CUDA编程模型概述（二）

继续CUDA编程模型的后半部分，关于核函数以及错误处理。

  • 核函数
    • 启动核函数
    • 编写核函数
    • 验证核函数
  • 错误处理

核函数概述

核函数就是在CUDA模型上诸多线程中运行的那段串行代码，这段代码在设备上运行，用NVCC编译，产生的机器码是GPU的机器码，所以我们写CUDA程序就是写核函数，第一步我们要确保核函数能正确的运行产生正切的结果，第二优化CUDA程序的部分，无论是优化算法，还是调整内存结构，线程结构都是要调整核函数内的代码，来完成这些优化的。
我们一直把我们的CPU当做一个控制者，运行核函数，要从CPU发起，那么我们开始学习如何启动一个核函数

启动核函数

启动核函数，通过的以下的ANSI C 扩展出的CUDA C指令： 

  1. 1
  1. kernel_name<<<grid,block>>>(argument list);

其标准C的原型就是C语言函数调用 

  1. 1
  1. function_name(argument list);

这个三个尖括号’<<>>’内是对设备代码执行的线程结构的配置（或者简称为对内核进行配置），也就是我们上一篇中提到的线程结构中的网格，块。回忆一下上文，我们通过CUDA C内置的数据类型dim3类型的变量来配置grid和block（上文提到过：在设备端访问grid和block属性的数据类型是uint3不能修改的常类型结构，这里反复强调一下）。
通过指定grid和block的维度，我们可以配置：

  • 内核中线程的数目
  • 内核中使用的线程布局

我们可以使用dim3类型的grid维度和block维度配置内核，也可以使用int类型的变量，或者常量直接初始化： 

  1. 1
  1. kernel_name<<<4,8>>>(argument list);

上面这条指令的线程布局是：
【CUDA 基础】2.1 CUDA编程模型概述（二） - 图1

我们的核函数是同时复制到多个线程执行的，上文我们说过一个对应问题，多个计算执行在一个数据，肯定是浪费时间，所以为了让多线程按照我们的意愿对应到不同的数据，就要给线程一个唯一的标识，由于设备内存是线性的（基本市面上的内存硬件都是线性形式存储数据的）我们观察上图，可以用threadIdx.x 和blockIdx.x 来组合获得对应的线程的唯一标识（后面我们会看到，threadIdx和blockIdx能组合出很多不一样的效果）

接下来我们就是修改代码的时间了，改变核函数的配置，产生运行出结果一样，但效率不同的代码：

  1. 一个块：
  1. 1
  1. kernel_name<<<1,32>>>(argument list);
  1. 32个块
  1. 1
  1. kernel_name<<<32,1>>>(argument list);

上述代码如果没有特殊结构在核函数中，执行结果应该一致，但是有些效率会一直比较低。

上面这些是启动部分，当主机启动了核函数，控制权马上回到主机，而不是主机等待设备完成核函数的运行，这一点我们上一篇文章也有提到过（就是等待hello world输出的那段代码后面要加一句）

想要主机等待设备端执行可以用下面这个指令： 

  1. 1
  1. cudaError_t cudaDeviceSynchronize(void);

这是一个显示的方法，对应的也有隐式方法，隐式方法就是不明确说明主机要等待设备端，而是设备端不执行完，主机没办法进行，比如内存拷贝函数： 

  1. 1
    2
  1. cudaError_t cudaMemcpy(void dst,const void  src,
      size_t count,cudaMemcpyKind kind);

这个函数上文已经介绍过了，当核函数启动后的下一条指令就是从设备复制数据回主机端，那么主机端必须要等待设备端计算完成。

所有CUDA核函数的启动都是异步的，这点与C语言是完全不同的

编写核函数

我们会启动核函数了，但是核函数哪里来的？当然我们写的，核函数也是一个函数，但是声明核函数有一个比较模板化的方法： 

  1. 1
  1. global void kernel_name(argument list);

注意：声明和定义是不同的，这点CUDA与C语言是一致的

在C语言函数前没有的限定符global ,CUDA C中还有一些其他我们在C中没有的限定符，如下：

限定符 执行 调用 备注
__global__ 设备端执行 可以从主机调用也可以从计算能力3以上的设备调用 必须有一个void的返回类型
__device__ 设备端执行 设备端调用
__host__ 主机端执行 主机调用 可以省略

而且这里有个特殊的情况就是有些函数可以同时定义为 device 和 host ，这种函数可以同时被设备和主机端的代码调用，主机端代码调用函数很正常，设备端调用函数与C语言一致，但是要声明成设备端代码，告诉nvcc编译成设备机器码，同时声明主机端设备端函数，那么就要告诉编译器，生成两份不同设备的机器码。

Kernel核函数编写有以下限制

  1. 只能访问设备内存
  2. 必须有void返回类型
  3. 不支持可变数量的参数
  4. 不支持静态变量
  5. 显示异步行为

并行程序中经常的一种现象：把串行代码并行化时对串行代码块for的操作，也就是把for并行化。
例如：
串行： 

  1. 1
    2
    3
    4
  1. void sumArraysOnHost(float A, float B, float *C, const int N) {
      for (int i = 0; i < N; i++)
        C[i] = A[i] + B[i];
    }

并行： 

  1. 1
    2
    3
    4
  1. global void sumArraysOnGPU(float A, float B, float *C) {
      int i = threadIdx.x;
      C[i] = A[i] + B[i];
    }

这两个简单的段不能执行，但是我们可以大致的看一下for展开并行化的样子，没吃过鸡肉的时候可以先看看鸡跑（我的博客是清真的）。

验证核函数

验证核函数就是验证其正确性，下面这段代码上文出现过，但是同样包含验证核函数的方法：
代码库：https://github.com/Tony-Tan/CUDA_Freshman

  1. 1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    26
    27
    28
    29
    30
    31
    32
    33
    34
    35
    36
    37
    38
    39
    40
    41
    42
    43
    44
    45
    46
    47
    48
    49
    50
    51
    52
    53
    54
    55
    56
    57
    58
    59
    60
    61
    62
    63
    64
    65
    66
    67
    68
    69
    70
  1. /
     https://github.com/Tony-Tan/CUDA_Freshman
     3_sum_arrays
    /
    #include <cudaruntime.h>
    #include <stdio.h>
    #include “freshman.h”


    void sumArrays(float  a,float  b,float * res,const int size)
    {
      for(int i=0;i<size;i+=4)
      {
        res[i]=a[i]+b[i];
        res[i+1]=a[i+1]+b[i+1];
        res[i+2]=a[i+2]+b[i+2];
        res[i+3]=a[i+3]+b[i+3];
      }
    }
    _global     void sumArraysGPU(floata,floatb,floatres)
    {
      int i=threadIdx.x;
      res[i]=a[i]+b[i];
    }
    int main(int argc,char **argv)
    {
      int dev = 0;
      cudaSetDevice(dev);

      int nElem=32;
      printf(“Vector size:%d\n”,nElem);
      int nByte=sizeof(float)    nElem;
      float a_h=(float)malloc(nByte);
      float b_h=(float)malloc(nByte);
      float res_h=(float)malloc(nByte);
      float res_from_gpu_h=(float)malloc(nByte);
      memset(res_h,0,nByte);
      memset(res_from_gpu_h,0,nByte);

      float a_d,b_d,res_d;
      CHECK(cudaMalloc((float)&a_d,nByte));
      CHECK(cudaMalloc((float    )&b_d,nByte));
      CHECK(cudaMalloc((float*    )&res_d,nByte));

      initialData(a_h,nElem);
      initialData(b_h,nElem);

      CHECK(cudaMemcpy(a_d,a_h,nByte,cudaMemcpyHostToDevice));
      CHECK(cudaMemcpy(b_d,b_h,nByte,cudaMemcpyHostToDevice));

      dim3 block(nElem);
      dim3 grid(nElem/block.x);
      sumArraysGPU<<<grid,block>>>(a_d,b_d,res_d);
      printf(“Execution configuration<<<%d,%d>>>\n”,block.x,grid.x);

      CHECK(cudaMemcpy(res_from_gpu_h,res_d,nByte,cudaMemcpyDeviceToHost));
      sumArrays(a_h,b_h,res_h,nElem);

      checkResult(res_h,res_from_gpu_h,nElem);
      cudaFree(a_d);
      cudaFree(b_d);
      cudaFree(res_d);

      free(a_h);
      free(b_h);
      free(res_h);
      free(res_from_gpu_h);

      return 0;
    }

在开发阶段，每一步都进行验证是绝对高效的，比把所有功能都写好，然后进行测试这种过程效率高很多，同样写CUDA也是这样的每个代码小块都进行测试，看起来慢，实际会提高很多效率。
CUDA小技巧，当我们进行调试的时候可以把核函数配置成单线程的： 

  1. 1
  1. kernel_name<<<1,1>>>(argument list)

错误处理

所有编程都需要对错误进行处理，早起的编码错误，编译器会帮我们搞定，内存错误也能观察出来，但是有些逻辑错误很难发现，甚至到了上线运行时才会被发现，而且有些厉害的bug复现会很难，不总出现，但是很致命，而且CUDA基本都是异步执行的，当错误出现的时候，不一定是哪一条指令触发的，这一点非常头疼；这时候我们就需要对错误进行防御性处理了，例如我们代码库头文件里面的这个宏： 

  1. 1
    2
    3
    4
    5
    6
    7
    8
    9
    10
  1. #define CHECK(call)\
    {\
      const cudaErrort error=call;\
      if(error!=cudaSuccess)\
      {\
          printf(“ERROR: %s:%d,”,FILE,_LINE    );\
          printf(“code:%d,reason:%s\n”,error,cudaGetErrorString(error));\
          exit(1);\
      }\
    }

就是获得每个函数执行后的返回结果，然后对不成功的信息加以处理，CUDA C 的API每个调用都会返回一个错误代码，这个代码我们就可以好好利用了，当然在release版本中可以去除这部分，但是开发的时候一定要有的。

编译执行

接下来我们对上面那段向量加法的代码编译执行，观察结果，这里需要一张图，我明天早上连接服务器后运行给出，今晚网太差，所以请见谅，
编译指令： 

  1. 1
  1. nvcc xxxx.cu -o xxxx