以下几点是需要明白的:
一:目前,GPU基于数据的并行的处理办法是将块与线程做一个组合,使得每一个线程处理数组中的一个元素!
二:GPU编程是一个数据由主存到显存,经过处理后再把数据送回主存的一个过程!
本人显卡每维包含线程块数量为(65536,65536,65536),相应的每维包含线程数为(1024,1024,64),故可得知线程格的每一维可开启的线程块最大数均为65536,相应线程的最大数为(1024,1024,64)。
首先写一个简单的函数来看看GPU处理程序的大致流程!
程序虽然简单但是却说明了开发的大致流程,不管多复杂的算法大概都是按照这个思路来的。
GPU处理一维数组
1)以下为对一维数组并行运算的例子,使用了3种基本方法
#include <cuda_runtime.h>
#include <iostream>
#include "book.h" //该头文件定义了HANDLE_ERROR函数
#include <stdio.h>
using namespace std;
int mode = 0;
#define N 1024
void select()
{
cout << "select the calculation mode:\n"
<< "1 -> only by blockIdx\n"
<< "2 -> only by threadIdx\n"
<< "3 -> by blockIdx and threadIdx \n";
cout << "mode = ";
cin >> mode;
cout << endl;
}
__global__ void add_only_blockIdx(int *a, int *b, int *c) //__global表示该函数可在主机调用,在器件执行;
{ // 另外__device__表示该函数在器件调用,在期间执行
int idx = blockIdx.x; //计算位于线程块索引处的数据
if (idx < N){
c[idx] = a[idx] + b[idx];
}
}
__global__ void add_only_threadIdx(int *a, int *b, int *c)
{
int idx = threadIdx.x; //计算位于线程索引处的数据
if (idx < N){
c[idx] = a[idx] + b[idx];
}
}
__global__ void add_blockIdx_threadIdx(int *a, int *b, int *c)
{
int idx = threadIdx.x + blockIdx.x * blockDim.x; //将线程块索引与线程索引转为线性
if (idx < N){
c[idx] = a[idx] + b[idx];
}
}
int main()
{
while (mode< 1 || mode >3){
select();
}
int a[N], b[N], c[N];
int *dev_a, *dev_b, *dev_c;
//gpu上分配内存
HANDLE_ERROR(cudaMalloc((void**)&dev_a, N*sizeof(int)));
HANDLE_ERROR(cudaMalloc((void**)&dev_b, N*sizeof(int)));
HANDLE_ERROR(cudaMalloc((void**)&dev_c, N*sizeof(int)));
//为数组a,b初始化
for (int i = 0; i < N; ++i){
a[i] = i;
b[i] = i;
}
//讲数组a,b数据复制至gpu
(cudaMemcpy(dev_a, a, N*sizeof(int), cudaMemcpyHostToDevice));
(cudaMemcpy(dev_b, b, N*sizeof(int), cudaMemcpyHostToDevice));
if (mode == 1)
add_only_blockIdx << < N, 1 >> >(dev_a, dev_b, dev_c); //使用N个线程块,其中每个线程块使用1个线程,这里N小于65536,故可行
else if (mode == 2)
add_only_threadIdx << < 1, N >> >(dev_a, dev_b, dev_c); //使用1个线程块,其中该线程块使用1024个线程,这里N小于1024,故可行
else
add_blockIdx_threadIdx << < (N + 127) / 128, 128 >> >(dev_a, dev_b, dev_c); // 这里使用(N+127)/128个线程块,每个线程块128线程,为了
// 使所 (N+127)/128 * 128 >= N
//将数组dev_c复制至cpu
HANDLE_ERROR(cudaMemcpy(c, dev_c, N*sizeof(int), cudaMemcpyDeviceToHost));
//显示结果
for (int i = 0; i < N; ++i){
printf("%d + %d = %d\n", a[i], b[i], c[i]);
}
//释放在gpu分配的内存
cudaFree(dev_a);
cudaFree(dev_b);
cudaFree(dev_c);
system("pause");
return 0;
}
可以看到,开了1024个线程!但有个小问题是 返回来的数全为0!! 回头研究下
2)对任意长度的一维数组并行求和运算
当一维数组长度大于65536*1024= 67108864 时,使用(1)的方法则不可行,因为线程格的每维最大线程块不大于65536,且每维的线程不大于1024(第3维除外),故可使用如下方法。
思想就是线程的多次利用
#include <cuda_runtime.h>
#include <iostream>
#include "book.h" //该头文件定义了HANDLE_ERROR函数
using namespace std;
#define N 33*1024 //在gpu运算的数组长度受GPU内存的限制,故这里使用33*1024表示长度较大的数组
__global__ void add(int *a, int *b, int *c)
{
int idx = threadIdx.x + blockIdx.x * blockDim.x; //所计算的索引为 128个线程块中的128个线程索引
// 由于128*128 < 33*1024,故某些线程需执行多次运算
while (idx < N){
c[idx] = a[idx] + b[idx];
idx += gridDim.x * blockDim.x; //对索引进行递增,递增步长为gridDim.x * blockDim.x,gridDim.x为使</span><span style="font-size:14px;font-family:Arial, Helvetica, sans-serif;">用的线程块总数,</span><span style="font-size:14px;">
} //blockDim.x为使用的每个线程块中的线程总数
}
int main()
{
int a[N], b[N], c[N];
int *dev_a, *dev_b, *dev_c;
//gpu上分配内存
HANDLE_ERROR(cudaMalloc((void**)&dev_a, N*sizeof(int)));
HANDLE_ERROR(cudaMalloc((void**)&dev_b, N*sizeof(int)));
HANDLE_ERROR(cudaMalloc((void**)&dev_c, N*sizeof(int)));
//为数组a,b初始化
for (int i = 0; i < N; ++i){
a[i] = i;
b[i] = i;
}
//讲数组a,b数据复制至gpu
(cudaMemcpy(dev_a, a, N*sizeof(int), cudaMemcpyHostToDevice));
(cudaMemcpy(dev_b, b, N*sizeof(int), cudaMemcpyHostToDevice));
add << < 128, 128 >> >(dev_a, dev_b, dev_c); //使用128个线程块,每个线程块使用128个线程,128*128 < 33*1024
//将数组dev_c复制至cpu
HANDLE_ERROR(cudaMemcpy(c, dev_c, N*sizeof(int), cudaMemcpyDeviceToHost));
//显示结果
for (int i = 0; i < N; ++i){
printf("%d + %d = %d\n", a[i], b[i], c[i]);
}
//释放在gpu分配的内存
cudaFree(dev_a);
cudaFree(dev_b);
cudaFree(dev_c);
return 0;
}
二维组数(图像)处理并行运算
对二维图像数据进行并行运算,这里使用经典的Reduce Color例子,其对图像中的每个像素点进行量化,如常见的RGB24图像有256×256×256中颜色,通过Reduce Color将每个通道的像素减少8倍至256/8=32种,则图像只有32×32×32种颜色。假设量化减少的倍数是N,则代码实现时就是简单的value/N*N,通常我们会再加上N/2以得到相邻的N的倍数的中间值! 图像处理的例子,重点是学习如何操纵二维数组。//main3.cu
#include <cuda_runtime.h>
#include <iostream>
#include "book.h" //该头文件定义了HANDLE_ERROR函数
#include <opencv2/opencv.hpp>
using namespace std;
using namespace cv;
//索引的计算是学习的重点相当于一层一层摞起来了!
__global__ void quantify(uchar *_src_dev, uchar *_dst_dev , int div)
{
int x_idx = threadIdx.x + blockIdx.x*blockDim.x; //计算x坐标索引
int y_idx = threadIdx.y + blockIdx.y*blockDim.y; //计算y坐标索引
int idx = x_idx + y_idx * gridDim.x * blockDim.x; //将(x,y)坐标转换为线性
_dst_dev[idx ] = _src_dev[idx] / div*div + div / 2;
}
int main()
{
Mat src = imread("lena.bmp" ); //读取图像
Mat dst (src.size(), CV_8UC3);
uchar *src_data = src.data; // src_data指针指向图像src的数据
if (!src.isContinuous()) return -1; //判断图像数据字节是否填充
uchar *src_dev, *dst_dev;
int length = src.rows * src.cols * src.channels();
//在gpu上分配内存空间
HANDLE_ERROR(cudaMalloc((void**)&src_dev, length*sizeof(uchar)));
HANDLE_ERROR(cudaMalloc((void**)&dst_dev, length*sizeof(uchar)));
HANDLE_ERROR(cudaMemcpy(src_dev, src_data, length*sizeof(uchar), cudaMemcpyHostToDevice));
dim3 blocks(src.cols*src.channels()/ 32, src.rows/ 32); //宽和高均为512,所启动线程块与线程数量差距不可过大
dim3 threads(32, 32);
quantify << < blocks, threads >> >(src_dev, dst_dev , 64);
//将数组dst_dev复制至cpu
HANDLE_ERROR(cudaMemcpy(dst.data, dst_dev, length*sizeof(uchar), cudaMemcpyDeviceToHost));
cudaFree(src_dev);
cudaFree(dst_dev);
imshow("src", src);
imshow("Dst", dst);
waitKey(0);
return 0;
}