CUDA学习笔记二



前言

线程的组织形式对程序的性能影响是至关重要的，本篇博文主要以下面一种情况来介绍线程组织形式：

2D grid 2D block

一些基本的描述：
gridDim.x-线程网络X维度上线程块的数量
gridDim.y-线程网络Y维度上线程块的数量
blockDim.x-一个线程块X维度上的线程数量
blockDim.y-一个线程块Y维度上的线程数量
blockIdx.x-线程网络X维度上的线程块索引
blockIdx.y-线程网络Y维度上的线程块索引
threadIdx.x-线程块X维度上的线程索引
threadIdx.y-线程块Y维度上的线程索引

线程索引

一般，一个矩阵以线性存储在global memory中的，并以行来实现线性：



在kernel里，线程的唯一索引非常有用，为了确定一个线程的索引，我们以2D为例：

线程和block索引
矩阵中元素坐标
线性global memory 的偏移

首先可以将thread和block索引映射到矩阵坐标：

ix = threadIdx.x + blockIdx.x * blockDim.x

iy = threadIdx.y + blockIdx.y * blockDim.y

之后可以利用上述变量计算线性地址：

idx = iy * nx + ix



上图展示了block和thread索引，矩阵坐标以及线性地址之间的关系，谨记，相邻的thread拥有连续的threadIdx.x，也就是索引为(0,0)(1,0)(2,0)(3,0)...的thread连续，而不是(0,0)(0,1)(0,2)(0,3)...连续，跟我们线代里玩矩阵的时候不一样。

现在可以验证出下面的关系：

thread_id（2,1）block_id（1,0） coordinate（6,1） global index 14 ival 14

下图显示了三者之间的关系：

代码

int main(int argc, char **argv) {
　　printf("%s Starting...\n", argv[0]);
　　// set up device
　　int dev = 0;
　　cudaDeviceProp deviceProp;
　　CHECK(cudaGetDeviceProperties(&deviceProp, dev));
　　printf("Using Device %d: %s\n", dev, deviceProp.name);
　　CHECK(cudaSetDevice(dev));

　　// set up date size of matrix
　　int nx = 1<<14;
　　int ny = 1<<14;
　　int nxy = nx*ny;
　　int nBytes = nxy * sizeof(float);
　　printf("Matrix size: nx %d ny %d\n",nx, ny);

　　// malloc host memory
　　float *h_A, *h_B, *hostRef, *gpuRef;
　　h_A = (float *)malloc(nBytes);
　　h_B = (float *)malloc(nBytes);
　　hostRef = (float *)malloc(nBytes);
　　gpuRef = (float *)malloc(nBytes);
　　
　　// initialize data at host side
　　double iStart = cpuSecond();
　　initialData (h_A, nxy);
　　initialData (h_B, nxy);
　　double iElaps = cpuSecond() - iStart;
　　memset(hostRef, 0, nBytes);
　　memset(gpuRef, 0, nBytes);

　　// add matrix at host side for result checks
　　iStart = cpuSecond();
　　sumMatrixOnHost (h_A, h_B, hostRef, nx,ny);
　　iElaps = cpuSecond() - iStart;

　　// malloc device global memory
　　float *d_MatA, *d_MatB, *d_MatC;
　　cudaMalloc((void **)&d_MatA, nBytes);
　　cudaMalloc((void **)&d_MatB, nBytes);
　　cudaMalloc((void **)&d_MatC, nBytes);
　　
　　// transfer data from host to device
　　cudaMemcpy(d_MatA, h_A, nBytes, cudaMemcpyHostToDevice);
　　cudaMemcpy(d_MatB, h_B, nBytes, cudaMemcpyHostToDevice);

　　// invoke kernel at host side
　　int dimx = 32;
　　int dimy = 32;
　　dim3 block(dimx, dimy);
　　dim3 grid((nx+block.x-1)/block.x, (ny+block.y-1)/block.y);
　　iStart = cpuSecond();
　　sumMatrixOnGPU2D <<< grid, block >>>(d_MatA, d_MatB, d_MatC, nx, ny);
　　cudaDeviceSynchronize();
　　iElaps = cpuSecond() - iStart;
　　printf("sumMatrixOnGPU2D <<<(%d,%d), (%d,%d)>>> elapsed %f sec\n", grid.x,
　　grid.y, block.x, block.y, iElaps);

　　// copy kernel result back to host side
　　cudaMemcpy(gpuRef, d_MatC, nBytes, cudaMemcpyDeviceToHost);

　　// check device results
　　checkResult(hostRef, gpuRef, nxy);
　　
　　// free device global memory
　　cudaFree(d_MatA);
　　cudaFree(d_MatB);
　　cudaFree(d_MatC);

　　// free host memory
　　free(h_A);
　　free(h_B);
　　free(hostRef);
　　free(gpuRef);

　　// reset device
　　cudaDeviceReset();
　　return (0);
}

编译运行：

$ nvcc -arch=sm_20 sumMatrixOnGPU-2D-grid-2D-block.cu -o matrix2D
$ ./matrix2D

输出：

./a.out Starting...
Using Device 0: Tesla M2070
Matrix size: nx 16384 ny 16384
sumMatrixOnGPU2D <<<(512,512), (32,32)>>> elapsed 0.060323 sec
Arrays match.

接下来，我们更改block配置为32x16，重新编译，输出为：

sumMatrixOnGPU2D <<<(512,1024), (32,16)>>> elapsed 0.038041 sec

可以看到，性能提升了一倍，直观的来看，我们会认为第二个配置比第一个多了一倍的block所以性能提升一倍，实际上也确实是因为block增加了。但是，如果你继续增加block的数量，则性能又会降低：

sumMatrixOnGPU2D <<< (1024,1024), (16,16) >>> elapsed 0.045535 sec

下图展示了不同配置的性能;



关于性能的分析将在之后的博文中总结，现在只是了解下，本文在于掌握线程组织的方法。