CUDA点积
我正在尝试为双精度阵列实现经典的点积内核,并对各个块的最终和进行原子计算。正如编程指南第116页所述,我使用atomicAdd实现双精度。可能是我做错了什么。每个块中线程的部分和计算正确,但事后原子操作似乎无法正常工作,因为每次我使用相同的数据运行内核,我收到不同的结果。如果有人能发现错误或提供替代解决方案,我将不胜感激! 这是我的内核:CUDA点积,cuda,dot-product,Cuda,Dot Product,我正在尝试为双精度阵列实现经典的点积内核,并对各个块的最终和进行原子计算。正如编程指南第116页所述,我使用atomicAdd实现双精度。可能是我做错了什么。每个块中线程的部分和计算正确,但事后原子操作似乎无法正常工作,因为每次我使用相同的数据运行内核,我收到不同的结果。如果有人能发现错误或提供替代解决方案,我将不胜感激! 这是我的内核: __global__ void cuda_dot_kernel(int *n,double *a, double *b, double *dot_res) {
__global__ void cuda_dot_kernel(int *n,double *a, double *b, double *dot_res)
{
__shared__ double cache[threadsPerBlock]; //thread shared memory
int global_tid=threadIdx.x + blockIdx.x * blockDim.x;
int i=0,cacheIndex=0;
double temp = 0;
cacheIndex = threadIdx.x;
while (global_tid < (*n)) {
temp += a[global_tid] * b[global_tid];
global_tid += blockDim.x * gridDim.x;
}
cache[cacheIndex] = temp;
__syncthreads();
for (i=blockDim.x/2; i>0; i>>=1) {
if (threadIdx.x < i) {
cache[threadIdx.x] += cache[threadIdx.x + i];
}
__syncthreads();
}
__syncthreads();
if (cacheIndex==0) {
*dot_res=cuda_atomicAdd(dot_res,cache[0]);
}
}
使用特别的CUDA代码进行正确的缩减可能很棘手,因此这里有一个使用推力算法的替代解决方案,该算法包含在CUDA工具包中:
#include <thrust/inner_product.h>
#include <thrust/device_ptr.h>
double do_dot_product(int n, double *a, double *b)
{
// wrap raw pointers to device memory with device_ptr
thrust::device_ptr<double> d_a(a), d_b(b);
// inner_product implements a mathematical dot product
return thrust::inner_product(d_a, d_a + n, d_b, 0.0);
}
#包括
#包括
双dou点积(int n,double*a,double*b)
{
//使用设备\u ptr将原始指针包装到设备内存
推力:装置ptr d_a(a),d_b(b);
//内积实现了一个数学点积
返回推力:内积(d_a,d_a+n,d_b,0.0);
}
没有检查您的代码的深度,但这里有一些建议。如果你只将GPU用于此类通用任务,我只建议使用推力,因为如果出现复杂问题,人们不知道如何在GPU上高效地并行编程
由于数据已经在设备上,因此启动新内核时不会出现性能下降
/*
* @param inCount_s unsigned long long int Length of both input arrays
* @param inValues1_g double* First value array
* @param inValues2_g double* Second value array
* @param outDots_g double* Output dots of each block, length equals the number of blocks
*/
__global__ void dotProduct(const unsigned long long int inCount_s,
const double* inValuesA_g,
const double* inValuesB_g,
double* outDots_g)
{
//get unique block index in a possible 3D Grid
const unsigned long long int blockId = blockIdx.x //1D
+ blockIdx.y * gridDim.x //2D
+ gridDim.x * gridDim.y * blockIdx.z; //3D
//block dimension uses only x-coordinate
const unsigned long long int tId = blockId * blockDim.x + threadIdx.x;
/*
* shared value pair products array, where BLOCK_SIZE power of 2
*
* To improve performance increase its size by multiple of BLOCK_SIZE, so that each threads loads more then 1 element!
* (outDots_g length decreases by same factor, and you need to range check and initialize memory)
* -> see harris gpu optimisations / parallel reduction slides for more informations.
*/
__shared__ double dots_s[BLOCK_SIZE];
/*
* initialize shared memory array and calculate dot product of two values,
* shared memory always needs to be initialized, its never 0 by default, else garbage is read later!
*/
if(tId < inCount_s)
dots_s[threadIdx.x] = inValuesA_g[tId] * inValuesB_g[tId];
else
dots_s[threadIdx.x] = 0;
__syncthreads();
//do parallel reduction on shared memory array to sum up values
reductionAdd(dots_s, dots_s[0]) //see my thesis link
//output value
if(threadIdx.x == 0)
outDots_g[0] = dots_s[0];
//start new parallel reduction kernel to sum up outDots_g!
}
/*
*@param inCount \u两个输入数组的无符号长整型长度
*@param inValues1_g双*第一值数组
*@param inValues2\u g双*秒值数组
*@param outDots\u g double*每个块的输出点,长度等于块数
*/
__全局\uuuuvoid点积(常量无符号长整型),
常数双*无效,
常数双*无效,
双*输出点(g)
{
//在可能的三维网格中获取唯一的块索引
const unsigned long long int blockId=blockIdx.x//1D
+blockIdx.y*gridDim.x//2D
+gridDim.x*gridDim.y*blockIdx.z;//3D
//块标注仅使用x坐标
const unsigned long long int tId=blockId*blockDim.x+threadIdx.x;
/*
*共享值对产品数组,其中块大小的幂为2
*
*为了提高性能,将其大小增加BLOCK_size的倍数,以便每个线程加载多于1个元素!
*(outDots_g长度以相同的系数减小,您需要进行范围检查并初始化内存)
*->有关更多信息,请参阅harris gpu优化/并行缩减幻灯片。
*/
__共享双点[块大小];
/*
*初始化共享内存数组并计算两个值的点积,
*共享内存总是需要初始化,默认情况下它永远不会为0,否则垃圾会在以后读取!
*/
如果(tId
编辑:删除不必要的点。您不正确地使用了
cuda\u atomicAdd
功能。内核的这一部分:
if (cacheIndex==0) {
*dot_res=cuda_atomicAdd(dot_res,cache[0]);
}
是罪魁祸首。在这里,您可以自动添加到dot\u res
。然后使用返回的结果非原子地设置dot_res
。此函数的返回结果是被原子更新的位置的前一个值,它仅用于“信息”或调用者的本地使用。您没有将它分配给原子更新的内容,这完全违背了最初使用原子内存访问的目的。改为这样做:
if (cacheIndex==0) {
double result=cuda_atomicAdd(dot_res,cache[0]);
}
感谢您的回复。由于全局变量*dot_res已初始化为0,因此我将使gridDim.x块具有一个局部变量“result”,其中包含与共享变量缓存[0]相同的值(result=cache[0]+*dot_res=cache[0])?如果我理解正确,这样就不会有最终的缩减。有没有办法在设备上完成缩减?我试着用cuda的互斥示例,但它似乎产生了死锁。我不确定我是否理解你的要求。如果你只是做了我展示的改变,我相信它应该像你想象的那样工作,并且减少应该完成。atomicCAS循环应该一直进行下去,直到每个调用线程的贡献都登记在全局总数中。因为你可能只跑了10到100个街区,对于
dot_res
应该没有太多争用,它应该可以正常工作。我正在询问变量结果。这个变量有局部作用域吗?只有cacheIndex=0的线程才能查看这个变量的独占副本并修改它?那么我如何全局地,跨所有块只生成一个包含所有块的部分和的结果变量?result
不相关。你不需要它,让代码工作。如果需要,可以重写原子添加以不返回它
if (cacheIndex==0) {
double result=cuda_atomicAdd(dot_res,cache[0]);
}