cuda常用指令?CUDA的存儲器從物理上可分為兩類:其中闆載顯存主要包括全局内存(global memory)、本地内存(local memory)、常量内存(constant memory)和紋理内存(texture memory),而片上内存主要包括寄存器(register)和共享内存(shared memory)它們的主要特點如下表所列:,下面我們就來聊聊關于cuda常用指令?接下來我們就一起去了解一下吧!
CUDA的存儲器從物理上可分為兩類:
其中闆載顯存主要包括全局内存(global memory)、本地内存(local memory)、常量内存(constant memory)和紋理内存(texture memory),而片上内存主要包括寄存器(register)和共享内存(shared memory)。它們的主要特點如下表所列:
存儲器 |
位置 |
是否緩存 |
訪問權限 |
變量生存周期 |
寄存器 |
片上 |
無 |
device讀/寫 |
與thread相同 |
本地内存 |
闆載 |
無 |
device讀/寫 |
與thread相同 |
共享内存 |
片上 |
無 |
device讀/寫 |
與block相同 |
常量内存 |
闆載 |
有 |
device隻讀 host讀/寫 |
可在程序中保持 |
紋理内存 |
闆載 |
有 |
device隻讀 host讀/寫 |
可在程序中保持 |
全局内存 |
闆載 |
無 |
device讀/寫 host讀/寫 |
可在程序中保持 |
片上内存的讀寫效率通常比闆載顯存更快,而寄存器又是所有顯存類型中最快的存儲器。本文我們将分别介紹這些存儲器的應用場景及用法。
01
寄存器與本地内存
從代碼實現上看,寄存器變量與本地内存變量的定義方式是一樣的,它們都是定義于cuda核函數中的變量,很像C/C 函數中的局部變量定義,比如以下核函數代碼中的變量A、index、tmp都屬于寄存器變量或本地變量:
__global__ void cuda_kernel(float *a, float b, float *c, int row, int col)
{
int x = threadIdx.x blockDim.x * blockIdx.x; //col
int y = threadIdx.y blockDim.y * blockIdx.y; //row
if(x < col && y < row)
{
float A[200];
int index = y*col x;
float tmp = a[index]*b[index] b[index]*b[index];
c[index] = tmp*tmp;
}
}
那麼定義于CUDA核函數中的變量,什麼時候是寄存器變量,什麼時候是本地變量呢?
通常以下三種情況下定義的變量為本地變量,其餘情況則是寄存器變量:
由以上可知,一般不會在核函數中定義太多或者太大的變量,不然系統自動将超出寄存器限制的變量分配到本地内存,影響程序運行效率。
02
共享内存
共享内存的主要特點在于“共享”,也即同一個線程塊中的所有線程都可以對這一塊存儲進行讀寫操作,所以“共享”是針對同一個線程塊中所有線程而言的。一旦共享内存被定義并指定大小,系統将給所有線程塊都分配相同大小的共享内存,比如定義一個大小為8 bytes的unsigned char型共享内存,那麼所有線程塊都會被分配一個8 bytes的unsigned char型共享内存。
前文我們已經詳細介紹共享内存的特點與應用,此處不再重複:
CUDA加速——共享内存介紹及其應用
03
常量内存
常量内存在device端(GPU端)隻讀,在host端(CPU端)可讀可寫,通常情況下使用__constant__修飾的變量,其數據存儲于常量内存,并且該變量為全局變量,對同一個.cu文件中且定義于其後面的所有核函數都可見。比如以下代碼中,變量A的值存儲于常量内存,kernel1和kernel2都可以使用A,但kernel0因定義在A前面而不能使用A。
__global__ void kernel0()
{
}
__constant__ float A[128];
__global__ void kernel1()
{
}
__global__ void kernel2()
{
}
常量内存在device端隻讀,因此隻能在host端對其初始化和修改,通過調用cudaMemcpyToSymbol函數實現,比如以下代碼:
__constant__ float A[10];
void init_constant(void)
{
float B[10] = {0, 1, 2, 3, 4, 5, 6, 7, 8, 9};
//數組A定義在device端的常量内存,數組B定義在host端,使用數組B的内容初始化數組A
cudaMemcpyToSymbol(A, B, 10*sizeof(float));
}
什麼情況下使用常量内存呢?
首先我們來講一下warp和half-warp的概念。
從軟件的角度來看,一個block包含的最大線程數通常為512或1024,多個block包含的所有線程都是并行執行的。然而從硬件的角度來看并不是這樣,硬件上把每個block中的所有線程分成每32個一組的線程束,一個線程束稱為一個warp。同一個warp中的線程才是真正意義上的并行執行,并且它們使用各自的數據執行相同的處理指令。不同warp的執行由系統調度,所以不同的warp不一定并行執行。
顧名思義,half-warp就是半個warp,也即同一個warp中的16個線程。
接下來我們介紹使用常量内存的好處,主要有兩個:
由以上可知,在每個half-warp中16個線程需要訪問相同内存地址的情況下,使用常量内存能夠大大提升效率,但是如果每個half-warp中16個線程需要訪問不同的内存地址,這種情況下則不适合使用常量内存。
04
全局内存
全局内存是GPU上容量最大的存儲器,可達到10 GB,所以CUDA編程時通常把較大的數據存儲在全局内存,因此全局内存也是所有GPU存儲器中最常用的存儲器。下面我們分别介紹全局内存的申請、拷貝、使用和釋放。
通過調用cudaMalloc函數可以方便地申請全局内存,不過需要注意該函數第三個參數單位是byte,因此如果數據類型不是char/unsigned char類型,那麼第三個參數需要将數據長度再乘以數據類型所占字節數(sizeof):
//定義指針
unsigned char *A;
int *B;
float *C;
//定義數據長度
const int data_len = 128;
//申請全局内存
cudaMalloc((void**)&A, data_len * sizeof(unsigned char));
cudaMalloc((void**)&B, data_len * sizeof(int));
cudaMalloc((void**)&C, data_len * sizeof(float));
通常調用cudaMemcpy函數将數據從host端内存拷貝到device端全局内存,或者從device端全局内存拷貝到host端内存。同樣,需要注意該函數第三個參數單位也是byte,因此第三個參數需要将數據長度再乘以數據類型所占字節數:
float A[8] = {0, 1, 2, 3, 4, 5, 6, 7};
float *C;
cudaMalloc((void**)&C, 8 * sizeof(float));
//将數據從host端内存拷貝到device端全局内存
cudaMemcpy(C, A, 8 * sizeof(float), cudaMemcpyHostToDevice);
//将數據從device端全局内存拷貝到host端内存
cudaMemcpy(A, C, 8 * sizeof(float), cudaMemcpyDeviceToHost);
注意以上代碼中決定拷貝方向的是第四個參數,如果是從host拷貝到device,那麼該參數是cudaMemcpyHostToDevice,如果是device到host,那麼該參數是cudaMemcpyDeviceToHost。
一個典型的CUDA并行任務流程是這樣的:
(1) 把數據從host端拷貝到device端(通常是拷貝到device端的全局内存)。
(2) 在device端開啟多線程并行處理數據。
(3) 待開啟的所有線程處理數據完畢,将最後處理結果從device端再拷貝回host端。
所以全局内存通常在CUDA核函數中使用,通常使用線程id号來索引全局内存中的數據,使每個線程與存儲數據的全局内存地址一一對應。下面我們舉一個簡單例子來說明全局内存的使用。
假如有兩個相同尺寸的矩陣A和矩陣B,且A、B都是float型數據矩陣,現在要使用CUDA并行計算A、B相同坐标點數據的平方差。
首先,是CPU實現代碼,循環遍曆所有點計算平方差即可:
void CPU_cal(Mat A, Mat B)
{
Mat C(A.size(), CV_32FC1);
for(int i = 0; i < A.rows; i ) //行遍曆
{
float *pA = A.ptr<float>(i);
float *pB = B.ptr<float>(i);
float *pC = C.ptr<float>(i);
for(int j = 0; j < A.cols; j ) //列遍曆
{
pC[j] = (pA[j] - pB[j])*(pA[j] - pB[j]);
}
}
}
接着是GPU實現代碼,開啟多線程并行計算每個點的平方差:
/*
CUDA核函數
*/
__global__ void GPU_cal_kernel(float *A_cuda, float *B_cuda, float *C_cuda, int row, int col)
{
//線程的x方向id
int x = threadIdx.x blockDim.x * blockIdx.x; //col
//線程的y方向id
int y = threadIdx.y blockDim.y * blockIdx.y; //row
if(x < col && y < row)
{
//将線程的二維id轉換為全局内存的一維地址索引,并保存到寄存器變量index
int index = y * col x;
//根據一一對應關系,線程(x, y)對應全局内存地址index = y * col x
//也即線程(x, y)負責處理全局内存地址index保存的數據
//使用index來索引A_cuda、B_cuda,就相當于從全局内存的index地址讀取數據
//将從A_cuda、B_cuda讀取的index地址數據相減,并把差值保存到寄存器變量diff
float diff = A_cuda[index] - B_cuda[index];
//寄存器變量diff保存了差值,因此計算平方的時候可直接使用diff中保存的值
//得到平方值之後,再将結果保存到全局内存C_cuda的index位置
//使用index索引C_cuda,并對其賦值,相當于對全局内存C_cuda的index地址進行寫操作
C_cuda[index] = diff * diff;
}
}
/*
調用以上核函數
*/
void GPU_cal(Mat A, Mat B)
{
float *A_cuda, *B_cuda, *C_cuda;
//計算數據長度,注意如果是byte長度還需再乘以sizeof(float)
const int data_len = A.rows * A.cols;
//申請全局内存
cudaMalloc((void**)&A_cuda, data_len * sizeof(float));
cudaMalloc((void**)&B_cuda, data_len * sizeof(float));
cudaMalloc((void**)&C_cuda, data_len * sizeof(float));
//将數據從host内存拷貝到device全局内存
cudaMemcpy(A_cuda, (float *)A.data, data_len * sizeof(float), cudaMemcpyHostToDevice);
cudaMemcpy(B_cuda, (float *)B.data, data_len * sizeof(float), cudaMemcpyHostToDevice);
//定義線程塊、線程塊中的線程都為二維索引
dim3 cuda_Block(16, 16); //每個線程塊有16*16個線程
int M = (A.cols cuda_Block.x - 1) / cuda_Block.x;
int N = (A.rows cuda_Block.y - 1) / cuda_Block.y;
dim3 cuda_Grid(M, N); //線程網格總共有M*N個線程塊
//調用核函數并行處理
GPU_cal_kernel<<<cuda_Grid, cuda_Block>>>(A_cuda, B_cuda, C_cuda, A.rows, A.cols);
Mat C(A.size(), CV_32FC1);
//将并行計算結果從device全局内存拷貝到host内存
cudaMemcpy((float *)C.data, C_cuda, data_len * sizeof(float), cudaMemcpyDeviceToHost);
//釋放申請的全局内存
cudaFree(A_cuda);
cudaFree(B_cuda);
cudaFree(C_cuda);
}
需注意,對于申請的全局内存,如果不再使用,必須調用cudaFree函數将其釋放。而且以上代碼中線程塊、線程的索引都是二維的,其實它們的索引還可以是一維或三維,以後我們再詳細講怎麼通過線程塊、線程的一維或二維或三維索引來确定其對應的全局内存地址。
此外,針對全局内存的訪問有合并、對齊的說法,隻有在合并、對齊的情況下才能高效地訪問全局内存,在下篇文章我們再詳細探讨這個話題。
05
紋理内存
紋理内存是GPU中的一種隻讀存儲器,其使用方式為将某一段全局内存綁定到紋理内存,這段全局内存通常的表現形式為一維CUDA數組/全局内存、二維或三維CUDA數組,然後通過讀取紋理内存(也稱為紋理拾取)來獲取全局内存的數據。相比全局内存的訪問要求對齊、合并,紋理内存對非對齊訪問和随機訪問具有良好的加速效果。
一維紋理可以綁定到CUDA數組,也可以直接綁定到全局内存。下面舉一個簡單的例子來介紹一維紋理内存的使用。
首先是一維紋理的定義,紋理内存通常定義為全局變量:
//float表示數據類型
//cudaTextureType1D、cudaTextureType2D、cudaTextureType3D分别表示一維、二維、三維
//cudaReadModeElementType表示隻讀模式
//tex_1D為定義的紋理内存變量
texture<float, cudaTextureType1D, cudaReadModeElementType> tex_1D;
其次,是紋理内存的綁定,這裡我們直接把全局内存綁定到紋理:
const int data_len = 128;
const int data_size = data_len * sizeof(float);
//初始化host端數組
float *data_host = (float *)malloc(data_size);
for(int i = 0; i < data_len; i )
{
data_host[i] = i;
}
//申請device端全局内存
float *data_device;
cudaMalloc((void**)&data_device, data_size);
//将數據從host端拷貝到device端全局内存
cudaMemcpy(data_device, data_host, data_size, cudaMemcpyHostToDevice);
//參數一表示以bytes為單位的偏移量,也即綁定到紋理的全局内存的起始偏移地址
//參數二為紋理内存變量
//參數三為全局内存地址變量
cudaBindTexture(0, tex_1D, data_device);
接着是在核函數中紋理拾取,通過調用tex1Dfetch函數實現:
//功能:将紋理内存的數據拷貝到全局内存A_cuda
__global__ void cuda_kernel(float *A_cuda, int data_len)
{
//線程id
int x = threadIdx.x blockDim.x * blockIdx.x;
if(x < data_len)
{
//使用線程id來索引全局内存A_cuda和紋理内存tex_1D
A_cuda[x] = tex1Dfetch(tex_1D, x);
}
}
最後是紋理内存的解綁,函數執行完畢之後需要對紋理内存進行解綁:
cudaUnbindTexture(tex_1D);
完整代碼:
texture<float, cudaTextureType1D, cudaReadModeElementType> tex_1D;
//功能:将紋理内存的數據拷貝到全局内存A_cuda
__global__ void cuda_kernel(float *A_cuda, int data_len)
{
//線程id
int x = threadIdx.x blockDim.x * blockIdx.x;
if(x < data_len)
{
//使用線程id來索引全局内存A_cuda和紋理内存tex_1D
A_cuda[x] = tex1Dfetch(tex_1D, x);
}
}
void cuda_copy_data(float *data_host_dst)
{
const int data_len = 128;
const int data_size = data_len * sizeof(float);
//初始化host端數組
float *data_host = (float *)malloc(data_size);
for(int i = 0; i < data_len; i )
{
data_host[i] = i;
}
//申請device端全局内存
float *data_device, *data_dst;
cudaMalloc((void**)&data_device, data_size);
cudaMalloc((void**)&data_dst, data_size);
//将數據從host端拷貝到device端全局内存
cudaMemcpy(data_device, data_host, data_size, cudaMemcpyHostToDevice);
//參數一表示以bytes為單位的偏移量,也即綁定到紋理的全局内存的起始偏移地址
//參數二為紋理内存變量
//參數三為全局内存地址變量
cudaBindTexture(0, tex_1D, data_device);
dim3 tex_Block(16); //每個block有16個線程
//總共有((data_len 15) / 16)個block
dim3 tex_Grid((data_len tex_Block.x - 1) / tex_Block.x);
//調用核函數
cuda_kernel<<<tex_Grid, tex_Block>>>(data_dst, data_len);
//将數據從device端拷貝到host端
cudaMemcpy(data_host_dst, data_dst, data_size, cudaMemcpyDeviceToHost);
//紋理解綁
cudaUnbindTexture(tex_1D);
//釋放全局内存
cudaFree(data_device);
cudaFree(data_dst);
//釋放host内存
free(data_host);
}
通常将存儲一張二維圖像的全局内存綁定到二維紋理,在核函數中可高效地随機訪問二維紋理數據。
以全局變量的方式定義二維紋理:
texture<float, cudaTextureType2D, cudaReadModeElementType> tex_src;
定義CUDA數組,并申請CUDA數組内存:
//聲明數據類型為float
cudaChannelFormatDesc channelDesc = cudaCreateChannelDesc<float>();
//定義CUDA數組
cudaArray *cuArray_src;
//分配大小為col_c*row_c的CUDA數組
int col_c = 512;
int row_c = 512;
cudaMallocArray(&cuArray_src, &channelDesc, col_c, row_c);
設置紋理内存參數,并将CUDA數組綁定到紋理内存:
//尋址方式
//cudaAddressModeWrap--循環尋址,如果超出最大地址則轉成從最小地址開始
//cudaAddressModeClamp--鉗位尋址,如果超出最大地址則訪問最大地址
tex_src1.addressMode[0] = cudaAddressModeWrap;
tex_src1.addressMode[1] = cudaAddressModeWrap;
//是否對紋理坐标歸一化
tex_src1.normalized = false;
//紋理的濾波模式:
//cudaFilterModePoint--最鄰近插值
//cudaFilterModeLinear--雙線性插值
tex_src1.filterMode = cudaFilterModePoint;
//紋理綁定,将CUDA數組綁定到紋理tex_src
cudaBindTextureToArray(&tex_src, cuArray_src, &channelDesc);
将數據從host内存拷貝到CUDA數組:
Mat M_float = Mat::zeros(row_c, col_c, CV_32FC1);
cudaMemcpyToArray(cuArray_src, 0, 0, (float *)M_float.data, row_c*col_c*sizeof(float), cudaMemcpyHostToDevice);
在CUDA核函數中調用tex2D函數進行紋理拾取:
//tex_src--要拾取的紋理内存
//x--紋理内存的x坐标
//y--紋理内存的y坐标
//功能:将紋理内存中(x,y)坐标處的數據加載到寄存器變量d
float d = tex2D(tex_src, x, y);
紋理解綁并釋放CUDA數組:
cudaUnbindTexture(tex_src);
cudaFreeArray(cuArray_src);
有時候需要使用CUDA處理多幀的圖像,把多幀時間序列的圖像傳入到GPU中,此時就可以把保存圖像的全局内存綁定到二維紋理内存(将每幀圖像展開拼接為一行),核函數通過紋理拾取來訪問輸入的圖像數據。不過二維紋理内存的寬是有限制的:
cudaMallocArray函數的第三個參數img_size為寬,也即每幀圖像的總數據個數。然而二維紋理對寬是有限制的,如果寬超過64K就會出錯。所以如果每幀圖像的大小超過了64K,則不能使用二維紋理内存,這時候可以使用三維紋理内存。
cudaChannelFormatDesc channelDesc = cudaCreateChannelDesc<float>();
cudaMallocArray((cudaArray**)&arr_mat_x, &channelDesc, img_size, IIR_N_X);
三維紋理的使用與一維、二維紋理區别較大,下面将詳細說明三維紋理内存的使用。
以全局變量的方式定義三維紋理:
texture<float, cudaTextureType3D, cudaReadModeElementType> tex_mat; //定義為3D類型的紋理内存
定義三維的CUDA數組:
cudaArray *arr_mat; //定義CUDA數組
cudaExtent extent; //定義圖像的尺寸和幀數結構體
cudaChannelFormatDesc channelDesc = cudaCreateChannelDesc<float>(); //定義數據類型為float
//創建extent時,在舊版本中寬度w以字節為單位,即必須乘上sizeof(DTYPE),新版本已經不用乘以sizeof(DTYPE),否則反而會出錯!文檔和函數說明都沒有改過來,這裡是坑!
extent.width = col; //每幀圖像的列數,這裡不需要再乘以sizeof(float)
extent.height = row; //每幀圖像的行數
extent.depth = picnum; //圖像的總幀數
//創建picnum幀row*col的存儲空間
cudaMalloc3DArray((cudaArray**)&arr_mat, &channelDesc, extent);
将數據從host内存拷貝到CUDA數組中,其中pic為Mat類型的vector數組,其包含了picnum幀圖像:
vector<Mat> pic;
cudaMemcpy3DParms HostToDev = {0}; //定義數據傳輸的結構體
HostToDev.dstArray = arr_mat; //指定數據傳輸的目标地址為cuda數組
HostToDev.extent = make_cudaExtent(col, row, 1); //創建extent時,在舊版本中寬度w以字節為單位,即必須乘上sizeof(DTYPE),新版本已經不用乘以sizeof(DTYPE),否則反而會出錯!文檔和函數說明都沒有改過來,這裡是坑!
HostToDev.kind = cudaMemcpyHostToDevice; //定義傳輸方向為CPU到GPU顯存
HostToDev.srcPos = make_cudaPos(0, 0, 0); //定義數據傳輸的源地址的偏移量(w, h, img_index)
for(int i = 0; i < picnum; i ) //拷貝多幀圖像到cuda數組
{
//指定數據傳輸的源地址,注意這裡的第二個參數需要乘以數據類型所占的字節數
HostToDev.srcPtr = make_cudaPitchedPtr((void *)pic[i].data, col*sizeof(float), col, row);
HostToDev.dstPos = make_cudaPos(0, 0, i); //指定目标地址的偏移量,分别為x,y,z地址
cudaMemcpy3D(&HostToDev); //根據以上設置的參數實行拷貝
}
設置三維紋理參數,并将CUDA數組綁定到三維紋理:
tex_mat.normalized = 0; //索引地址不歸一化
//filterMode:濾波模式。僅對綁定 CUDA 數組的紋理有效。當使用浮點型的坐标尋址紋理時,将根據設定返回不同類型的值。設定可以有:cudaFilterModePoint 和 cudaFilterModeLinear。分别表示最近鄰插值和線性插值
tex_mat.filterMode = cudaFilterModePoint;
tex_mat.addressMode[0] = cudaAddressModeClamp; //尋址模式,即如何處理越界的紋理坐标。可設置:cudaAddressModeClamp 和 cudaAddressModeWrap。Clamp 即鉗位模式,Wrap 為循環模式。循環模式隻支持歸一化的紋理坐标
tex_mat.addressMode[1] = cudaAddressModeClamp;
tex_mat.addressMode[2] = cudaAddressModeClamp;
tex_mat.channelDesc = channelDesc; //描述紋理返回值類型,同cuda數組部分的内容
cudaBindTextureToArray(tex_mat, (cudaArray *)arr_mat, channelDesc); //綁定紋理内存
在核函數中調用tex3D函數執行紋理拾取:
//後面三個參數分别是x,y,z坐标
tex3D(tex_mat, x, y, z);
最後是紋理解綁和釋放CUDA數組(這個與二維紋理一樣):
cudaUnbindTexture(tex_mat);
cudaFreeArray(arr_mat);
紋理内存具有硬件插值功能,包括最鄰近插值和雙線性插值這兩種插值方式。如果紋理拾取時輸入的訪問坐标地址是浮點數,紋理内存将自動根據設置插值方式對浮點坐标進行插值,然後返回插值結果。這個插值過程不需要開發者來實現,是硬件自動完成的,開發者隻需要設置好插值方式為最鄰近插值或者雙線性插值即可,因此可以節省很多計算時間。
這個我們前文已經介紹,詳細請參考:
CUDA紋理内存--硬件插值功能的應用
更多精彩资讯请关注tft每日頭條,我们将持续为您更新最新资讯!