帖子写入sdata[threadIdx.x]
中的其他位置,没有竞争条件。线程可以自由访问sdata
中的其他元素,因为它们只读取它们,因此没有竞争条件。请注意使用__syncthreads()
确保在线程开始读取数据之前完成将数据加载到sdata
的操作以及第二次调用__syncthreads()
以确保所有求和操作在复制sdata[0]
的最终结果之前已完成。请注意,只有线程0将其结果写入per_block_results[blockIdx.x]
,因此也没有竞争条件。
您可以在Google Code找到上面的完整示例代码(我没有写这个)。此幻灯片具有reductions in CUDA的合理摘要。它包含的图表确实有助于理解交错存储器读写如何相互冲突。
您可以找到许多关于有效实现GPU减少的其他材料。确保您的实现最有效地利用内存是获得内存绑定操作(如还原)的最佳性能的关键。
答案 1 :(得分:1)
在GPU代码中,我们有多个并行执行的线程。如果所有这些线程都尝试更新内存中的相同位置,则我们会有未定义的行为,除非我们使用名为atomics
的特殊操作来执行更新。
在您的情况下,由于sum
由所有主题更新,而sum
是double
数量,我们可以使用special custom atomic function described in the programming guide来完成此操作。
如果我用以下代码替换你的内核代码:
__device__ double atomicAdd(double* address, double val)
{
unsigned long long int* address_as_ull =
(unsigned long long int*)address;
unsigned long long int old = *address_as_ull, assumed;
do {
assumed = old;
old = atomicCAS(address_as_ull, assumed,
__double_as_longlong(val +
__longlong_as_double(assumed)));
} while (assumed != old);
return __longlong_as_double(old);
}
__global__ void computeMeanValue1(double *pixels,double *sum){
int x = threadIdx.x;
atomicAdd(sum, pixels[x]);
}
在内核之前将sum
值初始化为零:
double gpuSum = 0.0;
cudaMemcpy(dev_total, &gpuSum, sizeof(double), cudaMemcpyHostToDevice);
然后我想你会得到相应的结果。
正如@AdeMiller指出的那样,执行这样的并行求和的更快方法是通过经典的并行缩减。
有一个涵盖该方法的demonstrates this和accompanying presentation的CUDA示例代码。