cuda编程

/* 程序开始->cpu运行->将cpu数据copy到gpu->gpu运行->将gpu数据copy到cpu->cpu运行->结束 */
#include<stdio.h>
#include<stdlib.h>
#include<cuda_runtime.h>
#include<device_launch_parameters.h>



// 定义宏，主要功能是检测cuda函数的错误
#define CHECK(call) \ {
       \ const cudaError_t err = call; \ if (err != cudaSuccess) \ {
       \ fprintf(stderr, "Error: %s:%d, ", __FILE__, __LINE__); \ fprintf(stderr, "code: %d, reason: %s\n", err, \ cudaGetErrorString(err)); \ exit(1); \ } \ }

// 内核函数
__global__ void helloFromGPU()
{
    
    printf("======================\n");
}

// 主函数
/* * <<<grid, block>>>:三个尖括号是cuda特有，是核函数的执行配置，调用核函数必须用 * grid是网格，这个值代表调用多少个block；block是线程块，代表调用多少个线程 * cudaDeviceReset()：显示地释放和清空当前进程gpu资源 */

int main(int argc, char** argv)
{
    
    printf("print from cpu\n");
    helloFromGPU << <1, 10 >> > ();
    CHECK(cudaDeviceReset());
    return 0;

}

cuda程序中既包含host程序，又包含device程序，分别在cpu和gpu上运行。host与device之间进行通信，这样可以进行数据拷贝。
1、分配host内存，并进行数据初始化
2、分配device内存，并从host将数据拷贝到device上
3、调用cuda的核函数在device上完成指定的运算
4、将device上的运算结果拷贝到host上
5、释放device和host上分配的内存

在cuda中每一个线程都要执行核函数，并且每个线程都会分配一个唯一的线程号threadid，这个id值可以通过核函数的内置变量threadIdx来获得。
由于gpu实际上是异构模型，所以需要区分host和device上的代码，在cuda中是通过函数类型限定词区别host和device上的函数，主要三个函数类型限定词：
global：在device上执行，从host中调用，返回类型必须是void，不支持可变参数，不能成为类成员函数；__global__定义的kernel是异步的，host不会等待kernel执行完就执行下一步。
device：在device上执行，单仅可以从device中调用，不可以和__global__同时使用。
host：在host上执行，仅可以从host上调用，可省略不写，不可和__global__同时用，但可和__device__一起使用，此时函数会在device和host都编译。
kernel在device上执行时实际上是启动了很多线程，一个kernel所启动的所有线程称为一个网格（grid），同一个网格的线程共享相同的全局内存空间，grid是线程结构的第一层次，而网格又可分为很多线程块（block），一个线程块中包含很多线程，这是第二个层次。
sm的核心组件包括cuda核心，共享内存，寄存器等。sm可并发执行数百个线程，并发能力取决于sm所拥有的资源数。当一个kernel被执行时，它的grid中的线程块被分配到sm上，一个线程块只能在一个sm上被调度。

#include<cuda_runtime.h>
#include<device_launch_parameters.h>
#include<stdio.h>
#include<stdlib.h>
#include<iostream>

using namespace std;

#define CHECK(call) \ {
       \ const cudaError_t err = call; \ if (err != cudaSuccess) \ {
       \ fprintf(stderr, "Error: %s:%d, ", __FILE__, __LINE__); \ fprintf(stderr, "code: %d, reason: %s\n", err, \ cudaGetErrorString(err)); \ exit(1); \ } \ }

int main()
{
    
	int dev = 0;
    cudaDeviceProp devProp;
    CHECK(cudaGetDeviceProperties(&devProp, dev));
    std::cout << "use gpu device: " << dev << ":" << devProp.name << std::endl;
    std::cout << "number of sm: " << devProp.multiProcessorCount << std::endl;
    std::cout << "shared memory space of each thread block: " << devProp.sharedMemPerBlock / 1024.0 << "KB" << std::endl;
    std::cout << "max thread number of each thread block: " << devProp.maxThreadsPerBlock << std::endl;
    std::cout << "max thread number of each em: " << devProp.maxThreadsPerMultiProcessor << std::endl;
    std::cout << "max thread number of each sm: " << devProp.maxThreadsPerMultiProcessor / 32 << std::endl;
}

cuda编程中的api：
cudaMalloc函数：cudaError_t cudaMalloc(void** devPtr, size_t size);
在device上申请一定字节大小的显存，其中devPtr是指向所分配内存的指针。同时要释放分配的内存使用cudaFree函数，另一个重要的函数是负责host和device之间数据通信的cudaMemcpy函数：
cudaError_t cudaMemcpy(void* dst, const void* src,size_t count, cudaMemcpyKind king)
src:指向数据源，dst是目标区域， const是复制的字节数，kind控制复制的方向：
cudaMemcpyHostToHost, cudaMemcpyHostToDevice, cudaMemcpyDeviceToHost以及cudaMemcpyDeviceToDevice。

#include<cuda_runtime.h>
#include<device_launch_parameters.h>
#include<iostream>

/*#define CHECK(call) \ { \ const cudaError_t err = call; \ if (err != cudaSuccess) \ { \ fprintf(stderr, "Error: %s:%d, ", __FILE__, __LINE__); \ fprintf(stderr, "code: %d, reason: %s\n", err, \ cudaGetErrorString(err)); \ exit(1); \ } \ } */

//内核函数
__global__ void add(float* x, float* y, float* z, int n)
{
    
    //获取全局索引 1-dim
    int index = threadIdx.x + blockIdx.x * blockDim.x;
    //步长
    int stride = blockDim.x * gridDim.x;
    for (int i = index; i < n; i += stride)
    {
    
        z[i] = x[i] + y[i];
    }
}

int main()
{
    
    int N = 1 << 20; //将1左移20位
    int nBytes = N * sizeof(float);

    //申请host空间
    float* x, * y, * z;
    x = (float*)malloc(nBytes);
    y = (float*)malloc(nBytes);
    z = (float*)malloc(nBytes);

    //初始化数据
    for (int i = 0; i < N; i++)
    {
    
        x[i] = 10.0;
        y[i] = 20.0;
    }
    //申请device内存
    float* d_x, * d_y, * d_z;
    cudaMalloc((void**)&d_x, nBytes);
    cudaMalloc((void**)&d_y, nBytes);
    cudaMalloc((void**)&d_z, nBytes);

    //将host数据拷贝到device
    cudaMemcpy((void*)d_x, (void*)x, nBytes, cudaMemcpyHostToDevice);
    cudaMemcpy((void*)d_y, (void*)y, nBytes, cudaMemcpyHostToDevice);

    //定义kernel的执行配置
    dim3 blockSize(256);
    dim3 gridSize((N + blockSize.x - 1) / blockSize.x);
    //执行kernel
    add << <gridSize, blockSize >> > (d_x, d_y, d_z, N);

    //将device得到结果拷贝到host
    cudaMemcpy((void*)z, (void*)d_z, nBytes, cudaMemcpyDeviceToHost);
    
    //检查执行结果
    float maxError = 0.0;
    for (int i = 0; i < N; i++)
    {
    
        maxError = fmax(maxError, fabs(z[i] - 30.0));
    }
    std::cout << "max error: " << maxError << std::endl;

    //释放device内存
    cudaFree(d_x);
    cudaFree(d_y);
    cudaFree(d_z);

    //释放host内存
    free(x);
    free(y);
    free(z);
    return 0;
}

统一内存管理，上面需要单独在host和device上进行内存分配，并进行数据拷贝，很容易出错。cuda6.0引入统一内存来避免这种麻烦。就是使用一个一个托管内存来共同管理host和device中的内存，并且自动在host和device中进行数据传输。cuda中使用cudaMallocManaged函数分配托管内存：
cudaError_t cudaMallocManaged(void** devPtr, size_t size, unsigned int flag=0);