我是Thrust的新手。我看到所有Thrust演示文稿和示例仅显示主机代码。
我想知道是否可以将device_vector传递给我自己的内核?怎么样? 如果是,内核/设备代码中允许的操作是什么?
答案 0 :(得分:48)
正如它最初编写的那样,Thrust纯粹是一个主机端抽象。它不能在内核中使用。您可以将封装在thrust::device_vector
内的设备内存传递到您自己的内核,如下所示:
thrust::device_vector< Foo > fooVector;
// Do something thrust-y with fooVector
Foo* fooArray = thrust::raw_pointer_cast( &fooVector[0] );
// Pass raw array and its size to kernel
someKernelCall<<< x, y >>>( fooArray, fooVector.size() );
你也可以使用push :: device_ptr和裸cuda设备内存指针来使用推力算法中没有按推力分配的设备内存。
编辑四年半以后根据@ JackOLantern的回答添加,推文1.8添加了一个顺序执行策略,这意味着您可以在设备上运行推力算法的单线程版本。注意,仍然不可能将推力设备向量直接传递给内核,并且设备向量不能直接用在设备代码中。
请注意,在某些情况下,也可以使用thrust::device
执行策略将内核作为子网格启动并行推力执行。这需要单独的编译/设备链接和支持动态并行的硬件。我不确定这是否实际上支持所有推力算法,但肯定适用于某些算法。
答案 1 :(得分:14)
这是我之前回答的更新。
从Thrust 1.8.1开始,CUDA Thrust原语可以与thrust::device
执行策略结合使用,在利用CUDA 动态并行的单个CUDA线程中并行运行。下面是一个例子。
#include <stdio.h>
#include <thrust/reduce.h>
#include <thrust/execution_policy.h>
#include "TimingGPU.cuh"
#include "Utilities.cuh"
#define BLOCKSIZE_1D 256
#define BLOCKSIZE_2D_X 32
#define BLOCKSIZE_2D_Y 32
/*************************/
/* TEST KERNEL FUNCTIONS */
/*************************/
__global__ void test1(const float * __restrict__ d_data, float * __restrict__ d_results, const int Nrows, const int Ncols) {
const unsigned int tid = threadIdx.x + blockDim.x * blockIdx.x;
if (tid < Nrows) d_results[tid] = thrust::reduce(thrust::seq, d_data + tid * Ncols, d_data + (tid + 1) * Ncols);
}
__global__ void test2(const float * __restrict__ d_data, float * __restrict__ d_results, const int Nrows, const int Ncols) {
const unsigned int tid = threadIdx.x + blockDim.x * blockIdx.x;
if (tid < Nrows) d_results[tid] = thrust::reduce(thrust::device, d_data + tid * Ncols, d_data + (tid + 1) * Ncols);
}
/********/
/* MAIN */
/********/
int main() {
const int Nrows = 64;
const int Ncols = 2048;
gpuErrchk(cudaFree(0));
// size_t DevQueue;
// gpuErrchk(cudaDeviceGetLimit(&DevQueue, cudaLimitDevRuntimePendingLaunchCount));
// DevQueue *= 128;
// gpuErrchk(cudaDeviceSetLimit(cudaLimitDevRuntimePendingLaunchCount, DevQueue));
float *h_data = (float *)malloc(Nrows * Ncols * sizeof(float));
float *h_results = (float *)malloc(Nrows * sizeof(float));
float *h_results1 = (float *)malloc(Nrows * sizeof(float));
float *h_results2 = (float *)malloc(Nrows * sizeof(float));
float sum = 0.f;
for (int i=0; i<Nrows; i++) {
h_results[i] = 0.f;
for (int j=0; j<Ncols; j++) {
h_data[i*Ncols+j] = i;
h_results[i] = h_results[i] + h_data[i*Ncols+j];
}
}
TimingGPU timerGPU;
float *d_data; gpuErrchk(cudaMalloc((void**)&d_data, Nrows * Ncols * sizeof(float)));
float *d_results1; gpuErrchk(cudaMalloc((void**)&d_results1, Nrows * sizeof(float)));
float *d_results2; gpuErrchk(cudaMalloc((void**)&d_results2, Nrows * sizeof(float)));
gpuErrchk(cudaMemcpy(d_data, h_data, Nrows * Ncols * sizeof(float), cudaMemcpyHostToDevice));
timerGPU.StartCounter();
test1<<<iDivUp(Nrows, BLOCKSIZE_1D), BLOCKSIZE_1D>>>(d_data, d_results1, Nrows, Ncols);
gpuErrchk(cudaPeekAtLastError());
gpuErrchk(cudaDeviceSynchronize());
printf("Timing approach nr. 1 = %f\n", timerGPU.GetCounter());
gpuErrchk(cudaMemcpy(h_results1, d_results1, Nrows * sizeof(float), cudaMemcpyDeviceToHost));
for (int i=0; i<Nrows; i++) {
if (h_results1[i] != h_results[i]) {
printf("Approach nr. 1; Error at i = %i; h_results1 = %f; h_results = %f", i, h_results1[i], h_results[i]);
return 0;
}
}
timerGPU.StartCounter();
test2<<<iDivUp(Nrows, BLOCKSIZE_1D), BLOCKSIZE_1D>>>(d_data, d_results1, Nrows, Ncols);
gpuErrchk(cudaPeekAtLastError());
gpuErrchk(cudaDeviceSynchronize());
printf("Timing approach nr. 2 = %f\n", timerGPU.GetCounter());
gpuErrchk(cudaMemcpy(h_results1, d_results1, Nrows * sizeof(float), cudaMemcpyDeviceToHost));
for (int i=0; i<Nrows; i++) {
if (h_results1[i] != h_results[i]) {
printf("Approach nr. 2; Error at i = %i; h_results1 = %f; h_results = %f", i, h_results1[i], h_results[i]);
return 0;
}
}
printf("Test passed!\n");
}
上面的例子以与Reduce matrix rows with CUDA相同的意义执行矩阵行的减少,但它与上面的帖子不同,即通过直接从用户编写的内核调用CUDA Thrust原语。此外,上述示例用于比较完成两个执行策略时相同操作的性能,即thrust::seq
和thrust::device
。下面是一些显示性能差异的图表。
在Kepler K20c和Maxwell GeForce GTX 850M上评估了性能。
答案 2 :(得分:13)
我想提供这个问题的最新答案。
从Thrust 1.8开始,CUDA Thrust原语可以与thrust::seq
执行策略结合,在单个CUDA线程中顺序运行(或在单个CPU线程内顺序运行)。下面是一个例子。
如果你想在一个线程中进行并行执行,那么你可以考虑使用CUB提供可以从一个threadblock中调用的简化例程,只要你的卡能够实现动态并行。
这是Thrust的例子
#include <stdio.h>
#include <thrust/reduce.h>
#include <thrust/execution_policy.h>
/********************/
/* CUDA ERROR CHECK */
/********************/
#define gpuErrchk(ans) { gpuAssert((ans), __FILE__, __LINE__); }
inline void gpuAssert(cudaError_t code, char *file, int line, bool abort=true)
{
if (code != cudaSuccess)
{
fprintf(stderr,"GPUassert: %s %s %d\n", cudaGetErrorString(code), file, line);
if (abort) exit(code);
}
}
__global__ void test(float *d_A, int N) {
float sum = thrust::reduce(thrust::seq, d_A, d_A + N);
printf("Device side result = %f\n", sum);
}
int main() {
const int N = 16;
float *h_A = (float*)malloc(N * sizeof(float));
float sum = 0.f;
for (int i=0; i<N; i++) {
h_A[i] = i;
sum = sum + h_A[i];
}
printf("Host side result = %f\n", sum);
float *d_A; gpuErrchk(cudaMalloc((void**)&d_A, N * sizeof(float)));
gpuErrchk(cudaMemcpy(d_A, h_A, N * sizeof(float), cudaMemcpyHostToDevice));
test<<<1,1>>>(d_A, N);
}
答案 3 :(得分:6)
如果你想使用推力是分配/处理的数据,你可以,只需获得分配数据的原始指针。
int * raw_ptr = thrust::raw_pointer_cast(dev_ptr);
如果你想在内核中分配推力向量我从未尝试过,但我认为不会起作用 如果它有效,我认为它不会带来任何好处。