- android - 多次调用 OnPrimaryClipChangedListener
- android - 无法更新 RecyclerView 中的 TextView 字段
- android.database.CursorIndexOutOfBoundsException : Index 0 requested, 光标大小为 0
- android - 使用 AppCompat 时,我们是否需要明确指定其 UI 组件(Spinner、EditText)颜色
我正在使用 CUDA(如果差异很重要,实际上我正在使用 pyCUDA)并对数组执行一些计算。我正在启动一个具有 320*600 线程网格的内核。在内核中,我声明了两个包含 20000 个组件的线性数组:
float test[20000]
float test2[20000]
我使用这些数组执行简单的计算,例如用常量值填充它们。关键是内核正常执行并且正确执行计算(您可以看到这用随机测试组件填充数组并将该数组从设备发送到主机) .
问题是我的NVIDIA卡只有2GB内存,分配给数组test和test2的内存总量是320*600*20000*4字节,远远超过2GB。
这段内存来自哪里?以及 CUDA 如何在每个线程中执行计算?
谢谢你的时间
最佳答案
本地/堆栈内存需求的实际大小并不像您想象的那样(对于整个网格,一次全部),但实际上是基于@njuffa here 描述的公式.
基本上,本地/堆栈内存需求的大小取决于您正在运行的设备的最大瞬时容量,而不是网格的大小。
根据 njuffa 提供的信息,可用堆栈大小限制(每个线程)为以下较小者:
对于您的第一个案例:
float test[20000];
float test2[20000];
总数为 160KB(每个线程),因此我们低于每个线程 512KB 的最大限制。第二个限制呢?
GTX 650m有 2 个 cc 3.0 (kepler) SM(每个 Kepler SM 有 192 个内核)。因此,上面的第二个限制给出了,如果 所有 GPU 内存可用:
2GB/2/2048 = 512KB
(开普勒有 2048 max threads per multiprocessor )所以在这种情况下是相同的限制。但这假设所有 GPU 内存都可用。
由于您在评论中建议此配置失败:
float test[40000];
float test2[40000];
即320KB,我会得出结论,您的实际可用 GPU 内存在这种批量分配尝试的点上高于 (160/512)*100%,即高于 31% 但低于 (320/512)*100%,即低于 62.5% 2GB,所以我得出结论,在堆栈帧的批量分配请求时,您的可用 GPU 内存将小于 1.25GB。
您可以通过在有问题的内核启动之前调用 cudaGetMemInfo
来尝试查看是否属于这种情况(尽管我不知道如何在 pycuda 中执行此操作)。即使您的 GPU 以 2GB 开始,如果您从它运行显示器,您可能以接近 1.5GB 的数字开始。动态(例如 cudaMalloc
)和/或静态(例如 __device__
)分配在内核启动时发生在这个批量分配请求之前,都会影响可用内存。
这都是为了说明一些细节。您的问题的一般答案是,“魔法”的出现是由于 GPU 不一定同时为网格中的所有线程分配堆栈帧和本地内存。它只需要分配设备的最大瞬时容量(即 SMs * 每个 SM 的最大线程数)所需的数量,这可能是一个明显小于整个网格所需数量的数字.
关于c++ - 明显的 CUDA 魔法,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/31738540/
这是我关于 Stack Overflow 的第一个问题,这是一个很长的问题。 tl;dr 版本是:我如何使用 thrust::device_vector如果我希望它存储不同类型的对象 DerivedC
我已使用 cudaMalloc 在设备上分配内存并将其传递给内核函数。是否可以在内核完成执行之前从主机访问该内存? 最佳答案 我能想到的在内核仍在执行时启动 memcpy 的唯一方法是在与内核不同的流
是否可以在同一节点上没有支持 CUDA 的设备的情况下编译 CUDA 程序,仅使用 NVIDIA CUDA Toolkit...? 最佳答案 你的问题的答案是肯定的。 nvcc编译器驱动程序与设备的物
我不知道 cuda 不支持引用参数。我的程序中有这两个函数: __global__ void ExtractDisparityKernel ( ExtractDisparity& es)
我正在使用 CUDA 5.0。我注意到编译器将允许我在内核中使用主机声明的 int 常量。但是,它拒绝编译任何使用主机声明的 float 常量的内核。有谁知道这种看似差异的原因? 例如,下面的代码可以
自从 CUDA 9 发布以来,显然可以将不同的线程和 block 分组到同一组中,以便您可以一起管理它们。这对我来说非常有用,因为我需要启动一个包含多个 block 的内核并等待所有 block 都同
我需要在 CUDA 中执行三线性插值。这是问题定义: 给定三个点向量:x[nx]、y[ny]、z[nz] 和一个函数值矩阵func[nx][ny][nz],我想在 x、y 范围之间的一些随机点处找到函
我认为由于 CUDA 可以执行 64 位 128 位加载/存储,因此它可能具有一些用于加/减/等的内在函数。像 float3 这样的向量类型,在像 SSE 这样更少的指令中。 CUDA 有这样的功能吗
我有一个问题,每个线程 block (一维)必须对共享内存内的一个数组进行扫描,并执行几个其他任务。 (该数组最多有 1024 个元素。) 有没有支持这种操作的好库? 我检查了 Thrust 和 Cu
我对线程的形成和执行方式有很多疑惑。 首先,文档将 GPU 线程描述为轻量级线程。假设我希望将两个 100*100 矩阵相乘。如果每个元素都由不同的线程计算,则这将需要 100*100 个线程。但是,
我正在尝试自己解决这个问题,但我不能。 所以我想听听你的建议。 我正在编写这样的内核代码。 VGA 是 GTX 580。 xxxx >> (... threadNum ...) (note. Shar
查看 CUDA Thrust 代码中的内核启动,似乎它们总是使用默认流。我可以让 Thrust 使用我选择的流吗?我在 API 中遗漏了什么吗? 最佳答案 我想在 Thrust 1.8 发布后更新 t
我想知道 CUDA 应用程序的扭曲调度顺序是否是确定性的。 具体来说,我想知道在同一设备上使用相同输入数据多次运行同一内核时,warp 执行的顺序是否会保持不变。如果没有,是否有任何东西可以强制对扭曲
一个 GPU 中可以有多少个 CUDA 网格? 两个网格可以同时存在于 GPU 中吗?还是一台 GPU 设备只有一个网格? Kernel1>(dst1, param1); Kernel1>(dst2,
如果我编译一个计算能力较低的 CUDA 程序,例如 1.3(nvcc 标志 sm_13),并在具有 Compute Capability 2.1 的设备上运行它,它是否会利用 Compute 2.1
固定内存应该可以提高从主机到设备的传输速率(api 引用)。但是我发现我不需要为内核调用 cuMemcpyHtoD 来访问这些值,也不需要为主机调用 cuMemcpyDtoA 来读取值。我不认为这会奏
我希望对 CUDA C 中负载平衡的最佳实践有一些一般性的建议和说明,特别是: 如果经纱中的 1 个线程比其他 31 个线程花费的时间长,它会阻止其他 31 个线程完成吗? 如果是这样,多余的处理能力
CUDA 中是否有像 opencl 一样的内置交叉和点积,所以 cuda 内核可以使用它? 到目前为止,我在规范中找不到任何内容。 最佳答案 您可以在 SDK 的 cutil_math.h 中找到这些
有一些与我要问的问题类似的问题,但我觉得它们都没有触及我真正要寻找的核心。我现在拥有的是一种 CUDA 方法,它需要将两个数组定义到共享内存中。现在,数组的大小由在执行开始后读入程序的变量给出。因此,
经线是 32 根线。 32 个线程是否在多处理器中并行执行? 如果 32 个线程没有并行执行,则扭曲中没有竞争条件。 在经历了一些例子后,我有了这个疑问。 最佳答案 在 CUDA 编程模型中,warp
我是一名优秀的程序员,十分优秀!