CUDA es una tecnología de computación paralela de NVIDIA y un lenguaje de programación para sus GPU.
Las GPU son máquinas altamente paralelas capaces de ejecutar miles de subprocesos ligeros en paralelo. Cada subproceso de GPU suele ser más lento en ejecución y su contexto es más pequeño. Por otro lado, GPU puede ejecutar varios miles de subprocesos en paralelo e incluso más concurrentemente (los números precisos dependen del modelo de GPU real). CUDA es un dialecto de C ++ diseñado específicamente para la arquitectura de GPU NVIDIA. Sin embargo, debido a las diferencias de arquitectura, la mayoría de los algoritmos no se pueden copiar y pegar simplemente desde C ++ simple; se ejecutarían, pero serían muy lentos.
El procesador de GPU habilitado para CUDA tiene la siguiente estructura física:
Además, cada SM cuenta con uno o más programadores warp . Cada programador envía una única instrucción a varios núcleos CUDA. Esto hace que el SM funcione de manera efectiva en el modo SIMD de 32 anchos.
La estructura física de la GPU tiene una influencia directa sobre cómo se ejecutan los núcleos en el dispositivo y cómo uno los programa en CUDA. El kernel se invoca con una configuración de llamada que especifica cuántos subprocesos paralelos se generan.
Cada subproceso se identifica mediante un índice de bloque blockIdx
e índice de subproceso dentro del bloque threadIdx
. Estos números pueden ser verificados en cualquier momento por cualquier hilo en ejecución y es la única forma de distinguir un hilo de otro.
Además, los hilos se organizan en urdimbres , cada uno de los cuales contiene exactamente 32 hilos. Los hilos dentro de una sola urdimbre se ejecutan en una sincronización perfecta, en la versión SIMD. Los hilos de diferentes deformaciones, pero dentro del mismo bloque pueden ejecutarse en cualquier orden, pero el programador puede obligarlos a sincronizar. Los hilos de diferentes bloques no se pueden sincronizar o interactuar directamente de ninguna manera.
En la programación normal de la CPU, la organización de la memoria suele estar oculta al programador. Los programas típicos actúan como si solo hubiera RAM. Todas las operaciones de la memoria, como la gestión de registros, el uso del almacenamiento en caché L1-L2-L3, el intercambio en el disco, etc., se realizan mediante el compilador, el sistema operativo o el hardware.
Este no es el caso con CUDA. Si bien los modelos de GPU más recientes ocultan parcialmente la carga, por ejemplo, a través de la Memoria unificada en CUDA 6, todavía vale la pena entender a la organización por razones de rendimiento. La estructura básica de la memoria CUDA es la siguiente:
Capacidad de cálculo | Arquitectura | Nombre en clave de GPU | Fecha de lanzamiento |
---|---|---|---|
1.0 | Tesla | G80 | 2006-11-08 |
1.1 | Tesla | G84, G86, G92, G94, G96, G98, | 2007-04-17 |
1.2 | Tesla | GT218, GT216, GT215 | 2009-04-01 |
1.3 | Tesla | GT200, GT200b | 2009-04-09 |
2.0 | Fermi | GF100, GF110 | 2010-03-26 |
2.1 | Fermi | GF104, GF106 GF108, GF114, GF116, GF117, GF119 | 2010-07-12 |
3.0 | Kepler | GK104, GK106, GK107 | 2012-03-22 |
3.2 | Kepler | GK20A | 2014-04-01 |
3.5 | Kepler | GK110, GK208 | 2013-02-19 |
3.7 | Kepler | GK210 | 2014-11-17 |
5.0 | Maxwell | GM107, GM108 | 2014-02-18 |
5.2 | Maxwell | GM200, GM204, GM206 | 2014-09-18 |
5.3 | Maxwell | GM20B | 2015-04-01 |
6.0 | Pascal | GP100 | 2016-10-01 |
6.1 | Pascal | GP102, GP104, GP106 | 2016-05-27 |
La fecha de lanzamiento marca el lanzamiento de la primera GPU que admite la capacidad de cálculo dada. Algunas fechas son aproximadas, por ejemplo, la tarjeta 3.2 se lanzó en el segundo trimestre de 2014.
La guía de instalación de NVIDIA termina con la ejecución de los programas de ejemplo para verificar su instalación del kit de herramientas de CUDA, pero no indica explícitamente cómo. En primer lugar, compruebe todos los requisitos previos. Compruebe el directorio predeterminado de CUDA para los programas de muestra. Si no está presente, se puede descargar desde el sitio web oficial de CUDA. Navegue hasta el directorio donde están presentes los ejemplos.
$ cd /path/to/samples/
$ ls
Debería ver una salida similar a:
0_Simple 2_Graphics 4_Finance 6_Advanced bin EULA.txt
1_Utilities 3_Imaging 5_Simulations 7_CUDALibraries common Makefile
Asegúrese de que el Makefile
esté presente en este directorio. El comando make
en los sistemas basados en UNIX construirá todos los programas de ejemplo. Alternativamente, navegue a un subdirectorio donde esté presente otro Makefile
y ejecute el comando make
desde allí para compilar solo esa muestra.
Ejecute los dos programas de ejemplo sugeridos: deviceQuery
y bandwidthTest
:
$ cd 1_Utilities/deviceQuery/
$ ./deviceQuery
La salida será similar a la que se muestra a continuación:
./deviceQuery Starting...
CUDA Device Query (Runtime API) version (CUDART static linking)
Detected 1 CUDA Capable device(s)
Device 0: "GeForce GTX 950M"
CUDA Driver Version / Runtime Version 7.5 / 7.5
CUDA Capability Major/Minor version number: 5.0
Total amount of global memory: 4096 MBytes (4294836224 bytes)
( 5) Multiprocessors, (128) CUDA Cores/MP: 640 CUDA Cores
GPU Max Clock rate: 1124 MHz (1.12 GHz)
Memory Clock rate: 900 Mhz
Memory Bus Width: 128-bit
L2 Cache Size: 2097152 bytes
Maximum Texture Dimension Size (x,y,z) 1D=(65536), 2D=(65536, 65536), 3D=(4096, 4096, 4096)
Maximum Layered 1D Texture Size, (num) layers 1D=(16384), 2048 layers
Maximum Layered 2D Texture Size, (num) layers 2D=(16384, 16384), 2048 layers
Total amount of constant memory: 65536 bytes
Total amount of shared memory per block: 49152 bytes
Total number of registers available per block: 65536
Warp size: 32
Maximum number of threads per multiprocessor: 2048
Maximum number of threads per block: 1024
Max dimension size of a thread block (x,y,z): (1024, 1024, 64)
Max dimension size of a grid size (x,y,z): (2147483647, 65535, 65535)
Maximum memory pitch: 2147483647 bytes
Texture alignment: 512 bytes
Concurrent copy and kernel execution: Yes with 1 copy engine(s)
Run time limit on kernels: Yes
Integrated GPU sharing Host Memory: No
Support host page-locked memory mapping: Yes
Alignment requirement for Surfaces: Yes
Device has ECC support: Disabled
Device supports Unified Addressing (UVA): Yes
Device PCI Domain ID / Bus ID / location ID: 0 / 1 / 0
Compute Mode:
< Default (multiple host threads can use ::cudaSetDevice() with device simultaneously) >
deviceQuery, CUDA Driver = CUDART, CUDA Driver Version = 7.5, CUDA Runtime Version = 7.5, NumDevs = 1, Device0 = GeForce GTX 950M
Result = PASS
La instrucción Result = PASS
al final indica que todo funciona correctamente. Ahora, ejecute la otra prueba de bandwidthTest
de bandwidthTest
programa de muestra sugerida de una manera similar. La salida será similar a:
[CUDA Bandwidth Test] - Starting...
Running on...
Device 0: GeForce GTX 950M
Quick Mode
Host to Device Bandwidth, 1 Device(s)
PINNED Memory Transfers
Transfer Size (Bytes) Bandwidth(MB/s)
33554432 10604.5
Device to Host Bandwidth, 1 Device(s)
PINNED Memory Transfers
Transfer Size (Bytes) Bandwidth(MB/s)
33554432 10202.0
Device to Device Bandwidth, 1 Device(s)
PINNED Memory Transfers
Transfer Size (Bytes) Bandwidth(MB/s)
33554432 23389.7
Result = PASS
NOTE: The CUDA Samples are not meant for performance measurements. Results may vary when GPU Boost is enabled.
Nuevamente, la instrucción Result = PASS
indica que todo se ejecutó correctamente. Todos los demás programas de ejemplo se pueden ejecutar de una manera similar.
Este sencillo programa CUDA demuestra cómo escribir una función que se ejecutará en la GPU (también conocido como "dispositivo"). La CPU, o "host", crea subprocesos CUDA llamando a funciones especiales llamadas "kernels". Los programas CUDA son programas C ++ con sintaxis adicional.
Para ver cómo funciona, coloque el siguiente código en un archivo llamado hello.cu
:
#include <stdio.h>
// __global__ functions, or "kernels", execute on the device
__global__ void hello_kernel(void)
{
printf("Hello, world from the device!\n");
}
int main(void)
{
// greet from the host
printf("Hello, world from the host!\n");
// launch a kernel with a single thread to greet from the device
hello_kernel<<<1,1>>>();
// wait for the device to finish so that we see the message
cudaDeviceSynchronize();
return 0;
}
(Tenga en cuenta que para utilizar la función printf
en el dispositivo, necesita un dispositivo que tenga una capacidad de cómputo de al menos 2.0. Consulte la descripción general de las versiones para obtener más información).
Ahora compilemos el programa usando el compilador NVIDIA y ejecutémoslo:
$ nvcc hello.cu -o hello
$ ./hello
Hello, world from the host!
Hello, world from the device!
Alguna información adicional sobre el ejemplo anterior:
nvcc
significa "Compilador NVIDIA CUDA". Separa el código fuente en componentes de host y dispositivo. __global__
es una palabra clave CUDA utilizada en las declaraciones de funciones que indica que la función se ejecuta en el dispositivo GPU y se llama desde el host. <<<
, >>>
) marcan una llamada desde el código del host al código del dispositivo (también llamado "lanzamiento del kernel"). Los números entre estos tres paréntesis indican el número de veces que se ejecutan en paralelo y el número de subprocesos. Para comenzar a programar con CUDA, descargue e instale el kit de herramientas CUDA y el controlador del desarrollador . El kit de herramientas incluye nvcc
, el compilador NVIDIA CUDA y otro software necesario para desarrollar aplicaciones CUDA. El controlador garantiza que los programas de GPU se ejecuten correctamente en un hardware compatible con CUDA , que también necesitará.
Puede confirmar que el kit de herramientas CUDA está instalado correctamente en su máquina ejecutando nvcc --version
desde una línea de comandos. Por ejemplo, en una máquina Linux,
$ nvcc --version
nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2016 NVIDIA Corporation
Built on Tue_Jul_12_18:28:38_CDT_2016
Cuda compilation tools, release 8.0, V8.0.32
genera la información del compilador. Si el comando anterior no tuvo éxito, es probable que el kit de herramientas CUDA no esté instalado, o que la ruta a nvcc
( C:\CUDA\bin
en máquinas Windows, /usr/local/cuda/bin
en sistemas operativos POSIX) no sea parte de su Variable de entorno PATH
.
Además, también necesitará un compilador host que funcione con nvcc
para compilar y crear programas CUDA. En Windows, este es cl.exe
, el compilador de Microsoft, que se incluye con Microsoft Visual Studio. En los sistemas operativos POSIX, hay otros compiladores disponibles, incluidos gcc
o g++
. La Guía de inicio rápido oficial de CUDA puede decirle qué versiones de compilador son compatibles con su plataforma en particular.
Para asegurarnos de que todo esté configurado correctamente, compilemos y ejecutemos un programa trivial de CUDA para asegurarnos de que todas las herramientas funcionen juntas correctamente.
__global__ void foo() {}
int main()
{
foo<<<1,1>>>();
cudaDeviceSynchronize();
printf("CUDA error: %s\n", cudaGetErrorString(cudaGetLastError()));
return 0;
}
Para compilar este programa, cópielo en un archivo llamado test.cu y compílelo desde la línea de comandos. Por ejemplo, en un sistema Linux, lo siguiente debería funcionar:
$ nvcc test.cu -o test
$ ./test
CUDA error: no error
Si el programa tiene éxito sin error, ¡entonces comencemos a codificar!
Este ejemplo ilustra cómo crear un programa simple que sumará dos arrays int
con CUDA.
Un programa CUDA es heterogéneo y consta de partes que se ejecutan tanto en la CPU como en la GPU.
Las partes principales de un programa que utiliza CUDA son similares a los programas de CPU y consisten en
Para asignar memoria a los dispositivos cudaMalloc
función cudaMalloc
. Para copiar datos entre el dispositivo y el host se puede utilizar la función cudaMemcpy
. El último argumento de cudaMemcpy
especifica la dirección de la operación de copia. Hay 5 tipos posibles:
cudaMemcpyHostToHost
- Host -> Host cudaMemcpyHostToDevice
- Host -> Dispositivo cudaMemcpyDeviceToHost
- Dispositivo -> Host cudaMemcpyDeviceToDevice
- Dispositivo -> Dispositivo cudaMemcpyDefault
: espacio de direcciones virtuales unificadas basadas en cudaMemcpyDefault
predeterminados A continuación se invoca la función del núcleo. La información entre los chevrones triples es la configuración de ejecución, que determina cuántos subprocesos de dispositivo ejecutan el kernel en paralelo. El primer número ( 2
en el ejemplo) especifica el número de bloques y el segundo ( (size + 1) / 2
en el ejemplo) - número de hilos en un bloque. Tenga en cuenta que en este ejemplo agregamos 1 al tamaño, de modo que solicitamos un hilo adicional en lugar de tener un hilo responsable de dos elementos.
Dado que la invocación del kernel es una función asíncrona, se llama a cudaDeviceSynchronize
para esperar hasta que se complete la ejecución. Las matrices de resultados se copian en la memoria del host y toda la memoria asignada en el dispositivo se libera con cudaFree
.
Para definir la función como kernel __global__
se usa el especificador de declaración. Esta función será invocada por cada hilo. Si queremos que cada subproceso procese un elemento de la matriz resultante, entonces necesitamos un medio para distinguir e identificar cada subproceso. CUDA define las variables blockDim
, blockIdx
y threadIdx
. La variable predefinida blockDim
contiene las dimensiones de cada bloque de subprocesos como se especifica en el segundo parámetro de configuración de ejecución para el lanzamiento del kernel. Las variables predefinidas threadIdx
y blockIdx
contienen el índice del hilo dentro de su bloque de hilo y el bloque del hilo dentro de la cuadrícula, respectivamente. Tenga en cuenta que dado que potencialmente solicitamos un subproceso más que los elementos en las matrices, debemos pasar de size
para asegurarnos de que no accedamos más allá del final de la matriz.
#include "cuda_runtime.h"
#include "device_launch_parameters.h"
#include <stdio.h>
__global__ void addKernel(int* c, const int* a, const int* b, int size) {
int i = blockIdx.x * blockDim.x + threadIdx.x;
if (i < size) {
c[i] = a[i] + b[i];
}
}
// Helper function for using CUDA to add vectors in parallel.
void addWithCuda(int* c, const int* a, const int* b, int size) {
int* dev_a = nullptr;
int* dev_b = nullptr;
int* dev_c = nullptr;
// Allocate GPU buffers for three vectors (two input, one output)
cudaMalloc((void**)&dev_c, size * sizeof(int));
cudaMalloc((void**)&dev_a, size * sizeof(int));
cudaMalloc((void**)&dev_b, size * sizeof(int));
// Copy input vectors from host memory to GPU buffers.
cudaMemcpy(dev_a, a, size * sizeof(int), cudaMemcpyHostToDevice);
cudaMemcpy(dev_b, b, size * sizeof(int), cudaMemcpyHostToDevice);
// Launch a kernel on the GPU with one thread for each element.
// 2 is number of computational blocks and (size + 1) / 2 is a number of threads in a block
addKernel<<<2, (size + 1) / 2>>>(dev_c, dev_a, dev_b, size);
// cudaDeviceSynchronize waits for the kernel to finish, and returns
// any errors encountered during the launch.
cudaDeviceSynchronize();
// Copy output vector from GPU buffer to host memory.
cudaMemcpy(c, dev_c, size * sizeof(int), cudaMemcpyDeviceToHost);
cudaFree(dev_c);
cudaFree(dev_a);
cudaFree(dev_b);
}
int main(int argc, char** argv) {
const int arraySize = 5;
const int a[arraySize] = { 1, 2, 3, 4, 5 };
const int b[arraySize] = { 10, 20, 30, 40, 50 };
int c[arraySize] = { 0 };
addWithCuda(c, a, b, arraySize);
printf("{1, 2, 3, 4, 5} + {10, 20, 30, 40, 50} = {%d, %d, %d, %d, %d}\n", c[0], c[1], c[2], c[3], c[4]);
cudaDeviceReset();
return 0;
}