C++ CUDA编程#1

基于《cuda编程-基础与实践》cuda编程-基础与实践

CUDA 提供两层 API，即 CUDA 驱动API 和 CUDA 运行时API。CUDA 开发环境中，程序应用程序是以主机（CPU）为出发点的；应用程序可以调用 CUDA 运行时 API、CUDA 驱动 API 和一些已有的 CUDA 库。

CUDA 采用 nvcc 作为编译器，支持 C++ 代码；nvcc 在编译 CUDA 程序时，会将纯粹的 c++ 代码交给 c++ 编译器，自己负责编译剩下的 cu 代码。

CUDA程序的后缀是.cu而不是.cpp

使用nvcc编译CUDA程序

nvcc -o main main.cu

使用核函数的CUDA程序

一个利用了 GPU 的 CUDA 程序既有主机代码，又有设备代码（在设备中执行的代码）。
主机对设备的调用是通过 核函数（kernel function） 实现的。

int main(){

        主机代码;

        核函数调用;

        主机代码;

        return 0;

}

核函数与C++函数的区别

1. 必须加 __global__ 限定；

2. 返回类型必须是空类型 void。

调用核函数的方式

核函数不支持iostream

__global__ void hi(){
    printf("gpu:Hello World!\n");
}

int main(){
    hi<<<1,1>>>();
    return 0;
}

如果是

hi<<<2,4>>>();

将会输出2*4=8个gpu:Hello World!   因为核函数中的代码执行的方式是“单指令，多线程”，即每一个线程都执行同一串命令。

<<<grid_size, block_size>>>这个东西叫执行配置

主机在调用一个核函数时，必须指明在设备中指派多少线程。核函数中的线程常组织为若干线程块：

1. 三括号中第一个数字是线程块的个数（number of thread block）；
2. 三括号中第二个数字是每个线程块中的线程数（number of thread in per block）。

一个核函数的全部线程块构成一个网格（grid），线程块的个数称为网格大小（grid size）。
每个线程块中含有相同数目的线程，该数目称为线程块大小（block size）。

所以，核函数的总的线程数即 网格大小*线程块大小。

调用核函数后，调用 CUDA 运行时 API 函数，同步主机和设备：

cudaDeviceSynchronize();

核函数中调用输出函数，输出流是先存放在缓冲区的，而缓冲区不会自动刷新。

CUDA的线程组织

核函数中代码的执行方式是 “单指令-多线程”，即每个线程执行同一串代码。

线程总数可以由两个参数确定：

1. gridDim.x, 即网格大小；
2. blockDim.x, 即线程块大小；

每个线程的身份可以由两个参数确定：

1. blockIdx.x, 即一个线程在一个网格中的线程块索引，[0, gridDm.x);
2. threadIdx.x, 即一个线程在一个线程块中的线程索引，[0, blockDim.x);

网格和线程块都可以拓展为三维结构（各轴默认为 1）：

1. 三维网格 grid_size(gridDim.x, gridDim.y, gridDim.z);
2. 三维线程块 block_size(blockDim.x, blockDim.y, blockDim.z);

相应的，每个线程的身份参数：

1. 线程块ID (blockIdx.x, blockIdx.y, blockIdx.z);
2. 线程ID (threadIdx.x, threadIdx.y, threadIdx.z);

多维网格线程在线程块上的 ID；

tid = threadIdx.z * (blockDim.x * blockDim.y)  // 当前线程块上前面的所有线程数
    + threadIdx.y * (blockDim.x)               // 当前线程块上当前面上前面行的所有线程数
    + threadIdx.x                              // 当前线程块上当前面上当前行的线程数

多维网格线程块在网格上的 ID:

bid = blockIdx.z * (gridDim.x * gridDim.y)
    + blockIdx.y * (gridDim.x)
    + blockIdx.x

一个线程块中的线程还可以细分为不同的 线程束（thread warp），即同一个线程块中
相邻的 warp_size 个线程（一般为 32）。

对于从开普勒架构到图灵架构的 GPU，网格大小在 x, y, z 方向的最大允许值为 （2^31 - 1, 2^16 - 1, 2^16 -1）；
线程块大小在 x, y, z 方向的最大允许值为 （1024， 1024， 64），同时要求一个线程块最多有 1024 个线程。

<<<grid_size, block_size>>>中grid_size和block_size是两个结构体，如果传整型数据，默认赋给gridDim.x和blockDim.x  另外两个维度默认为1。

个人理解：需要三个维度的原因是在处理一些二维或者三维数据的过程中会方便并行处理。其实是一维的数据。例如，二维数组在内存中也是一维存储的。

如果需要设定三个维度的数据

dim3 grid_size(i,j,k);
dim3 block_size(i,j,k);

func<<<grid_size, block_size>>>()...

自定义三个维度为i,j,k

另外，不管如何定义，一个线程块最多只能有1024个线程。

CUDA头文件

CUDA 头文件的后缀一般是 “.cuh”；同时，可以包含c/cpp 的头文件 “.h”、“.hpp”，采用 nvcc 编译器会自动包含必要的 cuda 头文件，如 <cuda.h>, <cuda_runtime.h>，同时前者也包含了c++头文件 <stdlib.h>。

nvcc编译CUDA程序

nvcc 会先将全部源代码分离为 主机代码 和 设备代码；主机代码完整的支持 c++ 语法，而设备代码只部分支持。

nvcc 会先将设备代码编译为 PTX（parrallel thread execution）伪汇编代码，再将其编译为二进制 cubin目标代码。
在编译为 PTX 代码时，需要选项 -arch=compute_XY 指定一个虚拟架构的计算能力；在编译为 cubin 代码时，需要选项 -code=sm_ZW 指定一个真实架构的计算能力，以确定可执行文件能够使用的 GPU。

真实架构的计算能力必须大于等于虚拟架构的计算能力，例如：

-arch=compute_35  -code=sm_60  (right)
-arch=compute_60  -code=sm_35  (wrong)

如果希望编译出来的文件能在更多的GPU上运行，则可以同时指定多组计算能力，例如：

-gencode arch=compute_35, code=sm_35
-gencode arch=compute_50, code=sm_50
-gencode arch=compute_60, code=sm_60

此时，编译出来的可执行文件将包含3个二进制版本，称为 胖二进制文件（fatbinary）。

同时，nvcc 有一种称为 **实时编译（just-in-time compilation）**机制，可以在运行可执行文件时从其中保留的PTX
代码中临时编译出一个 cubin 目标代码。因此， 需要通过选项 -gencode arch=compute_XY, code=compute_XY，
指定所保留 PTX 代码的虚拟架构， 例如：

-gencode arch=compute_35, code=sm_35
-gencode arch=compute_50, code=sm_50
-gencode arch=compute_60, code=sm_60  
-gencode arch=compute_70, code=compute_70

于此同时，nvcc 编译有一个简化的编译选项 -arch=sim_XY，其等价于：

-gencode arch=compute_XY, code=sm_XY  
-gencode arch=compute_XY, code=compute_XY

显卡架构参考

• 费米 Fermi（cuda 3.2~cuda 8）

SM20 or SM_20, compute_30 – GeForce 400, 500, 600, GT-630. CUDA 10 以后就完全不支持了。

• 开普勒 Kepler（cuda 5~cuda 10）

SM30 or SM_30, compute_30 – GeForce 700, GT-730 支持了统一内存模型编程

SM35 or SM_35, compute_35 – Tesla K40. 支持动态并行化。

SM37 or SM_37, compute_37 – Tesla K80. 增加了一些寄存器。

CUDA 11 以后就完全不支持了。

• 麦克斯韦 Maxwell（CUDA 6~CUDA 11）

SM50 or SM_50, compute_50 – Tesla/Quadro M 系列

SM52 or SM_52, compute_52 – Quadro M6000 , GeForce 900, GTX-970, GTX-980, GTX Titan X

SM53 or SM_53, compute_53 – Tegra (Jetson) TX1 / Tegra X1, Drive CX, Drive PX, Jetson Nano

cuda 11 以后彻底不支持

• 帕斯卡 Pascal (CUDA 8 ~今)

SM60 or SM_60, compute_60 – Quadro GP100, Tesla P100, DGX-1 (Generic Pascal)

SM61 or SM_61, compute_61– GTX 1080, GTX 1070, GTX 1060, GTX 1050, GTX 1030, Titan Xp, Tesla P40, Tesla P4, Discrete GPU on the NVIDIA Drive PX2

SM62 or SM_62, compute_62 – Integrated GPU on the NVIDIA Drive PX2, Tegra (Jetson) TX2

• 伏特 Volta (CUDA 9 ~今)

SM70 or SM_70, compute_70 – DGX-1 with Volta, Tesla V100, GTX 1180 (GV104), Titan V, Quadro GV100

SM72 or SM_72, compute_72 – Jetson AGX Xavier, Drive AGX Pegasus, Xavier NX

• 图灵Turing (CUDA 10 ~今)

SM75 or SM_75, compute_75 – GTX/RTX Turing – GTX 1660 Ti, RTX 2060, RTX 2070, RTX 2080, Titan RTX, Quadro RTX 4000, Quadro RTX 5000, Quadro RTX 6000, Quadro RTX 8000, Quadro T1000/T2000, Tesla T4

• 安培Ampere (CUDA 11 ~今)

SM80 or SM_80, compute_80 – NVIDIA A100 (不再用特斯拉（Tesla）做名字了 – GA100), NVIDIA DGX-A100

SM86 or SM_86, compute_86 – (from CUDA 11.1 onwards) Tesla GA10x, RTX Ampere – RTX 3080, GA102 – RTX 3090, RTX A6000, RTX A40

• 哈珀Hopper (CUDA 12 计划中)

SM90 or SM_90, compute_90 – NVIDIA H100 (GH100)