以下CUDA sample是分别用C++和CUDA实现的两向量相加操作，参考CUDA 8.0中的sample:C:\ProgramData\NVIDIA Corporation\CUDA Samples\v8.0\0_Simple，并对其中使用到的CUDA函数进行了解说，各个文件内容如下：
common.hpp:
#ifndef FBC_CUDA_TEST_COMMON_HPP_
#define FBC_CUDA_TEST_COMMON_HPP_
#define PRINT_ERROR_INFO(info) { \
fprintf(stderr, "Error: %s, file: %s, func: %s, line: %d\n", #info, __FILE__, __FUNCTION__, __LINE__); \
return -1; }
#define EXP 1.0e-5
#endif // FBC_CUDA_TEST_COMMON_HPP_
#ifndef FBC_CUDA_TEST_SIMPLE_HPP_
#define FBC_CUDA_TEST_SIMPLE_HPP_
// reference: C:\ProgramData\NVIDIA Corporation\CUDA Samples\v8.0\0_Simple
int test_vectorAdd();
int vectorAdd_cpu(const float *A, const float *B, float *C, int numElements);
int vectorAdd_gpu(const float *A, const float *B, float *C, int numElements);
#endif // FBC_CUDA_TEST_SIMPLE_HPP_
#include "simple.hpp"
#include <random>
#include <iostream>
#include <vector>
#include "common.hpp"
// =========================== vector add =============================
int test_vectorAdd()
{
// Vector addition: C = A + B, implements element by element vector addition
const int numElements{ 50000 };
std::vector<float> A(numElements), B(numElements), C1(numElements), C2(numElements);
// Initialize vector
for (int i = 0; i < numElements; ++i) {
A[i] = rand() / (float)RAND_MAX;
B[i] = rand() / (float)RAND_MAX;
}
int ret = vectorAdd_cpu(A.data(), B.data(), C1.data(), numElements);
if (ret != 0) PRINT_ERROR_INFO(vectorAdd_cpu);
ret = vectorAdd_gpu(A.data(), B.data(), C2.data(), numElements);
if (ret != 0) PRINT_ERROR_INFO(vectorAdd_gpu);
for (int i = 0; i < numElements; ++i) {
if (fabs(C1[i] - C2[i]) > EXP) {
fprintf(stderr, "Result verification failed at element %d!\n", i);
return -1;
}
}
return 0;
}
int vectorAdd_cpu(const float* A, const float* B, float* C, int numElements)
{
for (int i = 0; i < numElements; ++i) {
C[i] = A[i] + B[i];
}
return 0;
}
#include "simple.hpp"
#include <iostream>
#include <cuda_runtime.h> // For the CUDA runtime routines (prefixed with "cuda_")
#include <device_launch_parameters.h>
#include "common.hpp"
// reference: C:\ProgramData\NVIDIA Corporation\CUDA Samples\v8.0\0_Simple
// =========================== vector add =============================
/* __global__: 函数类型限定符;在设备上运行;在主机端调用,计算能力3.2及以上可以在
设备端调用;声明的函数的返回值必须是void类型;对此类型函数的调用是异步的,即在
设备完全完成它的运行之前就返回了;对此类型函数的调用必须指定执行配置,即用于在
设备上执行函数时的grid和block的维度,以及相关的流(即插入<<< >>>运算符);
a kernel,表示此函数为内核函数(运行在GPU上的CUDA并行计算函数称为kernel(内核函
数),内核函数必须通过__global__函数类型限定符定义);*/
__global__ void vectorAdd(const float *A, const float *B, float *C, int numElements)
{
/* blockDim: 内置变量,用于说明每个block的维度与尺寸.为dim3类型,包含
了block在三个维度上的尺寸信息;对于所有线程块来说,这个变量是一个常数,
保存的是线程块中每一维的线程数量;
blockIdx: 内置变量,变量中包含的值就是当前执行设备代码的线程块的索引;用
于说明当前thread所在的block在整个grid中的位置,blockIdx.x取值范围是
[0,gridDim.x-1],blockIdx.y取值范围是[0, gridDim.y-1].为uint3类型,
包含了一个block在grid中各个维度上的索引信息;
threadIdx: 内置变量,变量中包含的值就是当前执行设备代码的线程索引;用于
说明当前thread在block中的位置;如果线程是一维的可获取threadIdx.x,如果
是二维的还可获取threadIdx.y,如果是三维的还可获取threadIdx.z;为uint3类
型,包含了一个thread在block中各个维度的索引信息 */
int i = blockDim.x * blockIdx.x + threadIdx.x;
if (i < numElements) {
C[i] = A[i] + B[i];
}
}
int vectorAdd_gpu(const float *A, const float *B, float *C, int numElements)
{
/* Error code to check return values for CUDA calls
cudaError_t: CUDA Error types, 枚举类型,CUDA错误码,成功返回
cudaSuccess(0),否则返回其它(>0) */
cudaError_t err{ cudaSuccess };
size_t length{ numElements * sizeof(float) };
float *d_A{ nullptr }, *d_B{ nullptr }, *d_C{ nullptr };
// cudaMalloc: 在设备端分配内存
err = cudaMalloc(&d_A, length);
if (err != cudaSuccess) {
// cudaGetErrorString: 返回错误码的描述字符串
fprintf(stderr, "Failed to allocate device vector A (error code %s)!\n",
cudaGetErrorString(err));
return -1;
}
err = cudaMalloc(&d_B, length);
if (err != cudaSuccess) PRINT_ERROR_INFO(cudaMalloc);
err = cudaMalloc(&d_C, length);
if (err != cudaSuccess) PRINT_ERROR_INFO(cudaMalloc);
/* cudaMemcpy: 在主机端和设备端拷贝数据,此函数第四个参数仅能是下面之一:
(1). cudaMemcpyHostToHost: 拷贝数据从主机端到主机端
(2). cudaMemcpyHostToDevice: 拷贝数据从主机端到设备端
(3). cudaMemcpyDeviceToHost: 拷贝数据从设备端到主机端
(4). cudaMemcpyDeviceToDevice: 拷贝数据从设备端到设备端
(5). cudaMemcpyDefault: 从指针值自动推断拷贝数据方向,需要支持
统一虚拟寻址(CUDA6.0及以上版本) */
err = cudaMemcpy(d_A, A, length, cudaMemcpyHostToDevice);
if (err != cudaSuccess) PRINT_ERROR_INFO(cudaMemcpy);
err = cudaMemcpy(d_B, B, length, cudaMemcpyHostToDevice);
if (err != cudaSuccess) PRINT_ERROR_INFO(cudaMemcpy);
// Launch the Vector Add CUDA kernel
const int threadsPerBlock{ 256 };
const int blocksPerGrid = (numElements + threadsPerBlock - 1) / threadsPerBlock;
fprintf(stderr, "CUDA kernel launch with %d blocks of %d threads\n",
blocksPerGrid, threadsPerBlock);
/* <<< >>>: 为CUDA引入的运算符,指定线程网格和线程块维度等,传递执行参
数给CUDA编译器和运行时系统,用于说明内核函数中的线程数量,以及线程是如何
组织的;尖括号中这些参数并不是传递给设备代码的参数,而是告诉运行时如何
启动设备代码,传递给设备代码本身的参数是放在圆括号中传递的,就像标准的函
数调用一样;不同计算能力的设备对线程的总数和组织方式有不同的约束;必须
先为kernel中用到的数组或变量分配好足够的空间,再调用kernel函数,否则在
GPU计算时会发生错误,例如越界等;
使用运行时API时,需要在调用的内核函数名与参数列表直接以<<<Dg,Db,Ns,S>>>
的形式设置执行配置,其中：Dg是一个dim3型变量,用于设置grid的维度和各个
维度上的尺寸.设置好Dg后,grid中将有Dg.x*Dg.y个block,Dg.z必须为1;Db是
一个dim3型变量,用于设置block的维度和各个维度上的尺寸.设置好Db后,每个
block中将有Db.x*Db.y*Db.z个thread;Ns是一个size_t型变量,指定各块为此调
用动态分配的共享存储器大小,这些动态分配的存储器可供声明为外部数组
(extern __shared__)的其他任何变量使用;Ns是一个可选参数,默认值为0;S为
cudaStream_t类型,用于设置与内核函数关联的流.S是一个可选参数,默认值0. */
vectorAdd <<<blocksPerGrid, threadsPerBlock >>>(d_A, d_B, d_C, numElements);
/* cudaGetLastError: 在同一个主机线程中,返回运行时调用中产生的最后一个
错误并将其重置为cudaSuccess;此函数也可能返回以前异步启动的错误码;当有
多个错误在对cudaGetLastError的调用之间发生时,仅最后一个错误会被报告;
kernel的启动是异步的,为了定位它是否出错,一般需要加上
cudaDeviceSynchronize函数进行同步,然后再调用cudaGetLastError函数;*/
err = cudaGetLastError();
if (err != cudaSuccess) PRINT_ERROR_INFO(cudaGetLastError);
// Copy the device result vector in device memory to the host result vector in host memory.
err = cudaMemcpy(C, d_C, length, cudaMemcpyDeviceToHost);
if (err != cudaSuccess) PRINT_ERROR_INFO(cudaMemcpy);
// cudaFree: 释放设备上由cudaMalloc函数分配的内存
err = cudaFree(d_A);
if (err != cudaSuccess) PRINT_ERROR_INFO(cudaFree);
err = cudaFree(d_B);
if (err != cudaSuccess) PRINT_ERROR_INFO(cudaFree);
err = cudaFree(d_C);
if (err != cudaSuccess) PRINT_ERROR_INFO(cudaFree);
return err;
}
