- c - 在位数组中找到第一个零
- linux - Unix 显示有关匹配两种模式之一的文件的信息
- 正则表达式替换多个文件
- linux - 隐藏来自 xtrace 的命令
Windows 7, NVidia GeForce 425M.
我写了一个简单的 CUDA 代码来计算矩阵的行总和。矩阵具有一维表示(指向 float 的指针)。
代码的串行版本如下(如预期的那样,它有 2
循环):
void serial_rowSum (float* m, float* output, int nrow, int ncol) {
float sum;
for (int i = 0 ; i < nrow ; i++) {
sum = 0;
for (int j = 0 ; j < ncol ; j++)
sum += m[i*ncol+j];
output[i] = sum;
}
}
在 CUDA 代码中,我调用内核函数逐行扫描矩阵。下面是内核调用片段:
dim3 threadsPerBlock((unsigned int) nThreadsPerBlock); // has to be multiple of 32
dim3 blocksPerGrid((unsigned int) ceil(nrow/(float) nThreadsPerBlock));
kernel_rowSum<<<blocksPerGrid, threadsPerBlock>>>(d_m, d_output, nrow, ncol);
以及执行行的并行求和的内核函数(仍然有 1
循环):
__global__ void kernel_rowSum(float *m, float *s, int nrow, int ncol) {
int rowIdx = threadIdx.x + blockIdx.x * blockDim.x;
if (rowIdx < nrow) {
float sum=0;
for (int k = 0 ; k < ncol ; k++)
sum+=m[rowIdx*ncol+k];
s[rowIdx] = sum;
}
}
到目前为止一切顺利。串行和并行 (CUDA) 结果相等。
重点是 CUDA 版本的计算时间几乎是串行版本的两倍,即使我更改了 nThreadsPerBlock
参数:我测试了 nThreadsPerBlock
来自 32
到 1024
(我的卡允许的每个 block 的最大线程数)。
IMO,矩阵维度足够大以证明并行化:90,000 x 1,000
。
下面,我使用不同的 nThreadsPerBlock
报告了串行和并行版本的运行时间。平均 100
样本的时间以 毫秒
报告:
矩阵:nrow = 90000 x ncol = 1000
序列号:每个样本平均耗用时间(以毫秒为单位)(100
样本):289.18
。
CUDA(32
ThreadsPerBlock):每个样本平均耗用时间(以毫秒为单位)(100
样本):497.11
。
CUDA(1024
ThreadsPerBlock):每个样本平均耗用时间(以毫秒为单位)(100
样本):699.66
。
以防万一,带有32
/1024
nThreadsPerBlock
的版本是最快/最慢的。
我知道从主机复制到设备时会产生开销,反之亦然,但速度慢可能是因为我没有实现最快的代码。
因为我远不是 CUDA 专家:
我是否为此任务编写了最快的版本?我怎样才能改进我的代码?我可以摆脱内核函数中的循环吗?
任何想法表示赞赏。
虽然我描述了一个标准的rowSum
,但我对具有(0; 1}
值,如 rowAND
/rowOR
。也就是说,它不允许我利用 cuBLAS
乘以 1
的 COL
列 vector 技巧,正如一些评论员所建议的那样。
根据用户其他用户的建议并在此认可:
忘记尝试编写您自己的函数,改用 Thrust 库,魔法就来了。
最佳答案
既然你提到你需要通用的归约算法,而不是只求和。我将尝试在这里提供 3 种方法。内核方法可能具有最高的性能。推力法最容易实现。 cuBLAS 方法仅适用于 sum 并且具有良好的性能。
Here's a very good doc介绍如何优化标准并行缩减。标准还原可分为2个阶段。
对于您的多重归约(减少垫子的行数)问题,只有第 1 阶段就足够了。这个想法是每个线程 block 减少 1 行。对于每个线程 block 多行或每个多个线程 block 1 行的进一步考虑,您可以引用 paper provided by @Novak .这可能会进一步提高性能,尤其是对于形状不佳的矩阵。
一般的multi-reduction可以通过thrust::reduction_by_key
来完成几分钟后。您可以在此处找到一些讨论 Determining the least element and its position in each matrix column with CUDA Thrust .
但是thrust::reduction_by_key
不假设每行的长度相同,因此您会受到性能损失。另一个帖子How to normalize matrix columns in CUDA with max performance?给出 thrust::reduction_by_key
之间的分析比较和 cuBLAS 处理行总和的方法。它可以让您对性能有一个基本的了解。
矩阵 A 的行/列之和可以看作是矩阵 vector 乘法,其中 vector 的元素都是 1。它可以用下面的matlab代码表示。
y = A * ones(size(A,2),1);
哪里y
是 A 的行的总和。
cuBLAS 库提供高性能矩阵 vector 乘法函数 cublas<t>gemv()
对于这个操作。
计时结果表明,该例程仅比简单读取一次A的所有元素慢10~50%,可以看作是该操作的理论性能上限。
关于c - 使用 CUDA 减少矩阵行,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/17862078/
#include using namespace std; class C{ private: int value; public: C(){ value = 0;
这个问题已经有答案了: What is the difference between char a[] = ?string?; and char *p = ?string?;? (8 个回答) 已关闭
关闭。此题需要details or clarity 。目前不接受答案。 想要改进这个问题吗?通过 editing this post 添加详细信息并澄清问题. 已关闭 7 年前。 此帖子已于 8 个月
除了调试之外,是否有任何针对 c、c++ 或 c# 的测试工具,其工作原理类似于将独立函数复制粘贴到某个文本框,然后在其他文本框中输入参数? 最佳答案 也许您会考虑单元测试。我推荐你谷歌测试和谷歌模拟
我想在第二台显示器中移动一个窗口 (HWND)。问题是我尝试了很多方法,例如将分辨率加倍或输入负值,但它永远无法将窗口放在我的第二台显示器上。 关于如何在 C/C++/c# 中执行此操作的任何线索 最
我正在寻找 C/C++/C## 中不同类型 DES 的现有实现。我的运行平台是Windows XP/Vista/7。 我正在尝试编写一个 C# 程序,它将使用 DES 算法进行加密和解密。我需要一些实
很难说出这里要问什么。这个问题模棱两可、含糊不清、不完整、过于宽泛或夸夸其谈,无法以目前的形式得到合理的回答。如需帮助澄清此问题以便重新打开,visit the help center . 关闭 1
有没有办法强制将另一个 窗口置于顶部? 不是应用程序的窗口,而是另一个已经在系统上运行的窗口。 (Windows, C/C++/C#) 最佳答案 SetWindowPos(that_window_ha
假设您可以在 C/C++ 或 Csharp 之间做出选择,并且您打算在 Windows 和 Linux 服务器上运行同一服务器的多个实例,那么构建套接字服务器应用程序的最明智选择是什么? 最佳答案 如
你们能告诉我它们之间的区别吗? 顺便问一下,有什么叫C++库或C库的吗? 最佳答案 C++ 标准库 和 C 标准库 是 C++ 和 C 标准定义的库,提供给 C++ 和 C 程序使用。那是那些词的共同
下面的测试代码,我将输出信息放在注释中。我使用的是 gcc 4.8.5 和 Centos 7.2。 #include #include class C { public:
很难说出这里问的是什么。这个问题是含糊的、模糊的、不完整的、过于宽泛的或修辞性的,无法以目前的形式得到合理的回答。如需帮助澄清此问题以便重新打开它,visit the help center 。 已关
我的客户将使用名为 annoucement 的结构/类与客户通信。我想我会用 C++ 编写服务器。会有很多不同的类继承annoucement。我的问题是通过网络将这些类发送给客户端 我想也许我应该使用
我在 C# 中有以下函数: public Matrix ConcatDescriptors(IList> descriptors) { int cols = descriptors[0].Co
我有一个项目要编写一个函数来对某些数据执行某些操作。我可以用 C/C++ 编写代码,但我不想与雇主共享该函数的代码。相反,我只想让他有权在他自己的代码中调用该函数。是否可以?我想到了这两种方法 - 在
我使用的是编写糟糕的第 3 方 (C/C++) Api。我从托管代码(C++/CLI)中使用它。有时会出现“访问冲突错误”。这使整个应用程序崩溃。我知道我无法处理这些错误[如果指针访问非法内存位置等,
关闭。这个问题不符合Stack Overflow guidelines .它目前不接受答案。 我们不允许提问寻求书籍、工具、软件库等的推荐。您可以编辑问题,以便用事实和引用来回答。 关闭 7 年前。
已关闭。此问题不符合Stack Overflow guidelines 。目前不接受答案。 要求我们推荐或查找工具、库或最喜欢的场外资源的问题对于 Stack Overflow 来说是偏离主题的,因为
我有一些 C 代码,将使用 P/Invoke 从 C# 调用。我正在尝试为这个 C 函数定义一个 C# 等效项。 SomeData* DoSomething(); struct SomeData {
这个问题已经有答案了: Why are these constructs using pre and post-increment undefined behavior? (14 个回答) 已关闭 6
我是一名优秀的程序员,十分优秀!