Cuda C语言中的统一内存和流

我正在尝试使用具有CUDA 6和C统一内存的流。我以前的流实现是这样的：

for(x=0; x<DSIZE; x+=N*2){

 gpuErrchk(cudaMemcpyAsync(array_d0, array_h+x, N*sizeof(char), cudaMemcpyHostToDevice, stream0));
 gpuErrchk(cudaMemcpyAsync(array_d1, array_h+x+N, N*sizeof(char), cudaMemcpyHostToDevice, stream1));


gpuErrchk(cudaMemcpyAsync(data_d0, data_h, wrap->size*sizeof(int), cudaMemcpyHostToDevice, stream0));
gpuErrchk(cudaMemcpyAsync(data_d1, data_h, wrap->size*sizeof(int), cudaMemcpyHostToDevice, stream1));

searchGPUModified<<<N/128,128,0,stream0>>>(data_d0, array_d0, out_d0 );
searchGPUModified<<<N/128,128,0,stream1>>>(data_d1, array_d1, out_d1);

gpuErrchk(cudaMemcpyAsync(out_h+x, out_d0 , N * sizeof(int), cudaMemcpyDeviceToHost, stream0));
gpuErrchk(cudaMemcpyAsync(out_h+x+N, out_d1 ,N *  sizeof(int), cudaMemcpyDeviceToHost, stream1));

} 

for（x=0；xsize*sizeof（int），cudaMemcpyHostToDevice，stream0）；
gpuerchk（cudaMemcpyAsync（data_d1，data_h，wrap->size*sizeof（int），cudamemcpyhostodevice，stream1））；
searchGPUModified（数据d0、数组d0、输出d0）；
searchGPUModified（数据、数组、输出）；
gpuErrchk（cudaMemcpyAsync（out_h+x，out_d0，N*sizeof（int），cudaMemcpyDeviceToHost，stream0））；
gpuErrchk（cudaMemcpyAsync（out_h+x+N，out_d1，N*sizeof（int），cudaMemcpyDeviceToHost，stream1））；
} 

但是我找不到一个使用相同技术的流和统一内存的例子，在这里数据被发送到GPU。因此，我想知道是否有办法做到这一点？

您应该阅读编程指南（最好是所有附录J）

对于统一内存，使用

cudamalocmanaged

分配的内存默认连接到所有流（“全局”），我们必须对此进行修改，以便有效利用流，例如用于计算/复制重叠。我们可以使用第J.2.2.3节所述的

cudastreamattachmeasync

功能实现这一点。通过以这种方式将每个内存“块”与流关联，UM子系统可以就何时传输每个数据项做出智能决策

以下示例演示了这一点：

#include <stdio.h>
#include <time.h>
#define DSIZE 1048576
#define DWAIT 100000ULL
#define nTPB 256

#define cudaCheckErrors(msg) \
    do { \
        cudaError_t __err = cudaGetLastError(); \
        if (__err != cudaSuccess) { \
            fprintf(stderr, "Fatal error: %s (%s at %s:%d)\n", \
                msg, cudaGetErrorString(__err), \
                __FILE__, __LINE__); \
            fprintf(stderr, "*** FAILED - ABORTING\n"); \
            exit(1); \
        } \
    } while (0)

typedef int mytype;

__global__ void mykernel(mytype *data){

  int idx = threadIdx.x+blockDim.x*blockIdx.x;
  if (idx < DSIZE) data[idx] = 1;
  unsigned long long int tstart = clock64();
  while (clock64() < tstart + DWAIT);
}

int main(){

  mytype *data1, *data2, *data3;
  cudaStream_t stream1, stream2, stream3;
  cudaMallocManaged(&data1, DSIZE*sizeof(mytype));
  cudaMallocManaged(&data2, DSIZE*sizeof(mytype));
  cudaMallocManaged(&data3, DSIZE*sizeof(mytype));
  cudaCheckErrors("cudaMallocManaged fail");
  cudaStreamCreate(&stream1);
  cudaStreamCreate(&stream2);
  cudaStreamCreate(&stream3);
  cudaCheckErrors("cudaStreamCreate fail");
  cudaStreamAttachMemAsync(stream1, data1);
  cudaStreamAttachMemAsync(stream2, data2);
  cudaStreamAttachMemAsync(stream3, data3);
  cudaDeviceSynchronize();
  cudaCheckErrors("cudaStreamAttach fail");
  memset(data1, 0, DSIZE*sizeof(mytype));
  memset(data2, 0, DSIZE*sizeof(mytype));
  memset(data3, 0, DSIZE*sizeof(mytype));
  mykernel<<<(DSIZE+nTPB-1)/nTPB, nTPB, 0, stream1>>>(data1);
  mykernel<<<(DSIZE+nTPB-1)/nTPB, nTPB, 0, stream2>>>(data2);
  mykernel<<<(DSIZE+nTPB-1)/nTPB, nTPB, 0, stream3>>>(data3);
  cudaDeviceSynchronize();
  cudaCheckErrors("kernel fail");
  for (int i = 0; i < DSIZE; i++){
    if (data1[i] != 1) {printf("data1 mismatch at %d, should be: %d, was: %d\n", i, 1, data1[i]); return 1;}
    if (data2[i] != 1) {printf("data2 mismatch at %d, should be: %d, was: %d\n", i, 1, data2[i]); return 1;}
    if (data3[i] != 1) {printf("data3 mismatch at %d, should be: %d, was: %d\n", i, 1, data3[i]); return 1;}
    }
  printf("Success!\n");
  return 0;
}

#包括
#包括
#定义DSIZE 1048576
#定义DWAIT 100000ULL
#定义nTPB 256
#定义cudaCheckErrors（msg）\
做{\
cudaError\u t\u err=cudaGetLastError（）\
如果（_err！=cudaSuccess）{\
fprintf（标准，“致命错误：%s（%s位于%s:%d）\n”\
msg，cudaGetErrorString（_err）\
__文件（行）\
fprintf（stderr，“***失败-中止\n”）\
出口（1）\
} \
}而（0）
typedef int-mytype；
__全局无效mykernel（mytype*数据）{
int idx=threadIdx.x+blockDim.x*blockIdx.x；
如果（idx

上面的程序使用

clock64（）

创建了一个人工长时间运行的内核，以便给我们模拟计算/复制重叠的机会（模拟计算密集型内核）。我们正在启动这个内核的3个实例，每个实例都在一个单独的“块”数据上运行

当我们分析上述程序时，可以看到以下内容：

首先，请注意，第三次内核启动以黄色突出显示，它在第二次内核启动以紫色突出显示后立即开始。启动第三个内核的实际

cudaLaunch

运行时API事件在运行时API行中由鼠标指针指示，也以黄色突出显示（前面是前两个内核的cudaLaunch事件）。由于此启动发生在第一个内核的执行期间，并且从该点到第三个内核的启动之间没有中间的“空白”，因此我们可以观察到第三个内核启动的数据传输（即，

data3

）发生在内核1和2执行期间。因此，我们有有效的复制和计算重叠。（我们可以对内核2进行类似的观察）

---

虽然我没有在这里展示，但是如果我们省略

cudastreamattachmeasync

行，程序仍然可以正确编译和运行，但是如果我们分析它，我们会发现cudaLaunch事件和内核之间存在不同的关系。整个配置文件看起来很相似，内核背靠背执行，但是整个cudaLaunch进程现在在第一个内核开始执行之前开始和结束，并且在内核执行期间没有cudaLaunch事件。这表明（因为所有cudaMallocManaged内存都是全局的），所有数据传输都是在第一次内核启动之前进行的。程序无法将“全局”分配与任何特定内核相关联，因此必须在第一次内核启动之前传输所有此类分配的内存（即使该内核仅使用

data1

）。

映像无法加载。罗伯特能重新上传照片吗？提前感谢。图像仍在，正在加载。我认为问题可能出在你这边，你的互联网服务或机器。