找网页模板的网站,手机版wordpress怎样用,青岛网站seo,抖音代运营大概多少钱一个月Cuda elementwise - Add 一、简介1.1、ElementWise Add1.2、 float4 - 向量化访存 二、实践2.1、如何使用向量化访存2.1、简单的逐点相加核函数2.2、ElementWise Add float4#xff08;向量化访存#xff09;2.3、完整代码 一、简介
1.1、ElementWise Add Element-wise 操作… Cuda elementwise - Add 一、简介1.1、ElementWise Add1.2、 float4 - 向量化访存 二、实践2.1、如何使用向量化访存2.1、简单的逐点相加核函数2.2、ElementWise Add float4向量化访存2.3、完整代码 一、简介
1.1、ElementWise Add Element-wise 操作是最基础最简单的一种核函数的类型它的计算特点很符合GPU的工作方式:对于每个元素单独做一个算术操作然后直接输出。 Add 函数 逐点相加
传入 数组 a,b,c传入 数据数量 N传出结果 数组c
1.2、 float4 - 向量化访存 所谓向量化访存就是一次性读 4 个 float而不是单单 1 个 要点 小数据规模情况下可以不考虑向量化访存的优化方式大规模数据情况下考虑使用向量化访存且最好是缩小grid的维度为原来的1/4避免影响Occupancyfloat4 向量化访存只对数据规模大的时候有加速效果数据规模小的时候没有加速效果 float4的性能提升主要在于访存指令减少了(同样的数据规模以前需要4条指令现在只需1/4的指令)指令cache里就能存下更多指令提高指令cache的命中率。
判断是否用上了向量化访存是在 nsight compute 看生成的SASS代码里会有没有LDG.E.128 Rx, [Rx.64]或STG.E.128 [R6.64], Rx这些指令的存在。有则向量化成功没有则向量化失败。 官方参考链接1 官方参考链接2
二、实践
2.1、如何使用向量化访存
c
#define FLOAT4(value) *(float4*)((value))宏解释 对于一个值先对他取地址然后再把这个地址解释成 float4 对于这个 float4的指针对它再取一个值 这样编译器就可以一次读四个 float c
#define FLOAT4(value) (reinterpret_castfloat4*((value))[0])2.1、简单的逐点相加核函数
__global__ void elementwise_add(float* a, float* b, float* c, int N) {int idx blockIdx.x * blockDim.x threadIdx.x;if (idx N) c[idx] a[idx] b[idx];
}2.2、ElementWise Add float4向量化访存
__global__ void elementwise_add_float4(float* a, float* b, float *c, int N)
{int idx (blockDim.x * blockIdx.x threadIdx.x) * 4;if(idx N ){float4 tmp_a FLOAT4(a[idx]);float4 tmp_b FLOAT4(b[idx]);float4 tmp_c;tmp_c.x tmp_a.x tmp_b.x;tmp_c.y tmp_a.y tmp_b.y;tmp_c.z tmp_a.z tmp_b.z;tmp_c.w tmp_a.w tmp_b.w;FLOAT4(c[idx]) tmp_c;}
}将核函数写成 float4 的形式的时候首先要先使用宏定义参考1.3其次要注意线程数的变化。
线程数变化原因因为一个线程可以处理4个float了所以要减少 四倍的线程。
2.3、完整代码
elementwise_add.cu
#include stdio.h
#include stdlib.h
#include float.h
#include vector
#includeassert.h
#include algorithm
#include cublas_v2.h
#include cuda_runtime.h#define FLOAT4(value) *(float4*)((value))#define checkCudaErrors(func) \
{ \cudaError_t e (func); \if(e ! cudaSuccess) \printf (%s %d CUDA: %s\n, __FILE__, __LINE__, cudaGetErrorString(e)); \
}// ElementWise Add
// elementwise_addCeilDiv(N, block_size), block_size(d_A, d_B, d_C, N);
// a: Nx1, b: Nx1, c: Nx1, c elementwise_add(a, b)
__global__ void elementwise_add(float* a, float* b, float* c, int N) {int idx blockIdx.x * blockDim.x threadIdx.x;if (idx N) c[idx] a[idx] b[idx];
}__global__ void elementwise_add_float4(float* a, float* b, float *c, int N)
{int idx (blockDim.x * blockIdx.x threadIdx.x) * 4;if(idx N ){float4 tmp_a FLOAT4(a[idx]);float4 tmp_b FLOAT4(b[idx]);float4 tmp_c;tmp_c.x tmp_a.x tmp_b.x;tmp_c.y tmp_a.y tmp_b.y;tmp_c.z tmp_a.z tmp_b.z;tmp_c.w tmp_a.w tmp_b.w;FLOAT4(c[idx]) tmp_c;}
}template typename T
inline T CeilDiv(const T a, const T b) {return (a b - 1) / b;
}int main(){size_t block_size 128;size_t N 32 * 1024 * 1024;size_t bytes_A sizeof(float) * N;size_t bytes_B sizeof(float) * N;size_t bytes_C sizeof(float) * N;float* h_A (float*)malloc(bytes_A);float* h_B (float*)malloc(bytes_B);float* h_C (float*)malloc(bytes_C);for( int i 0; i N; i ){h_A[i] i / 666;}for( int i 0; i N; i ) {h_B[i] i % 666;}float* d_A;float* d_B;float* d_C;checkCudaErrors(cudaMalloc(d_A, bytes_A));checkCudaErrors(cudaMalloc(d_B, bytes_B));checkCudaErrors(cudaMalloc(d_C, bytes_C));checkCudaErrors(cudaMemcpy( d_A, h_A, bytes_A, cudaMemcpyHostToDevice));checkCudaErrors(cudaMemcpy( d_B, h_B, bytes_B, cudaMemcpyHostToDevice));cudaEvent_t start, stop;checkCudaErrors(cudaEventCreate(start));checkCudaErrors(cudaEventCreate(stop));float msec 0;int iteration 1;checkCudaErrors(cudaEventRecord(start));for(int i 0; i iteration; i){elementwise_addCeilDiv(N, block_size), block_size(d_A, d_B, d_C, N); //elementwise_add_float4CeilDiv(N, block_size), block_size/4(d_A, d_B, d_C, N); //elementwise_add_float4CeilDiv(N/4, block_size), block_size(d_A, d_B, d_C, N);}checkCudaErrors(cudaEventRecord(stop));checkCudaErrors(cudaEventSynchronize(stop));checkCudaErrors(cudaEventElapsedTime(msec, start, stop));printf(elementwise add takes %.5f msec\n, msec/iteration);checkCudaErrors(cudaMemcpy(h_C, d_C, bytes_C, cudaMemcpyDeviceToHost));for(int i 0; i N; i){double err fabs(h_C[i] - (h_A[i] h_B[i]));if(err 1.e-6) {printf(wrong answer!\n);break;}}cudaFree(d_A);cudaFree(d_B);cudaFree(d_C);free(h_A);free(h_B);free(h_C);return 0;
}编译和运行
nvcc -o elementwise_add elementwise_add.cu
./elementwise_add
