Cuda 开普勒上更快的并行约化
我只是一个CUDA初学者,试图在我的程序上使用,但我没有得到结果,下面是我正在做的一个函数,输出为0,我希望知道我的错误是什么Cuda 开普勒上更快的并行约化,cuda,reduction,kepler,Cuda,Reduction,Kepler,我只是一个CUDA初学者,试图在我的程序上使用,但我没有得到结果,下面是我正在做的一个函数,输出为0,我希望知道我的错误是什么 #ifndef __CUDACC__ #define __CUDACC__ #endif #include <cuda.h> #include <cuda_runtime.h> #include "device_launch_parameters.h" #include <iostream> #include <cuda_
#ifndef __CUDACC__
#define __CUDACC__
#endif
#include <cuda.h>
#include <cuda_runtime.h>
#include "device_launch_parameters.h"
#include <iostream>
#include <cuda_runtime_api.h>
#include <device_functions.h>
#include <stdio.h>
#include <math.h>
__inline__ __device__
float warpReduceSum(float val) {
for (int offset = warpSize/2; offset > 0; offset /= 2)
val += __shfl_down(val, offset);
return val;
}
__inline__ __device__
float blockReduceSum(float val) {
static __shared__ int shared[32]; // Shared mem for 32 partial sums
int lane = threadIdx.x % warpSize;
int wid = threadIdx.x / warpSize;
val = warpReduceSum(val); // Each warp performs partial reduction
if (lane==0) shared[wid]=val; // Write reduced value to shared memory
__syncthreads(); // Wait for all partial reductions
//read from shared memory only if that warp existed
val = (threadIdx.x < blockDim.x / warpSize) ? shared[lane] : 0;
if (wid==0) val = warpReduceSum(val); //Final reduce within first warp
return val;
}
__global__ void deviceReduceKernel(float *in, float* out, size_t N)
{
float sum = 0;
//reduce multiple elements per thread
for (int i = blockIdx.x * blockDim.x + threadIdx.x; i < N; i += blockDim.x * gridDim.x)
{
sum += in[i];
}
sum = blockReduceSum(sum);
if (threadIdx.x==0)
out[blockIdx.x]=sum;
}
int main()
{
int n = 1000000;
float *b = new float[1]();
float *d = new float[1]();
float *a ;
int blocks = (n/512)+1;
float *d_intermediate;
cudaMalloc((void**)&d_intermediate, n*sizeof(float));
cudaMalloc((void**)&a, n*sizeof(float));
cudaMemset(a, 1, n*sizeof(float));
deviceReduceKernel<<<blocks, 512>>>(a, d_intermediate, n);
deviceReduceKernel<<<1, 1024>>>(d_intermediate, &b[0], blocks);
cudaMemcpy(d, b, sizeof(float), cudaMemcpyDeviceToHost);
cudaFree(d_intermediate);
std::cout << d[0];
return 0;
}
\ifndef\uuu CUDACC\uu
#定义CUDACC__
#恩迪夫
#包括
#包括
#包括“设备启动参数.h”
#包括
#包括
#包括
#包括
#包括
__内联设备__
浮动值(浮动值){
对于(int offset=warpSize/2;offset>0;offset/=2)
val+=\uuuu shfl\u向下(val,偏移量);
返回val;
}
__内联设备__
浮动块还原值(浮动值){
静态_ushared _uuint shared[32];//32部分和的共享内存
int lane=螺纹内径x.x%翘曲尺寸;
int wid=螺纹IDX.x/warpSize;
val=warpReduceSum(val);//每个warp执行部分缩减
如果(lane==0)共享[wid]=val;//将减少的值写入共享内存
__syncthreads();//等待所有部分缩减
//仅当存在扭曲时才从共享内存读取
val=(threadIdx.x std::cout您的代码存在各种问题:
任何时候,当您在使用CUDA代码时遇到问题,在请求他人帮助之前,您应该使用CUDA memcheck
并运行您的代码。即使您不理解错误输出,它也会对试图帮助您的其他人有用。如果您使用此代码这样做,您将收到各种错误/问题的通知
传递到CUDA内核的任何指针都应该是有效的CUDA设备指针。您的b
指针是主机指针:
float *b = new float[1]();
所以你不能在这里使用它:
deviceReduceKernel<<<1, 1024>>>(d_intermediate, &b[0], blocks);
^
在这种情况下,b
和d
都是主机指针。这不会将数据从设备复制到主机
这可能与您的想法不符:
cudaMemset(a, 1, n*sizeof(float));
我想你认为这会用数量1填充一个float
数组,但它不会。cudaMemset
,就像memset
,填充字节并取一个字节数量。如果你用它填充float
数组,你实际上是在创建一个填充0x01010101
的数组。我不知道是什么当您将位模式转换为float
数量时转换为的hat值,但它不会为您提供float
值1。我们将通过使用循环填充普通主机阵列,然后将该数据传输到要减少的设备来解决此问题
下面是一段经过修改的代码,它解决了上述问题,并为我正确运行:
$ cat t1290.cu
#include <iostream>
#include <stdio.h>
#include <math.h>
__inline__ __device__
float warpReduceSum(float val) {
for (int offset = warpSize/2; offset > 0; offset /= 2)
val += __shfl_down(val, offset);
return val;
}
__inline__ __device__
float blockReduceSum(float val) {
static __shared__ int shared[32]; // Shared mem for 32 partial sums
int lane = threadIdx.x % warpSize;
int wid = threadIdx.x / warpSize;
val = warpReduceSum(val); // Each warp performs partial reduction
if (lane==0) shared[wid]=val; // Write reduced value to shared memory
__syncthreads(); // Wait for all partial reductions
//read from shared memory only if that warp existed
val = (threadIdx.x < blockDim.x / warpSize) ? shared[lane] : 0;
if (wid==0) val = warpReduceSum(val); //Final reduce within first warp
return val;
}
__global__ void deviceReduceKernel(float *in, float* out, size_t N)
{
float sum = 0;
//reduce multiple elements per thread
for (int i = blockIdx.x * blockDim.x + threadIdx.x; i < N; i += blockDim.x * gridDim.x)
{
sum += in[i];
}
sum = blockReduceSum(sum);
if (threadIdx.x==0)
out[blockIdx.x]=sum;
}
int main()
{
int n = 1000000;
float b;
float *a, *a_host;
a_host = new float[n];
int blocks = (n/512)+1;
float *d_intermediate;
cudaMalloc((void**)&d_intermediate, blocks*sizeof(float));
cudaMalloc((void**)&a, n*sizeof(float));
for (int i = 0; i < n; i++) a_host[i] = 1;
cudaMemcpy(a, a_host, n*sizeof(float), cudaMemcpyHostToDevice);
deviceReduceKernel<<<blocks, 512>>>(a, d_intermediate, n);
deviceReduceKernel<<<1, 1024>>>(d_intermediate, a, blocks);
cudaMemcpy(&b, a, sizeof(float), cudaMemcpyDeviceToHost);
cudaFree(d_intermediate);
std::cout << b << std::endl;
return 0;
}
$ nvcc -arch=sm_35 -o t1290 t1290.cu
$ cuda-memcheck ./t1290
========= CUDA-MEMCHECK
1e+06
========= ERROR SUMMARY: 0 errors
$
$cat t1290.cu
#包括
#包括
#包括
__内联设备__
浮动值(浮动值){
对于(int offset=warpSize/2;offset>0;offset/=2)
val+=\uuuu shfl\u向下(val,偏移量);
返回val;
}
__内联设备__
浮动块还原值(浮动值){
静态_ushared _uuint shared[32];//32部分和的共享内存
int lane=螺纹内径x.x%翘曲尺寸;
int wid=螺纹IDX.x/warpSize;
val=warpReduceSum(val);//每个warp执行部分缩减
如果(lane==0)共享[wid]=val;//将减少的值写入共享内存
__syncthreads();//等待所有部分缩减
//仅当存在扭曲时才从共享内存读取
val=(threadIdx.x std::cout您的代码存在各种问题:
任何时候,当您在使用CUDA代码时遇到问题,在请求他人帮助之前,您应该使用CUDA memcheck
并运行您的代码。即使您不理解错误输出,它也会对试图帮助您的其他人有用。如果您使用此代码这样做,您将收到各种错误/问题的通知
传递到CUDA内核的任何指针都应该是有效的CUDA设备指针。您的b
指针是主机指针:
float *b = new float[1]();
所以你不能在这里使用它:
deviceReduceKernel<<<1, 1024>>>(d_intermediate, &b[0], blocks);
^
在这种情况下,b
和d
都是主机指针。这不会将数据从设备复制到主机