基于CUDA的GPU计算PI值

于 2023-05-03 21:06:37 发布
阅读量598 收藏 1
点赞数 1
文章标签： windows python 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/wm1634208243/article/details/130477227
版权

访问【WRITE-BUG数字空间】_[内附完整源码和文档]
基于CUDA的GPU计算PI值。本项目使用CUDA编程模型并行计算PI值，研究GPU与CPU效率的比较，分析不同GPU线程分块对性能的影响。
异构计算试验报告
—实验1：基于CUDA的GPU计算PI值

第一部分：实验环境
OS：Windows 10
CPU：intel® Core™ i7-10510U CPU@mailto:CPU@ 1.80Ghz
GPU:NVIDIA GeForce MX250
编译器： cl :v19.29.30133
nvcc:Cuda compilationn tools, release 11.4, V11.4.120
第二部分：实验内容
使用 CUDA 编程模型并行计算 PI 值，研究 GPU 与 CPU 效率的比较，分析不同 GPU 线程分块对性能的影响
第三部分：实验原理
数学原理为
1 积分求解

​

编辑

切换为居中
添加图片注释，不超过 140 字（可选）

2 幂级数求解

​

编辑

切换为居中
添加图片注释，不超过 140 字（可选）

使用 CUDA 编程模型，程序执行过程为
CUDAMALLOC -> CUDAMEMCPY(HTOD) ->KERNEL->CUDAMEMCPY(DTOH)

在执行和函数时指定 <<<grid，block>>> 来控制线程的数量和结构
第四部分：性能分析

define Ｎ　迭代次数

1 CPU VS GPU
1.1 单核比较
N = (10001000100)=100M
CPU（thread = 1）：4.887（s）
GPU(grid = 1,block=1)：用时过长…无法测量
1.2 多核比较
首先要发挥出最大的 CPU 性能，由于机器的 CPU 是逻辑 8 核的，所以理论上开启 8 个线程可以发挥最大性能。所以我写了一个 8 线程并行的程序来计算，同样循环 N=（10001000100）次

​

编辑

切换为居中
添加图片注释，不超过 140 字（可选）

可以看出新的时间为 0.768s 快了不少
（PS：这里的程序是使用 GCC 编译的，而 CUDA 程序 NVCC 调用的是 MSCV 的编译器，Windows 平台上 NVCC 不支持 GCC，但是结果应该是差不多的）
2 GPU 性能分析
接下来就是找出 GPU 的最高性能了。
首先在 grid = 1 下探究 block 里的线程数对性能的影响。这里可以直接用 nvprof 分析，非常方便。
2.1 grid = (1,1,1) block = (10,1,1)

​

编辑

切换为居中
添加图片注释，不超过 140 字（可选）

一共用时：34.5556s 线程数：10
可以注意到，在本程序中，主要的时间是消耗在计算上的，由于没有什么要拷贝的内存，所以瓶颈只会出现在计算上
2.2 grid=(1,1,1) block=(100,1,1)

​

编辑

切换为居中
添加图片注释，不超过 140 字（可选）

一共用时：2.58383s 线程数：100
2.3 grid=(1,1,1) block=(1000,1,1)

​

编辑

切换为居中
添加图片注释，不超过 140 字（可选）

一共用时：1.543s 线程数：1000
每个 block 的最大线程数限制是 1024，这里就不能再增加 block 了在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

Code_机械师
关注
CUDA 计算pi （π）
weixin_30736301的博客
08-10 1092
通过简单的程序设计熟练CUDA的使用步骤 下面是cuda代码及相关注释 #include <stdio.h> #include <iostream> #include <time.h> //#include <cutil_inline.h> using namespace std; //******************...
GPUPI，显卡通用计算跑分程序，圆周率计算
09-20
和SUPERPI不同，利用多线程+GPU算圆周率 显卡越好算得越快 N卡跑CUDA或OPENCL都行 A卡只能OPENCL了
CudaPi:在 CUDA 中计算 Pi
06-25
在 CUDA 中计算 Pi 该项目基于数学常数 Pi 的计算。 计算可能非常密集，并且需要非常长的时间才能精确到数百万个小数位。 这里的目标不是为所涉及的小数位数或计算时间创造新的记录，而是通过使用 CUDA ( ) 来展示 GPU 计算的好处并行化用于估计 Pi 的传统串行算法。 我选择的算法使用数值积分来计算 Pi 的估计。 该算法几乎可以完全并行化，当使用像 CUDA 这样的并行框架实现时，这应该会带来巨大的性能提升和加速。 要运行，您必须拥有能够编译和运行 CUDA 的 NVIDIA GPU。
cuda-pi:用 CUDA 计算 Pi
06-06
库达皮 用 CUDA 计算 Pi
CUDA 积分法求PI
wylu
06-16 2668
CUDA 积分法求PI 1. CUDA入门书籍推荐 《GPU高性能编程CUDA实战》 http://vdisk.weibo.com/s/uGXsmIpCn_4ug?category_id=0 2. 基本思路 π=4∫1011+x2dxπ=4∫0111+x2dx \pi = 4\int_{0}^{1}\frac{1}{1+x^{2}}dx 3. CUDA程序执行的主要步骤 CP...
异构计算实验——CUDA编程求Π
gly67的博客
12-06 761
本文运用两种方法基于CUDA编程求Π，并将CUDA并行和纯CPU串行的运行时间作输出对比 CUDA积分法求Π #include "cuda_runtime.h" #include "device_launch_parameters.h" #include <stdio.h> #include <stdlib.h> #include <time.h> #include <math.h> const int N = 1024*1024*64;
基于CUDA的GPU计算PI值【100011443】
04-03
**基于CUDA的GPU计算PI值**是利用图形处理器（GPU）的强大并行计算能力来高效地执行数值计算任务的一种技术。CUDA（Compute Unified Device Architecture）是NVIDIA公司推出的一种编程模型，它允许开发者直接利用GPU...
CUDA并行计算提升GPU计算PI值的效率研究
资源摘要信息:"基于CUDA的GPU计算PI值【***】" CUDA（Compute Unified Device Architecture，统一计算架构）是由NVIDIA公司推出的一种通用并行计算架构。它使得GPU可以解决复杂的计算问题。本项目将利用CUDA编程...
CUDA并行计算Pi：性能提升与加速
资源摘要信息:"CudaPi是一个项目，旨在展示利用CUDA（Compute Unified Device Architecture）在GPU（图形处理单元）上进行并行计算的优势。CUDA是NVIDIA公司推出的并行计算平台和编程模型，它允许开发者使用C语言等...
圆周率pi计算
freiheit_zz的博客
12-28 843
使用C语言计算圆周率的大小#include <stdio.h> #include <math.h>#define COUNT 100000000 //计算次数int main(void) { double value=0; double a=1; unsigned char i=0; while(a/2<COUNT) { if(i%2=
Nvidia GPU 最新计算能力表（CUDA Compute Capability）
欢迎关注，共同进步！
05-28 1万+
Jetson Products GPUCompute CapabilityJetson AGX Xavier7.2Jetson Nano5.3Jetson TX26.2Jetson TX15.3Tegra X15.3 GeForce and TITAN Products GPUCompute CapabilityGeForce RTX 30908.6GeForce RTX 30808.6GeForce RTX 30708.6NVIDIA TITAN RTX7.5Geforce RTX 2080 Ti7.5G
毫秒级检测！你见过带GPU的树莓派吗？
梦里风林的专栏
03-17 1万+
树莓派3B+英特尔神经计算棒进行高速目标检测
GPU加速计算-工具介绍
yujianmin1990的专栏
08-30 8162
本人主要在R下和Python下使用GPU加速计算，使用成熟的工具来提高自己的工作效率，现在对其中一些方法做一下简单总结。
浅析GPU计算——cuda编程
热门推荐
方亮的专栏
02-13 4万+
在《浅析GPU计算——CPU和GPU的选择》一文中，我们分析了在遇到什么瓶颈时需要考虑使用GPU去进行计算。本文将结合cuda编程来讲解实际应用例子。（转载请指明出于breaksoftware的csdn博客） 之前我们讲解过，CPU是整个计算机的核心，它的主要工作是负责调度各种资源，包括其自身的计算资源以及GPU的计算计算资源。比如一个浮点数相乘逻辑，理论上我们可...
编程计算Pi（π）的N种方法
s170262941的专栏
09-05 2万+
一个看起来很牛的计算Pi的程序: int a=10000,b,c=2800,d,e,f[2801],g;   main() { for(;b-c;)     f[b++]=a/5; for(;d=0,g=c*2;c -=14,printf("%.4d",e+d/a),e=d%a)       for(b=c; d+=f[b]*a,f[b]=d%--g,d/=g--,--b; d*
CUDA学习笔记之Tesla图形与计算架构和通用计算模型
ouczoe的专栏
01-04 3164
Tesla图形与计算架构：流处理器阵列（scalable streaming processor array，SPA）+存储器系统，由片上互联网络连接；存储器系统：存储器控制器（MMC）、固定功能的光栅操作单元（raster operation processors，ROP），二级纹理缓存；            MMC：负责控制片外的DRAM显存，每个存储器可以提供64bit位宽；
opencv python cuda 实例
最新发布
04-05
这里提供一个简单的 OpenCV Python CUDA 实例，它将使用 GPU 加速来进行图像处理。该示例将使用 Canny 边缘检测算法来检测图像中的边缘。 首先，您需要确保您的计算机具有 NVIDIA GPU 并且已安装了 CUDA 工具包。然后，您需要安装 `opencv-python` 和 `opencv-contrib-python` 库。您可以使用以下命令来安装它们： ``` pip install opencv-python pip install opencv-contrib-python ``` 接下来，您需要导入所需的库： ```python import cv2 import numpy as np from numba import cuda ``` 然后，您需要将图像加载到内存中： ```python img = cv2.imread('image.jpg') ``` 接下来，您需要将图像转换为灰度图像： ```python gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) ``` 然后，您需要将图像分配到 GPU 上： ```python d_img = cuda.to_device(gray_img) ``` 接下来，您需要定义一个 CUDA 内核函数来执行 Canny 边缘检测算法。以下是一个简单的内核函数示例： ```python @cuda.jit def canny_kernel(d_img, d_edges): x, y = cuda.grid(2) if x > 0 and y > 0 and x < d_img.shape[0]-1 and y < d_img.shape[1]-1: dx = (d_img[x+1, y+1] + 2*d_img[x+1, y] + d_img[x+1, y-1]) - (d_img[x-1, y+1] + 2*d_img[x-1, y] + d_img[x-1, y-1]) dy = (d_img[x-1, y-1] + 2*d_img[x, y-1] + d_img[x+1, y-1]) - (d_img[x-1, y+1] + 2*d_img[x, y+1] + d_img[x+1, y+1]) mag = np.sqrt(dx**2 + dy**2) angle = np.arctan2(dy, dx) if angle < 0: angle += np.pi angle = angle * 180 / np.pi if angle > 22.5 and angle <= 67.5: if mag > d_img[x-1, y-1] and mag > d_img[x+1, y+1]: d_edges[x, y] = mag elif angle > 67.5 and angle <= 112.5: if mag > d_img[x, y-1] and mag > d_img[x, y+1]: d_edges[x, y] = mag elif angle > 112.5 and angle <= 157.5: if mag > d_img[x-1, y+1] and mag > d_img[x+1, y-1]: d_edges[x, y] = mag else: if mag > d_img[x-1, y] and mag > d_img[x+1, y]: d_edges[x, y] = mag ``` 该内核函数接受一个输入图像和一个输出图像，并在 GPU 上执行 Canny 边缘检测算法。然后，您需要定义一个 GPU 线程块和网格来执行内核函数： ```python threads_per_block = (32, 32) blocks_per_grid_x = np.ceil(gray_img.shape[0] / threads_per_block[0]).astype(np.int32) blocks_per_grid_y = np.ceil(gray_img.shape[1] / threads_per_block[1]).astype(np.int32) blocks_per_grid = (blocks_per_grid_x, blocks_per_grid_y) ``` 最后，您可以在 GPU 上调用内核函数： ```python d_edges = cuda.device_array_like(gray_img) canny_kernel[blocks_per_grid, threads_per_block](d_img, d_edges) ``` 最后，您可以将处理后的图像从 GPU 复制回到主机内存中： ```python edges = d_edges.copy_to_host() ``` 您可以使用以下代码保存处理后的图像： ```python cv2.imwrite('edges.jpg', edges) ``` 完成！现在您已经学会了如何使用 OpenCV Python CUDA 在 GPU 上加速图像处理了。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值