3

这里我尝试使用一些伪代码自我解释CUDA启动参数模型(或执行配置模型),但不知道是否有一些错误,所以希望有人帮助审查它,并给我一些建议。谢谢先进。

这里是:

/*
  normally, we write kernel function like this.
  note, __global__ means this function will be called from host codes,
  and executed on device. and a __global__ function could only return void.
  if there's any parameter passed into __global__ function, it should be stored
  in shared memory on device. so, kernel function is so different from the *normal*
  C/C++ functions. if I was the CUDA authore, I should make the kernel function more
  different  from a normal C function.
*/

__global__ void
kernel(float *arr_on_device, int n) {
        int idx = blockIdx.x * blockDIm.x + threadIdx.x;
        if (idx < n) {
                arr_on_device[idx] = arr_on_device[idx] * arr_on_device[idx];
        }
}

/*
  after this definition, we could call this kernel function in our normal C/C++ codes !!
  do you feel something wired ? un-consistant ?
  normally, when I write C codes, I will think a lot about the execution process down to
  the metal in my mind, and this one...it's like some fragile codes. break the sequential
  thinking process in my mind.
  in order to make things normal, I found a way to explain: I expand the *__global__ * function
  to some pseudo codes:
*/

#define __foreach(var, start, end) for (var = start, var < end; ++var)

__device__ int
__indexing() {
        const int blockId = blockIdx.x * gridDim.x + gridDim.x * gridDim.y * blockIdx.z;

        return 
                blockId * (blockDim.x * blockDim.y * blockDim.z) +
                threadIdx.z * (blockDim.x * blockDim.y) +
                threadIdx.x;
}

global_config =:
        {
                /*
                  global configuration.
                  note the default values are all 1, so in the kernel codes,
                  we could just ignore those dimensions.
                 */ 
                gridDim.x = gridDim.y = gridDim.z = 1;
                blockDim.x = blockDim.y = blockDim.z = 1;
        };

kernel =:
        {
                /*
                  I thought CUDA did some bad evil-detail-covering things here.
                  it's said that CUDA C is an extension of C, but in my mind,
                  CUDA C is more like C++, and the *<<<>>>* part is too tricky.
                  for example:
                  kernel<<<10, 32>>>(); means kernel will execute in 10 blocks each have 32 threads.

                  dim3 dimG(10, 1, 1);
                  dim3 dimB(32, 1, 1);
                  kernel<<<dimG, dimB>>>(); this is exactly the same thing with above.

                  it's not C style, and C++ style ? at first, I thought this could be done by
                  C++'s constructor stuff, but I checked structure *dim3*, there's no proper
                  constructor for this. this just brroke the semantics of both C and C++. I thought
                  force user to use *kernel<<<dim3, dim3>>>* would be better. So I'd like to keep
                  this rule in my future codes.
                */

                gridDim  = dimG;
                blockDim = dimB;

                __foreach(blockIdx.z,  0, gridDim.z)
                __foreach(blockIdx.y,  0, gridDim.y)
                __foreach(blockIdx.x,  0, gridDim.x)
                __foreach(threadIdx.z, 0, blockDim.z)
                __foreach(threadIdx.y, 0, blockDim.y)
                __foreach(threadIdx.x, 0, blockDim.x)
                {
                        const int idx = __indexing();        
                        if (idx < n) {
                                arr_on_device[idx] = arr_on_device[idx] * arr_on_device[idx];
                        }
                }
        };

/*
  so, for me, gridDim & blockDim is like some boundaries.
  e.g. gridDim.x is the upper bound of blockIdx.x, this is not that obvious for people like me.
 */

/* the declaration of dim3 from vector_types.h of CUDA/include */
struct __device_builtin__ dim3
{
        unsigned int x, y, z;
#if defined(__cplusplus)
        __host__ __device__ dim3(unsigned int vx = 1, unsigned int vy = 1, unsigned int vz = 1) : x(vx), y(vy), z(vz) {}
        __host__ __device__ dim3(uint3 v) : x(v.x), y(v.y), z(v.z) {}
        __host__ __device__ operator uint3(void) { uint3 t; t.x = x; t.y = y; t.z = z; return t; }
#endif /* __cplusplus */
};

typedef __device_builtin__ struct dim3 dim3;
4

3 回答 3

12

CUDA 驱动程序 API

CUDA Driver API v4.0 及更高版本使用以下函数来控制内核启动:

cuFuncSetCacheConfig
cuFuncSetSharedMemConfig
cuLaunchKernel

在 v4.0 中引入 cuLaunchKernel 之前,使用了以下 CUDA 驱动程序 API 函数。

cuFuncSetBlockShape()
cuFuncSetSharedSize()
cuParamSet{Size,i,fv}()
cuLaunch
cuLaunchGrid

可以在 cuda.h 中找到有关这些函数的更多信息。

CUresult CUDAAPI cuLaunchKernel(CUfunction f,
    unsigned int gridDimX,
    unsigned int gridDimY,
    unsigned int gridDimZ,
    unsigned int blockDimX,
    unsigned int blockDimY,
    unsigned int blockDimZ,
    unsigned int sharedMemBytes,
    CUstream hStream,
    void **kernelParams,
    void **extra);

cuLaunchKernel 将整个启动配置作为参数。

有关详细信息,请参阅 NVIDIA 驱动程序 API[执行控制] 1

CUDA 内核启动

cuLaunchKernel 将 1. 验证启动参数 2. 更改共享内存配置 3. 更改本地内存分配 4. 将流同步令牌推送到命令缓冲区以确保流中的两个命令不重叠 4. 推送启动参数进入命令缓冲区 5. 将启动命令推入命令缓冲区 6. 将命令缓冲区提交到设备(在 wddm 驱动程序上,此步骤可能会延迟) 7. 在 wddm 上,内核驱动程序将分页设备内存中所需的所有内存

GPU 将 1. 验证命令 2. 将命令发送到计算工作分配器 3. 将启动配置和线程块分派给 SM

当所有线程块完成时,工作分配器将刷新缓存以遵守 CUDA 内存模型,并将内核标记为已完成,以便流中的下一项可以向前推进。

分派线程块的顺序因体系结构而异。

计算能力 1.x 设备将内核参数存储在共享内存中。计算能力 2.0-3.5 设备将 kenrel 参数存储在常量内存中。

CUDA 运行时 API

CUDA Runtime 是一个 C++ 软件库和构建在 CUDA Driver API 之上的工具链。CUDA 运行时使用以下函数来控制内核启动:

cudaConfigureCall cudaFuncSetCacheConfig cudaFuncSetSharedMemConfig cudaLaunch cudaSetupArgument

请参阅 NVIDIA 运行时 API[执行控制] 2

<<<>>> CUDA 语言扩展是用于启动内核的最常用方法。

在编译期间,nvcc 将为每个使用 <<<>>> 调用的内核函数创建一个新的 CPU 存根函数,并将用对存根函数的调用替换 <<<>>>。

例如

__global__ void kernel(float* buf, int j)
{
    // ...
}

kernel<<<blocks,threads,0,myStream>>>(d_buf,j);

生成

void __device_stub__Z6kernelPfi(float *__par0, int __par1){__cudaSetupArgSimple(__par0, 0U);__cudaSetupArgSimple(__par1, 4U);__cudaLaunch(((char *)((void ( *)(float *, int))kernel)));}

您可以通过在 nvcc 命令行中添加 --keep 来检查生成的文件。

cudaLaunch 调用 cuLaunchKernel。

CUDA 动态并行

CUDA CDP 的工作方式类似于上述的 CUDA 运行时 API。

于 2013-10-09T20:26:59.517 回答
3

通过使用<<<...>>>,您将在 GPU 中启动多个线程。这些线程被分组为块并形成一个大网格。所有线程都将执行调用的内核函数代码。

在内核函数中,内置变量threadIdxblockIdx使代码知道它运行哪个线程并完成预定部分的工作。

编辑

基本上,<<<...>>>简化了启动内核的配置过程。如果不使用它,一个内核启动可能需要调用 4~5 个 API,就像 OpenCL 方式一样,它只使用 C99 语法。

事实上,您可以检查 CUDA 驱动程序 API。它可能会提供所有这些 API,因此您无需使用<<<>>>.

于 2013-10-08T06:42:21.233 回答
1

基本上,GPU 分为独立的“设备”GPU(例如 GeForce 690 有 2 个)-> 多个 SM(流式多处理器)-> 多个 CUDA 内核。据我所知,块或网格的维度只是与硬件无关的逻辑分配,但块的总大小(x*y*z)非常重要。

块中的线程必须在同一个 SM 上,才能使用其共享内存和同步功能。因此,您不能拥有比 SM 中包含的 CUDA 内核更多的线程的块。

如果我们有一个简单的场景,我们有 16 个 SM,每个 32 个 CUDA 核心,我们有 31x1x1 的块大小和 20x1x1 的网格大小,我们将失去至少 1/32 的卡处理能力。每次运行一个块时,一个 SM 的 32 个内核中只有 31 个处于忙碌状态。块将加载以填满 SM,我们将大致同时完成 16 个块,并且随着前 4 个 SM 释放,它们将开始处理最后 4 个块(不一定是块 #17-20)。

欢迎评论和指正。

于 2013-10-09T14:52:41.397 回答