c++ - 将结构复制到设备内存 CUDA

Question

我是 CUDA 的新手，正在浏览 CUDA 工具包文档。在那里我找到了一个矩阵乘法使用共享内存的例子。在这里，当将矩阵结构从主机内存复制到设备内存时，仅复制数据元素。我无法理解的是其他变量是如何复制到设备内存中的。

矩阵结构如下

typedef struct {
    int width;
    int height;
    int stride; 
    float* elements;
} Matrix;

然后这里是数据传输发生的代码示例

void MatMul(const Matrix A, const Matrix B, Matrix C)
{
    // Load A and B to device memory
    Matrix d_A;
    d_A.width = d_A.stride = A.width; d_A.height = A.height;
    size_t size = A.width * A.height * sizeof(float);
    cudaMalloc(&d_A.elements, size);
    cudaMemcpy(d_A.elements, A.elements, size,
               cudaMemcpyHostToDevice);
    Matrix d_B;
    d_B.width = d_B.stride = B.width; d_B.height = B.height;
    size = B.width * B.height * sizeof(float);
    cudaMalloc(&d_B.elements, size);
    cudaMemcpy(d_B.elements, B.elements, size,
    cudaMemcpyHostToDevice);

    // Allocate C in device memory
    Matrix d_C;
    d_C.width = d_C.stride = C.width; d_C.height = C.height;
    size = C.width * C.height * sizeof(float);
    cudaMalloc(&d_C.elements, size);

    // Invoke kernel
    dim3 dimBlock(BLOCK_SIZE, BLOCK_SIZE);
    dim3 dimGrid(B.width / dimBlock.x, A.height / dimBlock.y);
    MatMulKernel<<<dimGrid, dimBlock>>>(d_A, d_B, d_C);

    // Read C from device memory
    cudaMemcpy(C.elements, d_C.elements, size,
               cudaMemcpyDeviceToHost);

    // Free device memory
    cudaFree(d_A.elements);
    cudaFree(d_B.elements);
    cudaFree(d_C.elements);
}

这里我不明白的是宽度、步幅和高度是如何复制到设备内存中的。因为这里的 cudaMalloc 和 cudaMemcpy 只是针对元素的。我在理解这一点时是否遗漏了什么。

内核代码

__device__ float GetElement(const Matrix A, int row, int col)
{
    return A.elements[row * A.stride + col];
}

// Set a matrix element
__device__ void SetElement(Matrix A, int row, int col,
                           float value)
{
    A.elements[row * A.stride + col] = value;
}

// Get the BLOCK_SIZExBLOCK_SIZE sub-matrix Asub of A that is
// located col sub-matrices to the right and row sub-matrices down
// from the upper-left corner of A
 __device__ Matrix GetSubMatrix(Matrix A, int row, int col) 
{
    Matrix Asub;
    Asub.width    = BLOCK_SIZE;
    Asub.height   = BLOCK_SIZE;
    Asub.stride   = A.stride;
    Asub.elements = &A.elements[A.stride * BLOCK_SIZE * row
                                         + BLOCK_SIZE * col];
    return Asub;
}

矩阵乘法内核代码

__global__ void MatMulKernel(Matrix A, Matrix B, Matrix C)
{
    // Block row and column
    int blockRow = blockIdx.y;
    int blockCol = blockIdx.x;

    // Each thread block computes one sub-matrix Csub of C
    Matrix Csub = GetSubMatrix(C, blockRow, blockCol);

    // Each thread computes one element of Csub
    // by accumulating results into Cvalue
    float Cvalue = 0;

    // Thread row and column within Csub
    int row = threadIdx.y;
    int col = threadIdx.x;

    // Loop over all the sub-matrices of A and B that are
    // required to compute Csub
    // Multiply each pair of sub-matrices together
    // and accumulate the results
    for (int m = 0; m < (A.width / BLOCK_SIZE); ++m) {

        // Get sub-matrix Asub of A
        Matrix Asub = GetSubMatrix(A, blockRow, m);

        // Get sub-matrix Bsub of B
        Matrix Bsub = GetSubMatrix(B, m, blockCol);

        // Shared memory used to store Asub and Bsub respectively
        __shared__ float As[BLOCK_SIZE][BLOCK_SIZE];
        __shared__ float Bs[BLOCK_SIZE][BLOCK_SIZE];

        // Load Asub and Bsub from device memory to shared memory
        // Each thread loads one element of each sub-matrix
        As[row][col] = GetElement(Asub, row, col);
        Bs[row][col] = GetElement(Bsub, row, col);

        // Synchronize to make sure the sub-matrices are loaded
        // before starting the computation
        __syncthreads();
        // Multiply Asub and Bsub together
        for (int e = 0; e < BLOCK_SIZE; ++e)
            Cvalue += As[row][e] * Bs[e][col];

        // Synchronize to make sure that the preceding
        // computation is done before loading two new
        // sub-matrices of A and B in the next iteration
        __syncthreads();
    }

    // Write Csub to device memory
    // Each thread writes one element
    SetElement(Csub, row, col, Cvalue);
}

Answer 1

对于那些想知道的人，我们讨论的示例代码位于 Nvidia 的 CUDA 工具包文档的共享内存主题中: CUDA C Programming guide : Shared memory

那么，为什么这个示例有效？是的，使用 cudaMalloc 和 cudaMemcpy 函数仅在设备端发送“元素”数组。是的，矩阵维度在设备端的内核中使用，没有使用 cudaMemcpy 显式复制到设备内存。

您需要以不同的方式考虑数组和参数。让我解释一下这些值是如何发送到内核的。

1. 我们在 CPU 端声明矩阵，所有成员都未初始化
2. 我们分配维度，指针仍未初始化
3. 我们使用 API 函数在设备端分配和复制内存，指针已初始化但它指向设备内存并且不能像常规主机数组一样使用
4. 我们将矩阵作为参数提供给内核。不是通过指针，而是通过值。

这就是诀窍。完整的结构实例作为参数给出，它包含:

1. 三个整数，矩阵的维度
2. 指向包含矩阵数据的数组的指针

在内核启动时将整数作为参数显然是可行的，而且效果很好。也可以将指针指向数组:复制指针，这意味着我们创建另一个指向内存中同一区域的指针。如果我们的目标数组位于主机内存中，则会导致错误，但由于它已在设备端使用 API 函数进行了初始化，因此可以正常工作。