cuda Tutorial
Erste Schritte mit cuda

Bemerkungen

Versionen

Voraussetzungen

Laden Sie den CUDA Toolkit und den Entwicklertreiber herunter, um mit der Programmierung mit CUDA zu beginnen. Das Toolkit enthält nvcc , den NVIDIA CUDA Compiler und andere Software, die zur Entwicklung von CUDA-Anwendungen erforderlich ist. Der Treiber stellt sicher, dass GPU-Programme auf CUDA-fähiger Hardware ordnungsgemäß ausgeführt werden, was auch erforderlich ist.

Sie können bestätigen, dass das CUDA Toolkit auf Ihrem Computer ordnungsgemäß installiert ist, indem Sie nvcc --version über eine Befehlszeile nvcc --version . Zum Beispiel auf einem Linux-Rechner

$ nvcc --version
nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2016 NVIDIA Corporation
Built on Tue_Jul_12_18:28:38_CDT_2016
Cuda compilation tools, release 8.0, V8.0.32

gibt die Compiler-Informationen aus. Wenn der vorherige Befehl nicht erfolgreich war, ist das CUDA Toolkit wahrscheinlich nicht installiert, oder der Pfad zu nvcc ( C:\CUDA\bin auf Windows-Computern, /usr/local/cuda/bin unter POSIX-Betriebssystemen) gehört nicht zu Ihrem Umgebungsvariable PATH

Außerdem benötigen Sie einen Host-Compiler, der mit nvcc , um CUDA-Programme zu kompilieren und zu erstellen. Unter Windows ist dies cl.exe , der Microsoft-Compiler, der mit Microsoft Visual Studio cl.exe wird. Unter POSIX-Betriebssystemen sind andere Compiler verfügbar, einschließlich gcc oder g++ . Im offiziellen CUDA Quick Start Guide erfahren Sie, welche Compilerversionen auf Ihrer jeweiligen Plattform unterstützt werden.

Um sicherzustellen, dass alles korrekt eingerichtet ist, lassen Sie uns ein triviales CUDA-Programm kompilieren und ausführen, um sicherzustellen, dass alle Tools ordnungsgemäß zusammenarbeiten.

__global__ void foo() {}

int main()
{
  foo<<<1,1>>>();

  cudaDeviceSynchronize();
  printf("CUDA error: %s\n", cudaGetErrorString(cudaGetLastError()));

  return 0;
}

Um dieses Programm zu kompilieren, kopieren Sie es in eine Datei namens test.cu und kompilieren Sie es über die Befehlszeile. Auf einem Linux-System sollte beispielsweise Folgendes funktionieren:

$ nvcc test.cu -o test
$ ./test
CUDA error: no error

Wenn das Programm ohne Fehler erfolgreich ist, beginnen wir mit der Codierung!

Addieren Sie zwei Arrays mit CUDA

Dieses Beispiel zeigt, wie Sie ein einfaches Programm erstellen, das zwei int Arrays mit CUDA summiert.

Ein CUDA-Programm ist heterogen und besteht aus Teilen, die auf CPU und GPU laufen.

Die Hauptteile eines Programms, die CUDA verwenden, sind ähnlich wie CPU-Programme und bestehen aus

• Speicherzuordnung für Daten, die auf der GPU verwendet werden
• Daten werden vom Hostspeicher in den GPU-Speicher kopiert
• Aufrufen der Kernel-Funktion zum Verarbeiten von Daten
• Ergebnis in den CPU-Speicher kopieren

Um Speicherplatz für Geräte zuzuweisen, verwenden wir die cudaMalloc Funktion. Zum Kopieren von Daten zwischen Gerät und Host cudaMemcpy Funktion cudaMemcpy verwendet werden. Das letzte Argument von cudaMemcpy gibt die Richtung des Kopiervorgangs an. Es gibt 5 mögliche Typen:

• cudaMemcpyHostToHost - Host -> Host
• cudaMemcpyHostToDevice - Host -> Gerät
• cudaMemcpyDeviceToHost - Gerät -> Host
• cudaMemcpyDeviceToDevice - Gerät -> Gerät
• cudaMemcpyDefault - Standardbasierter, einheitlicher virtueller Adressraum

Als nächstes wird die Kernel-Funktion aufgerufen. Die Information zwischen den dreifachen Chevrons ist die Ausführungskonfiguration, die bestimmt, wie viele Gerätethreads den Kernel parallel ausführen. Die erste Anzahl ( 2 im Beispiel) gibt die Anzahl der Blöcke und die zweite ( (size + 1) / 2 im Beispiel) die Anzahl der Threads in einem Block an. Beachten Sie, dass wir in diesem Beispiel die Größe um 1 erhöhen, sodass wir einen zusätzlichen Thread anfordern, anstatt einen Thread für zwei Elemente verantwortlich zu machen.

Da der cudaDeviceSynchronize eine asynchrone Funktion ist, wird cudaDeviceSynchronize aufgerufen, um zu warten, bis die Ausführung abgeschlossen ist. Ergebnis-Arrays werden in den cudaFree kopiert und der gesamte auf dem Gerät zugewiesene Speicher wird mit cudaFree .

Um die Funktion als Kernel zu definieren, wird der __global__ Deklarationsbezeichner verwendet. Diese Funktion wird von jedem Thread aufgerufen. Wenn jeder Thread ein Element des resultierenden Arrays verarbeiten soll, brauchen wir ein Mittel, um jeden Thread zu unterscheiden und zu identifizieren. CUDA definiert die Variablen blockDim , blockIdx und threadIdx . Die vordefinierte Variable blockDim enthält die Dimensionen jedes Thread-Blocks, wie im zweiten Konfigurationsparameter für den Kernel-Start angegeben. Die vordefinierten Variablen threadIdx und blockIdx enthalten den Index des Threads in seinem threadIdx bzw. den blockIdx innerhalb des Gitters. Da wir möglicherweise einen Thread mehr anfordern als Elemente in den Arrays, müssen wir die size um sicherzustellen, dass wir nicht über das Ende des Arrays hinaus zugreifen.

#include "cuda_runtime.h"
#include "device_launch_parameters.h"

#include <stdio.h>

__global__ void addKernel(int* c, const int* a, const int* b, int size) {
    int i = blockIdx.x * blockDim.x + threadIdx.x;
    if (i < size) {
        c[i] = a[i] + b[i];
    }
}

// Helper function for using CUDA to add vectors in parallel.
void addWithCuda(int* c, const int* a, const int* b, int size) {
    int* dev_a = nullptr;
    int* dev_b = nullptr;
    int* dev_c = nullptr;

    // Allocate GPU buffers for three vectors (two input, one output)
    cudaMalloc((void**)&dev_c, size * sizeof(int));
    cudaMalloc((void**)&dev_a, size * sizeof(int));
    cudaMalloc((void**)&dev_b, size * sizeof(int));

    // Copy input vectors from host memory to GPU buffers.
    cudaMemcpy(dev_a, a, size * sizeof(int), cudaMemcpyHostToDevice);
    cudaMemcpy(dev_b, b, size * sizeof(int), cudaMemcpyHostToDevice);

    // Launch a kernel on the GPU with one thread for each element.
    // 2 is number of computational blocks and (size + 1) / 2 is a number of threads in a block
    addKernel<<<2, (size + 1) / 2>>>(dev_c, dev_a, dev_b, size);
    
    // cudaDeviceSynchronize waits for the kernel to finish, and returns
    // any errors encountered during the launch.
    cudaDeviceSynchronize();

    // Copy output vector from GPU buffer to host memory.
    cudaMemcpy(c, dev_c, size * sizeof(int), cudaMemcpyDeviceToHost);

    cudaFree(dev_c);
    cudaFree(dev_a);
    cudaFree(dev_b);
}

int main(int argc, char** argv) {
    const int arraySize = 5;
    const int a[arraySize] = {  1,  2,  3,  4,  5 };
    const int b[arraySize] = { 10, 20, 30, 40, 50 };
    int c[arraySize] = { 0 };

    addWithCuda(c, a, b, arraySize);

    printf("{1, 2, 3, 4, 5} + {10, 20, 30, 40, 50} = {%d, %d, %d, %d, %d}\n", c[0], c[1], c[2], c[3], c[4]);

    cudaDeviceReset();

    return 0;
}

Lassen Sie uns einen einzelnen CUDA-Thread starten, um Hallo zu sagen

Dieses einfache CUDA-Programm zeigt, wie eine Funktion geschrieben wird, die auf der GPU (auch als "Gerät" bezeichnet) ausgeführt wird. Die CPU oder "Host" erstellt CUDA-Threads durch Aufrufen spezieller Funktionen, die als "Kernels" bezeichnet werden. CUDA-Programme sind C ++ - Programme mit zusätzlicher Syntax.

Um zu sehen, wie es funktioniert, hello.cu den folgenden Code in eine Datei namens hello.cu :

#include <stdio.h>

// __global__ functions, or "kernels", execute on the device
__global__ void hello_kernel(void)
{
  printf("Hello, world from the device!\n");
}

int main(void)
{
  // greet from the host
  printf("Hello, world from the host!\n");

  // launch a kernel with a single thread to greet from the device
  hello_kernel<<<1,1>>>();

  // wait for the device to finish so that we see the message
  cudaDeviceSynchronize();

  return 0;
}

(Beachten Sie, dass Sie zur Verwendung der printf Funktion auf dem Gerät ein Gerät mit einer Rechenkapazität von mindestens 2,0 benötigen. Weitere Informationen finden Sie in der Versionsübersicht .)

Lassen Sie uns nun das Programm mit dem NVIDIA-Compiler kompilieren und ausführen:

$ nvcc hello.cu -o hello
$ ./hello
Hello, world from the host!
Hello, world from the device!

Einige zusätzliche Informationen zum obigen Beispiel:

• nvcc steht für "NVIDIA CUDA Compiler". Es trennt den Quellcode in Host- und Gerätekomponenten.
• __global__ ist ein CUDA-Schlüsselwort, das in Funktionsdeklarationen verwendet wird, um __global__ , dass die Funktion auf dem GPU-Gerät ausgeführt wird und vom Host aufgerufen wird.
• Dreifache spitze Klammern ( <<< , >>> ) kennzeichnen einen Aufruf vom Hostcode zum Gerätecode (auch als "Kernel-Start" bezeichnet). Die Zahlen in diesen dreifachen Klammern geben die Anzahl der parallel auszuführenden Zeiten und die Anzahl der Threads an.

Kompilieren und Ausführen der Beispielprogramme

Das NVIDIA-Installationshandbuch endet mit der Ausführung der Beispielprogramme, um die Installation des CUDA Toolkit zu überprüfen, gibt jedoch nicht explizit die Vorgehensweise an. Überprüfen Sie zunächst alle Voraussetzungen. Überprüfen Sie das Standard-CUDA-Verzeichnis für die Beispielprogramme. Wenn es nicht vorhanden ist, kann es von der offiziellen CUDA-Website heruntergeladen werden. Navigieren Sie zu dem Verzeichnis, in dem die Beispiele vorhanden sind.

$ cd /path/to/samples/
$ ls

Sie sollten eine Ausgabe ähnlich der folgenden sehen:

0_Simple     2_Graphics  4_Finance      6_Advanced       bin     EULA.txt
1_Utilities  3_Imaging   5_Simulations  7_CUDALibraries  common  Makefile

Stellen Sie sicher, dass das Makefile in diesem Verzeichnis vorhanden ist. Mit dem Befehl make in UNIX-basierten Systemen werden alle Beispielprogramme erstellt. Navigieren Sie alternativ zu einem Unterverzeichnis, in dem sich ein anderes Makefile befindet, und führen Sie den Befehl make von dort aus aus, um nur dieses Beispiel zu erstellen.

Führen Sie die zwei empfohlenen Beispielprogramme aus - deviceQuery und bandwidthTest :

$ cd 1_Utilities/deviceQuery/
$ ./deviceQuery 

Die Ausgabe ähnelt der unten gezeigten:

./deviceQuery Starting...

 CUDA Device Query (Runtime API) version (CUDART static linking)

Detected 1 CUDA Capable device(s)

Device 0: "GeForce GTX 950M"
  CUDA Driver Version / Runtime Version          7.5 / 7.5
  CUDA Capability Major/Minor version number:    5.0
  Total amount of global memory:                 4096 MBytes (4294836224 bytes)
  ( 5) Multiprocessors, (128) CUDA Cores/MP:     640 CUDA Cores
  GPU Max Clock rate:                            1124 MHz (1.12 GHz)
  Memory Clock rate:                             900 Mhz
  Memory Bus Width:                              128-bit
  L2 Cache Size:                                 2097152 bytes
  Maximum Texture Dimension Size (x,y,z)         1D=(65536), 2D=(65536, 65536), 3D=(4096, 4096, 4096)
  Maximum Layered 1D Texture Size, (num) layers  1D=(16384), 2048 layers
  Maximum Layered 2D Texture Size, (num) layers  2D=(16384, 16384), 2048 layers
  Total amount of constant memory:               65536 bytes
  Total amount of shared memory per block:       49152 bytes
  Total number of registers available per block: 65536
  Warp size:                                     32
  Maximum number of threads per multiprocessor:  2048
  Maximum number of threads per block:           1024
  Max dimension size of a thread block (x,y,z): (1024, 1024, 64)
  Max dimension size of a grid size    (x,y,z): (2147483647, 65535, 65535)
  Maximum memory pitch:                          2147483647 bytes
  Texture alignment:                             512 bytes
  Concurrent copy and kernel execution:          Yes with 1 copy engine(s)
  Run time limit on kernels:                     Yes
  Integrated GPU sharing Host Memory:            No
  Support host page-locked memory mapping:       Yes
  Alignment requirement for Surfaces:            Yes
  Device has ECC support:                        Disabled
  Device supports Unified Addressing (UVA):      Yes
  Device PCI Domain ID / Bus ID / location ID:   0 / 1 / 0
  Compute Mode:
     < Default (multiple host threads can use ::cudaSetDevice() with device simultaneously) >

deviceQuery, CUDA Driver = CUDART, CUDA Driver Version = 7.5, CUDA Runtime Version = 7.5, NumDevs = 1, Device0 = GeForce GTX 950M
Result = PASS

Die Anweisung Result = PASS am Ende zeigt an, dass alles korrekt funktioniert. Führen Sie nun das andere vorgeschlagene Beispielprogramm bandwidthTest auf ähnliche Weise aus. Die Ausgabe wird ähnlich sein:

[CUDA Bandwidth Test] - Starting...
Running on...

 Device 0: GeForce GTX 950M
 Quick Mode

 Host to Device Bandwidth, 1 Device(s)
 PINNED Memory Transfers
   Transfer Size (Bytes)    Bandwidth(MB/s)
   33554432            10604.5

 Device to Host Bandwidth, 1 Device(s)
 PINNED Memory Transfers
   Transfer Size (Bytes)    Bandwidth(MB/s)
   33554432            10202.0

 Device to Device Bandwidth, 1 Device(s)
 PINNED Memory Transfers
   Transfer Size (Bytes)    Bandwidth(MB/s)
   33554432            23389.7

Result = PASS

NOTE: The CUDA Samples are not meant for performance measurements. Results may vary when GPU Boost is enabled.

Die Anweisung Result = PASS zeigt erneut an, dass alles ordnungsgemäß ausgeführt wurde. Alle anderen Beispielprogramme können auf ähnliche Weise ausgeführt werden.