Swift 基于GPU理论的彩色像素计数

我有一个128×128像素的图像

它被分解成8乘8的网格

每个网格块包含16×16个像素

要求

我想计算我的图像包含多少黑色像素

直截了当的方法：

我可以通过逐行、逐列地浏览整个图像并检查像素是否为黑色来做到这一点

GPU方式

…但我想知道，如果使用GPU，我是否可以将图像分解为块/块，并计算每个块中的所有像素，然后将结果相加

例如：

如果查看图像的左上角：

第一块‘A1’（A行，第1列）包含一个16×16像素的网格，我通过手动计算知道，有16个像素

第二个块：“A2”（A行，第2列）包含一个16×16像素的网格，我通过手动计数知道，有62个像素

此示例的所有其他块均为空

如果我通过我的程序运行我的图像，我应该得到答案：16+62=78个黑色像素

推理

据我所知，GPU可以并行处理大量数据，有效地在分布在多个GPU线程上的数据块上运行一个小程序。 我不担心速度/性能，我只是想知道GPU是否可以/可以做到这一点

---

这里有很多GPU可以做的事情

我不确定您是否在这里寻找算法，但我可以向您指出一个广泛使用的GPU库，它实现了一个高效的计数过程。查看

推力

库中的

计数

功能：

它以谓词函数作为输入。它统计满足谓词的输入数据的出现次数

下面计算

数据

中等于零的元素数

template <typename T>
struct zero_pixel{
  __host__ __device__ bool operator()(const T &x) const {return x == 0;}
};
thrust::count_if(data.begin(), data.end(), zero_pixel<T>())

模板
结构零像素{
__主机设备布尔运算符（）（const T&x）const{return x==0；}
};
推力：：计数（data.begin（），data.end（），零像素（））

这里有一个工作示例：

您应该编写一个谓词来测试像素是否为黑色（取决于像素对您来说是什么（它可能是RGB三元组，在本例中，谓词应该更详细）

我还将把像素线性化为一个线性的、可编辑的数据结构（但这取决于数据的实际情况）

如果您对直方图方法感兴趣，您可以做的是对图像像素进行排序（使用任何GPU高效算法，或者为什么不使用

sort

，

推力：：sort（…）

）数据，以便将相等的元素分组在一起，然后按键执行缩减

推力：：按键缩减

看看这个例子：

请注意，直方图方法的成本稍高一些，因为它解决了一个更大的问题（计算所有唯一元素的出现次数）。
您的问题：我想知道GPU是否可以/可以做到这一点

答案：是的，GPU可以处理您的计算。所有数字看起来都非常GPU友好：


经纱尺寸：32（16x2）
每个块的最大线程数：1024（8x128）（8x16）
每个多处理器的最大线程数：2048…等

您可以尝试多种块/线程配置以获得最佳性能

 <强>程序：一般来说，使用GPU意味着将CPU内存中的数据复制到GPU内存，然后在GPU上执行计算，最后将结果复制到CPU进行进一步计算。一个重要的考虑是所有的数据传输都是通过CPU和GPU之间的PCI-E链路完成的，THA。与两者相比，t非常慢
我的观点：在这种情况下，在将图像复制到GPU内存时，即使使用一个单独的CPU计算线程，也会得到结果。这是因为您的进程不是数学/计算密集型的。您只需读取数据并将其与黑色进行比较，然后添加累加器r计数器获得一个总数（它本身会引发一个您必须解决的竞赛条件）

我的建议：如果在分析（评测）整个程序后，您认为获取黑色像素计数的例行程序是一个真正的瓶颈，请尝试：

分治递归算法，或

在多个CPU内核中并行计算

事实上，通用GPU（例如A8上的Apple设备中的GPU）不仅能够而且旨在解决此类并行数据处理问题

苹果在他们的平台中引入了使用金属的数据并行处理，通过一些简单的代码，你可以使用GPU解决像你这样的问题。即使这也可以通过其他框架来完成，我也会提供一些金属+Swift案例的代码作为概念证明

以下是在OSX Sierra上作为Swift命令行工具运行的，它是使用Xcode 9构建的（是的，我知道它是测试版）

作为
main.swift
：

import Foundation
import Metal
import CoreGraphics
import AppKit

guard FileManager.default.fileExists(atPath: "./testImage.png") else {
    print("./testImage.png does not exist")
    exit(1)
}

let url = URL(fileURLWithPath: "./testImage.png")
let imageData = try Data(contentsOf: url)

guard let image = NSImage(data: imageData),
    let imageRef = image.cgImage(forProposedRect: nil, context: nil, hints: nil) else {
    print("Failed to load image data")
    exit(1)
}

let bytesPerPixel = 4
let bytesPerRow = bytesPerPixel * imageRef.width

var rawData = [UInt8](repeating: 0, count: Int(bytesPerRow * imageRef.height))

let bitmapInfo = CGBitmapInfo(rawValue: CGImageAlphaInfo.premultipliedFirst.rawValue).union(.byteOrder32Big)
let colorSpace = CGColorSpaceCreateDeviceRGB()

let context = CGContext(data: &rawData,
                        width: imageRef.width,
                        height: imageRef.height,
                        bitsPerComponent: 8,
                        bytesPerRow: bytesPerRow,
                        space: colorSpace,
                        bitmapInfo: bitmapInfo.rawValue)

let fullRect = CGRect(x: 0, y: 0, width: CGFloat(imageRef.width), height: CGFloat(imageRef.height))
context?.draw(imageRef, in: fullRect, byTiling: false)

// Get access to iPhone or iPad GPU
guard let device = MTLCreateSystemDefaultDevice() else {
    exit(1)
}

let textureDescriptor = MTLTextureDescriptor.texture2DDescriptor(
    pixelFormat: .rgba8Unorm,
    width: Int(imageRef.width),
    height: Int(imageRef.height),
    mipmapped: true)

let texture = device.makeTexture(descriptor: textureDescriptor)

let region = MTLRegionMake2D(0, 0, Int(imageRef.width), Int(imageRef.height))
texture.replace(region: region, mipmapLevel: 0, withBytes: &rawData, bytesPerRow: Int(bytesPerRow))

// Queue to handle an ordered list of command buffers
let commandQueue = device.makeCommandQueue()

// Buffer for storing encoded commands that are sent to GPU
let commandBuffer = commandQueue.makeCommandBuffer()

// Access to Metal functions that are stored in Shaders.metal file, e.g. sigmoid()
guard let defaultLibrary = device.makeDefaultLibrary() else {
    print("Failed to create default metal shader library")
    exit(1)
}

// Encoder for GPU commands
let computeCommandEncoder = commandBuffer.makeComputeCommandEncoder()

// hardcoded to 16 for now (recommendation: read about threadExecutionWidth)
var threadsPerGroup = MTLSize(width:16, height:16, depth:1)
var numThreadgroups = MTLSizeMake(texture.width / threadsPerGroup.width,
                                  texture.height / threadsPerGroup.height,
                                  1);

// b. set up a compute pipeline with Sigmoid function and add it to encoder
let countBlackProgram = defaultLibrary.makeFunction(name: "countBlack")
let computePipelineState = try device.makeComputePipelineState(function: countBlackProgram!)
computeCommandEncoder.setComputePipelineState(computePipelineState)


// set the input texture for the countBlack() function, e.g. inArray
// atIndex: 0 here corresponds to texture(0) in the countBlack() function
computeCommandEncoder.setTexture(texture, index: 0)

// create the output vector for the countBlack() function, e.g. counter
// atIndex: 1 here corresponds to buffer(0) in the Sigmoid function
var counterBuffer = device.makeBuffer(length: MemoryLayout<UInt32>.size,
                                        options: .storageModeShared)
computeCommandEncoder.setBuffer(counterBuffer, offset: 0, index: 0)

computeCommandEncoder.dispatchThreadgroups(numThreadgroups, threadsPerThreadgroup: threadsPerGroup)

computeCommandEncoder.endEncoding()
commandBuffer.commit()
commandBuffer.waitUntilCompleted()

// a. Get GPU data
// outVectorBuffer.contents() returns UnsafeMutablePointer roughly equivalent to char* in C
var data = NSData(bytesNoCopy: counterBuffer.contents(),
                  length: MemoryLayout<UInt32>.size,
                  freeWhenDone: false)
// b. prepare Swift array large enough to receive data from GPU
var finalResultArray = [UInt32](repeating: 0, count: 1)

// c. get data from GPU into Swift array
data.getBytes(&finalResultArray, length: MemoryLayout<UInt>.size)

print("Found \(finalResultArray[0]) non-white pixels")

// d. YOU'RE ALL SET!

我用这个问题学习了一些关于金属和数据并行计算的知识，所以大部分代码都是作为在线文章和编辑文章中的样板文件使用的。请花时间访问下面提到的源代码以获得更多的示例。此外，对于这个特定的问题，代码几乎是硬编码的，但您不应该有太多问题适应它

资料来源：



这似乎是直方图的特例，GPU非常适合这种情况。请尝试搜索“GPU”+“hsitogram”
#include <metal_stdlib>
using namespace metal;

kernel void
countBlack(texture2d<float, access::read> inArray [[texture(0)]],
           volatile device uint *counter [[buffer(0)]],
           uint2 gid [[thread_position_in_grid]]) {

    // Atomic as we need to sync between threadgroups
    device atomic_uint *atomicBuffer = (device atomic_uint *)counter;
    float3 inColor = inArray.read(gid).rgb;
    if(inColor.r != 1.0 || inColor.g != 1.0 || inColor.b != 1.0) {
        atomic_fetch_add_explicit(atomicBuffer, 1, memory_order_relaxed);
    }
}