Question

我是CUDA的新手，也是一般的算法。有人可以告诉我，如果我正确地这样做，或者有更好的方法这样做。一个问题是代码的输入和输出应该在GPU上，因此主机和设备之间没有内存复制。

#include "cuda_runtime.h"
#include "device_launch_parameters.h"

#include <stdio.h>
#include <stdint.h>

#include <iostream>

#define TILE_WIDTH 8

__global__ void gpu_sumElements(int height, int width, float *in, float *out){

    extern __shared__ float cache[];

    int w = blockIdx.x * blockDim.x + threadIdx.x; // Col // width
    int h = blockIdx.y * blockDim.y + threadIdx.y;

    int index = h * width + w;
    int cacheIndex = threadIdx.y * blockDim.x + threadIdx.x;

    float temp = 0;

    if ((w < width) && (h < height)){
        temp += in[index];
        //index += (height * width);
    }

    cache[cacheIndex] = temp;
    __syncthreads();

    int i = (blockDim.x * blockDim.y) / 2;
    while (i != 0){
        if (cacheIndex < i)
            cache[cacheIndex] += cache[cacheIndex + i];
        __syncthreads();
        i /= 2;
    }

    if (cacheIndex == 0)
        out[blockIdx.y * gridDim.x + blockIdx.x] = cache[0];
}


int main(){
                                                                        // Initial Parameters       
    int width = 2363;
    int height = 781;
    float my_sum = 0;

    int block_height = (height - 1) / TILE_WIDTH + 1;
    int block_width = (width - 1) / TILE_WIDTH + 1;

    dim3 dimGrid(block_width, block_height, 1);
    dim3 dimBlock(TILE_WIDTH, TILE_WIDTH, 1);

    int sharedMemSize = TILE_WIDTH * TILE_WIDTH * sizeof(float);
                                                                        // Initialize host arrays
    float *test_array = new float[height * width];
    float *out = new float[height * width];
    for (int i = 0; i < (height * width); i++)
        test_array[i] = 1.0f;
                                                                        // Initialize device arrays 
    float *gpu_temp_array;
    float *gpu_out;
    cudaMalloc((void **)&gpu_temp_array, (height * width * sizeof(float)));
    cudaMalloc((void **)&gpu_out, (height * width * sizeof(float)));
    cudaMemcpy(gpu_out, test_array, (height * width * sizeof(float)), cudaMemcpyHostToDevice);

                                                                        // Copy these, need them elsewhere
    float sum_height = height; 
    float sum_width = width ;
    dim3 sum_dimGrid = dimGrid;
    int i = (height * width); 

                                                                        // Launch kernel, get & print results
    while (i != 0){
        gpu_sumElements<<<sum_dimGrid, dimBlock, sharedMemSize>>>(sum_height, sum_width, gpu_out, gpu_temp_array);
        cudaMemcpy(gpu_out, gpu_temp_array, (sum_height * sum_width * sizeof(float)), cudaMemcpyDeviceToDevice);
        cudaMemset(gpu_temp_array, 0, (height * width * sizeof(float)));

        sum_height = ceil(sum_height/TILE_WIDTH);
        sum_width = ceil(sum_width/TILE_WIDTH);;
        sum_dimGrid.x = (sum_width - 1) / TILE_WIDTH + 1; 
        sum_dimGrid.y = (sum_height - 1) / TILE_WIDTH + 1;
        i /= TILE_WIDTH*TILE_WIDTH;
    }

    cudaMemcpy(out, gpu_out, (height * width * sizeof(float)), cudaMemcpyDeviceToHost);
    std::cout << out[0] << std::endl << std::endl;  

    delete[] test_array;
    delete[] out;
    cudaFree(gpu_out);
    cudaFree(gpu_temp_array);

    system("pause");
    return 0;
}

Answer 1

通常，通常不需要使用多个内核启动来产生一个（最终）结果的并行减少。 cuda sample code和accompanying PDF充分记录了生成组织良好的并行缩减的过程，该过程仅需要针对任意数据大小启动两次内核启动。

要创建仅使用单个内核启动的并行缩减，至少有两种常用方法：

使用所谓的“threadfence reduction”方法。这也是在CUDA sample code中捕获的。在这种方法中，通过跟踪“内核排水”来执行最终的减少阶段。具体来说，每个线程块在完成其工作时更新“完成计数”变量（原子地）。由于已启动的线程块数已知，因此线程块可以确定它是否是要完成的最后一个线程块。如果是，则该线程块将由其他线程块产生的所有中间结果相加，现在将其写入全局存储器。 “threadfence”名字对象是由于每个线程块在退出之前必须确保其部分结果在全局内存中可用（使用threadfence intrinsic）。这种方法可以处理“任意”减少。
每个线程块atomically都有（单个线程）使用自己的部分结果更新最终的内核范围结果。这可以方便地实现，仅用于提供相应原子功能的减少，例如，总和减少，最大发现，最小发现等

上述任何一种方法都将受益于CUDA并行缩减示例代码中涵盖的基本技术，特别是将线程块的数量减少到最小值，这仍然允许完全利用GPU。此优化允许最少数量的原子操作。考虑到这些优化，与相应的2内核或多内核减少相比，减少可以更快，更“简单”（例如，单个内核调用，中间结果的主机管理很多）。

CUDA：使用线性化2D共享内存的数组中所有元素的总和

1 个答案: