欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页

CUDA Samples: Calculate Histogram(atomicAdd)

程序员文章站 2022-06-18 08:02:16
...

以下CUDA sample是分别用C++和CUDA实现的计算一维直方图,并对其中使用到的CUDA函数进行了解说,code参考了《GPU高性能编程CUDA实战》一书的第九章,各个文件内容如下:

funset.cpp:

#include "funset.hpp"
#include <random>
#include <iostream>
#include <vector>
#include <memory>
#include <string>
#include <algorithm>
#include "common.hpp"
#include <opencv2/opencv.hpp>

int test_calculate_histogram()
{
	const int length{ 10 * 1024 * 1024 }; // 100MB
	std::unique_ptr<unsigned char[]> data(new unsigned char[length]);
	generator_random_number<unsigned char>(data.get(), length, 0, 255);

	const int hist_size{ 256 };
	std::unique_ptr<size_t[]> hist1(new size_t[hist_size]), hist2(new size_t[hist_size]);
	std::for_each(hist1.get(), hist1.get() + hist_size, [](size_t& n) {n = 0; });
	std::for_each(hist2.get(), hist2.get() + hist_size, [](size_t& n) {n = 0; });

	float elapsed_time1{ 0.f }, elapsed_time2{ 0.f }; // milliseconds
	size_t value1{ 0 }, value2{ 0 };

	int ret = calculate_histogram_cpu(data.get(), length, hist1.get(), value1, &elapsed_time1);
	if (ret != 0) PRINT_ERROR_INFO(calculate_histogram_cpu);

	ret = calculate_histogram_gpu(data.get(), length, hist2.get(), value2, &elapsed_time2);
	if (ret != 0) PRINT_ERROR_INFO(calculate_histogram_gpu);

	if (value1 != value2) {
		fprintf(stderr, "their values are different: val1: %d, val2: %d\n", value1, value2);
		return -1;
	}
	for (int i = 0; i < hist_size; ++i) {
		if (hist1[i] != hist2[i]) {
			fprintf(stderr, "their values are different at: %d, val1: %d, val2: %d\n",
				i, hist1[i], hist2[i]);
			return -1;
		}
	}

	fprintf(stderr, "test calculate histogram: cpu run time: %f ms, gpu run time: %f ms\n", elapsed_time1, elapsed_time2);

	return 0;
}
calculate_histogram.cpp:

#include "funset.hpp"
#include <chrono>
#include "common.hpp"

int calculate_histogram_cpu(const unsigned char* data, int length, size_t* hist, size_t& value, float* elapsed_time)
{
	auto start = std::chrono::steady_clock::now();

	for (int i = 0; i < length; ++i) {
		++hist[data[i]];
	}

	value = 0;
	for (int i = 0; i < 256; ++i) {
		value += hist[i];
	}

	auto end = std::chrono::steady_clock::now();
	auto duration = std::chrono::duration_cast<std::chrono::nanoseconds>(end - start);
	*elapsed_time = duration.count() * 1.0e-6;

	return 0;
}
calculate_histogram.cu:

#include "funset.hpp"
#include <iostream>
#include <algorithm>
#include <memory>
#include <vector>
#include <cuda_runtime.h> // For the CUDA runtime routines (prefixed with "cuda_")
#include <device_launch_parameters.h>
#include "common.hpp"

/* __global__: 函数类型限定符;在设备上运行;在主机端调用,计算能力3.2及以上可以在
设备端调用;声明的函数的返回值必须是void类型;对此类型函数的调用是异步的,即在
设备完全完成它的运行之前就返回了;对此类型函数的调用必须指定执行配置,即用于在
设备上执行函数时的grid和block的维度,以及相关的流(即插入<<<   >>>运算符);
a kernel,表示此函数为内核函数(运行在GPU上的CUDA并行计算函数称为kernel(内核函
数),内核函数必须通过__global__函数类型限定符定义); */
__global__ static void calculate_histogram(const unsigned char* data, int length, size_t* hist)
{
	/* __shared__: 变量类型限定符;使用__shared__限定符,或者与__device__限
	定符连用,此时声明的变量位于block中的共享存储器空间中,与block具有相同
	的生命周期,仅可通过block内的所有线程访问;__shared__和__constant__变量
	默认为是静态存储;在__shared__前可以加extern关键字,但表示的是变量大小
	由执行参数确定;__shared__变量在声明时不能初始化;可以将CUDA C的关键字
	__shared__添加到变量声明中,这将使这个变量驻留在共享内存中;CUDA C编译
	器对共享内存中的变量与普通变量将分别采取不同的处理方式 */
	// clear out the accumulation buffer called temp since we are launched with
	// 256 threads, it is easy to clear that memory with one write per thread
	__shared__  size_t temp[256]; // 共享内存缓冲区
	temp[threadIdx.x] = 0;
	/* __syncthreads: 对线程块中的线程进行同步;CUDA架构将确保,除非线程块
	中的每个线程都执行了__syncthreads(),否则没有任何线程能执行
	__syncthreads()之后的指令;在同一个block中的线程通过共享存储器(shared
	memory)交换数据,并通过栅栏同步(可以在kernel函数中需要同步的位置调用
	__syncthreads()函数)保证线程间能够正确地共享数据;使用clock()函数计时,
	在内核函数中要测量的一段代码的开始和结束的位置分别调用一次clock()函数,
	并将结果记录下来。由于调用__syncthreads()函数后,一个block中的所有
	thread需要的时间是相同的,因此只需要记录每个block执行需要的时间就行了,
	而不需要记录每个thread的时间 */
	__syncthreads();

	/* gridDim: 内置变量,用于描述线程网格的维度,对于所有线程块来说,这个
	变量是一个常数,用来保存线程格每一维的大小,即每个线程格中线程块的数量.
	一个grid最多只有二维,为dim3类型;
	blockDim: 内置变量,用于说明每个block的维度与尺寸.为dim3类型,包含
	了block在三个维度上的尺寸信息;对于所有线程块来说,这个变量是一个常数,
	保存的是线程块中每一维的线程数量;
	blockIdx: 内置变量,变量中包含的值就是当前执行设备代码的线程块的索引;用
	于说明当前thread所在的block在整个grid中的位置,blockIdx.x取值范围是
	[0,gridDim.x-1],blockIdx.y取值范围是[0, gridDim.y-1].为uint3类型,
	包含了一个block在grid中各个维度上的索引信息;
	threadIdx: 内置变量,变量中包含的值就是当前执行设备代码的线程索引;用于
	说明当前thread在block中的位置;如果线程是一维的可获取threadIdx.x,如果
	是二维的还可获取threadIdx.y,如果是三维的还可获取threadIdx.z;为uint3类
	型,包含了一个thread在block中各个维度的索引信息 */
	// calculate the starting index and the offset to the next block that each thread will be processing
	int i = threadIdx.x + blockIdx.x * blockDim.x;
	int stride = blockDim.x * gridDim.x;
	while (i < length) {
		/* atomicAdd: 原子操作,底层硬件将确保当执行这些原子操作时,其
		它任何线程都不会读取或写入地址addr上的值。原子函数(atomic
		function)对位于全局或共享存储器的一个32位或64位字执行
		read-modify-write的原子操作。也就是说,当多个线程同时访问全局或
		共享存储器的同一位置时,保证每个线程能够实现对共享可写数据的互
		斥操作:在一个操作完成之前,其它任何线程都无法访问此地址。之所
		以将这一过程称为原子操作,是因为每个线程的操作都不会影响到其它
		线程。换句话说,原子操作能够保证对一个地址的当前操作完成之前,
		其它线程都不能访问这个地址。
		atomicAdd(addr,y):将生成一个原子的操作序列,这个操作序列包括读
		取地址addr处的值,将y增加到这个值,以及将结果保存回地址addr。 */
		atomicAdd(&temp[data[i]], 1);
		i += stride;
	}

	// sync the data from the above writes to shared memory then add the shared memory values to the values from
	// the other thread blocks using global memory atomic adds same as before, since we have 256 threads,
	// updating the global histogram is just one write per thread!
	__syncthreads();
	// 将每个线程块的直方图合并为单个最终的直方图
	atomicAdd(&(hist[threadIdx.x]), temp[threadIdx.x]);
}

int calculate_histogram_gpu(const unsigned char* data, int length, size_t* hist, size_t& value, float* elapsed_time)
{
	/* cudaEvent_t: CUDA event types,结构体类型, CUDA事件,用于测量GPU在某
	个任务上花费的时间,CUDA中的事件本质上是一个GPU时间戳,由于CUDA事件是在
	GPU上实现的,因此它们不适于对同时包含设备代码和主机代码的混合代码计时 */
	cudaEvent_t start, stop;
	// cudaEventCreate: 创建一个事件对象,异步启动
	cudaEventCreate(&start);
	cudaEventCreate(&stop);
	// cudaEventRecord: 记录一个事件,异步启动,start记录起始时间
	cudaEventRecord(start, 0);

	unsigned char* dev_buffer{ nullptr };
	size_t* dev_hist{ nullptr };

	// cudaMalloc: 在设备端分配内存
	cudaMalloc(&dev_buffer, length);
	cudaMalloc(&dev_hist, 256 * sizeof(size_t));

	/* cudaMemcpy: 在主机端和设备端拷贝数据,此函数第四个参数仅能是下面之一:
	(1). cudaMemcpyHostToHost: 拷贝数据从主机端到主机端
	(2). cudaMemcpyHostToDevice: 拷贝数据从主机端到设备端
	(3). cudaMemcpyDeviceToHost: 拷贝数据从设备端到主机端
	(4). cudaMemcpyDeviceToDevice: 拷贝数据从设备端到设备端
	(5). cudaMemcpyDefault: 从指针值自动推断拷贝数据方向,需要支持
	统一虚拟寻址(CUDA6.0及以上版本)
	cudaMemcpy函数对于主机是同步的 */
	cudaMemcpy(dev_buffer, data, length, cudaMemcpyHostToDevice);

	/* cudaMemset: 存储器初始化函数,在GPU内存上执行。用指定的值初始化或设置
	设备内存 */
	cudaMemset(dev_hist, 0, 256 * sizeof(size_t));

	// cudaDeviceProp: cuda设备属性结构体
	// kernel launch - 2x the number of mps gave best timing
	cudaDeviceProp prop;
	// cudaGetDeviceProperties: 获取GPU设备相关信息
	cudaGetDeviceProperties(&prop, 0);
	// cudaDeviceProp::multiProcessorCount: 设备上多处理器的数量
	int blocks = prop.multiProcessorCount;
	fprintf(stderr, "multiProcessorCount: %d\n", blocks);

	/* <<< >>>: 为CUDA引入的运算符,指定线程网格和线程块维度等,传递执行参
	数给CUDA编译器和运行时系统,用于说明内核函数中的线程数量,以及线程是如何
	组织的;尖括号中这些参数并不是传递给设备代码的参数,而是告诉运行时如何
	启动设备代码,传递给设备代码本身的参数是放在圆括号中传递的,就像标准的函
	数调用一样;不同计算能力的设备对线程的总数和组织方式有不同的约束;必须
	先为kernel中用到的数组或变量分配好足够的空间,再调用kernel函数,否则在
	GPU计算时会发生错误,例如越界等;
	使用运行时API时,需要在调用的内核函数名与参数列表直接以<<<Dg,Db,Ns,S>>>
	的形式设置执行配置,其中:Dg是一个dim3型变量,用于设置grid的维度和各个
	维度上的尺寸.设置好Dg后,grid中将有Dg.x*Dg.y个block,Dg.z必须为1;Db是
	一个dim3型变量,用于设置block的维度和各个维度上的尺寸.设置好Db后,每个
	block中将有Db.x*Db.y*Db.z个thread;Ns是一个size_t型变量,指定各块为此调
	用动态分配的共享存储器大小,这些动态分配的存储器可供声明为外部数组
	(extern __shared__)的其他任何变量使用;Ns是一个可选参数,默认值为0;S为
	cudaStream_t类型,用于设置与内核函数关联的流.S是一个可选参数,默认值0. */
	// 当线程块的数量为GPU中处理器数量的2倍时,将达到最优性能
	calculate_histogram << <blocks * 2, 256 >> >(dev_buffer, length, dev_hist);

	cudaMemcpy(hist, dev_hist, 256 * sizeof(size_t), cudaMemcpyDeviceToHost);

	value = 0;
	for (int i = 0; i < 256; ++i) {
		value += hist[i];
	}

	// cudaFree: 释放设备上由cudaMalloc函数分配的内存
	cudaFree(dev_buffer);
	cudaFree(dev_hist);

	// cudaEventRecord: 记录一个事件,异步启动,stop记录结束时间
	cudaEventRecord(stop, 0);
	// cudaEventSynchronize: 事件同步,等待一个事件完成,异步启动
	cudaEventSynchronize(stop);
	// cudaEventElapseTime: 计算两个事件之间经历的时间,单位为毫秒,异步启动
	cudaEventElapsedTime(elapsed_time, start, stop);
	// cudaEventDestroy: 销毁事件对象,异步启动
	cudaEventDestroy(start);
	cudaEventDestroy(stop);

	return 0;
}
执行结果如下:可见使用C++和CUDA实现的结果是完全一致的:

CUDA Samples: Calculate Histogram(atomicAdd)

GitHubhttps://github.com/fengbingchun/CUDA_Test