- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我有一段内核源代码,可以在我的 PC 上的 G970 上运行,但无法在我的 2015 年初配备 Iris 6100 1536MB 显卡的 MacBook pro 上编译。
platform = cl.get_platforms()[0]
device = platform.get_devices()[1] # Get the GPU ID
ctx = cl.Context([device]) # Tell CL to use GPU
queue = cl.CommandQueue(ctx) # Create a command queue for the target device.
# program = cl.Program(ctx, kernelsource).build()
print platform.get_devices()
此 get_devices() 显示我在“Apple”上有“Intel(R) Core(TM) i5-5287U CPU @ 2.90GHz”,地址为 0xffffffff>,在“Apple”上有“Intel(R) Iris(TM) Graphics 6100” ' 在 0x1024500。
内核将在 CPU 上正确运行。但是当我在 GPU 上构建程序时。它返回:
---------------------------------------------------------------------------
RuntimeError Traceback (most recent call last)
<ipython-input-44-e2b6e1b931de> in <module>()
3 ctx = cl.Context([device]) # Tell CL to use GPU
4 queue = cl.CommandQueue(ctx) # Create a command queue for the target device.
----> 5 program = cl.Program(ctx, kernelsource).build()
6
7
/usr/local/lib/python2.7/site-packages/pyopencl-2015.2.4-py2.7-macosx-10.11-x86_64.egg/pyopencl/__init__.pyc in build(self, options, devices, cache_dir)
393 self._context, self._source, options, devices,
394 cache_dir=cache_dir),
--> 395 options=options, source=self._source)
396
397 del self._context
/usr/local/lib/python2.7/site-packages/pyopencl-2015.2.4-py2.7-macosx-10.11-x86_64.egg/pyopencl/__init__.pyc in _build_and_catch_errors(self, build_func, options, source)
428 # Python 3.2 outputs the whole list of currently active exceptions
429 # This serves to remove one (redundant) level from that nesting.
--> 430 raise err
431
432 # }}}
RuntimeError: clbuildprogram failed: BUILD_PROGRAM_FAILURE -
Build on <pyopencl.Device 'Intel(R) Iris(TM) Graphics 6100' on 'Apple' at 0x1024500>:
Cannot select: 0x7f94b30a5110: i64,ch = dynamic_stackalloc 0x7f94b152a290, 0x7f94b30a4f10, 0x7f94b3092c10 [ORD=7] [ID=54]
0x7f94b30a4f10: i64 = and 0x7f94b30a4c10, 0x7f94b3092b10 [ORD=7] [ID=52]
0x7f94b30a4c10: i64 = add 0x7f94b30a6610, 0x7f94b3092a10 [ORD=7] [ID=49]
0x7f94b30a6610: i64 = shl 0x7f94b3092d10, 0x7f94b3092e10 [ID=46]
0x7f94b3092d10: i64 = bitcast 0x7f94b30a4810 [ID=41]
0x7f94b30a4810: v2i32 = IGILISD::MOVSWZ 0x7f94b3092710, 0x7f94b30a2810, 0x7f94b30a2810, 0x7f94b30a2810 [ID=32]
0x7f94b3092710: i32,ch = CopyFromReg 0x7f94b152a290, 0x7f94b3092610 [ORD=5] [ID=22]
0x7f94b3092610: i32 = Register %vreg60 [ORD=5] [ID=1]
0x7f94b30a2810: i32 = Constant<0> [ORD=1] [ID=7]
0x7f94b30a2810: i32 = Constant<0> [ORD=1] [ID=7]
0x7f94b30a2810: i32 = Constant<0> [ORD=1] [ID=7]
0x7f94b3092e10: i64 = bitcast 0x7f94b30a3f10 [ID=38]
0x7f94b30a3f10: v2i32 = IGILISD::MOVSWZ 0x7f94b30a4510, 0x7f94b30a2810, 0x7f94b30a2810, 0x7f94b30a2810 [ID=29]
0x7f94b30a4510: i32 = Constant<2> [ID=19]
0x7f94b30a2810: i32 = Constant<0> [ORD=1] [ID=7]
0x7f94b30a2810: i32 = Constant<0> [ORD=1] [ID=7]
0x7f94b30a2810: i32 = Constant<0> [ORD=1] [ID=7]
0x7f94b3092a10: i64 = bitcast 0x7f94b30a4b10 [ID=40]
0x7f94b30a4b10: v2i32 = IGILISD::MOVSWZ 0x7f94b30a4e10, 0x7f94b30a2810, 0x7f94b30a2810, 0x7f94b30a2810 [ID=31]
0x7f94b30a4e10: i32 = Constant<7> [ID=21]
0x7f94b30a2810: i32 = Constant<0> [ORD=1] [ID=7]
0x7f94b30a2810: i32 = Constant<0> [ORD=1] [ID=7]
0x7f94b30a2810: i32 = Constant<0> [ORD=1] [ID=7]
0x7f94b3092b10: i64 = bitcast 0x7f94b3092910 [ID=39]
0x7f94b3092910: v2i32 = IGILISD::MOVSWZ 0x7f94b30a5010, 0x7f94b30a4210, 0x7f94b30a2810, 0x7f94b30a2810 [ID=30]
0x7f94b30a5010: i32 = Constant<-8> [ID=20]
0x7f94b30a4210: i32 = Constant<-1> [ORD=3] [ID=10]
0x7f94b30a2810: i32 = Constant<0> [ORD=1] [ID=7]
0x7f94b30a2810: i32 = Constant<0> [ORD=1] [ID=7]
0x7f94b3092c10: i64 = bitcast 0x7f94b3092810 [ID=35]
0x7f94b3092810: v2i32 = IGILISD::MOVSWZ 0x7f94b30a2810, 0x7f94b30a2810, 0x7f94b30a2810, 0x7f94b30a2810 [ID=27]
0x7f94b30a2810: i32 = Constant<0> [ORD=1] [ID=7]
0x7f94b30a2810: i32 = Constant<0> [ORD=1] [ID=7]
0x7f94b30a2810: i32 = Constant<0> [ORD=1] [ID=7]
0x7f94b30a2810: i32 = Constant<0> [ORD=1] [ID=7]
In function: trajectories
(options: -I /usr/local/lib/python2.7/site-packages/pyopencl-2015.2.4-py2.7-macosx-10.11-x86_64.egg/pyopencl/cl)
(source saved as /var/folders/p2/jd7m10gs5k1_q6hx5kvktkcc0000gn/T/tmpWQmCKr.cl)
有什么建议为什么这不会运行吗?我运行的是 2015 年初的 MacBook Pro、Sierra 10.12.5。print cl.version.VERSION 返回2015.2.4
这是内核代码:
kernelsource = """
__kernel void trajectories(
// TODO: adjust argtypes above if this is changed
const int N,
const int dim,
__constant float* data,
const int nrParticles,
__global float* pos,
__global float* vel,
const int nrSteps,
__global float* trj,
__global float* sigarr,
const float sigma,
const float mass,
const float alpha, // alpha is resistance in reverse.
const float dt
){
int i,k,step;
float h, sigsum, hexp;
int pidx = get_global_id(0); // global ID used as particle index
int ofs = pidx * nrSteps * dim;
int accofs = ofs + (nrSteps-1) * dim; // use last trj point to tmp store acc vector
float v[dim];
float sigma2 = sigma*sigma;
float m = mass / sigma2;
float dt_over_m = dt /m;
for(step=0; step<nrSteps; step++){
for(k=0; k<dim; k++)
{
trj[accofs+k]=0;
}
for(i=0; i<N; i++)
{
h=0; // to store ||data[i]-x||**2
for(k=0; k<dim; k++)
{
v[k] = pos[pidx*dim+k] - data[i*dim + k];
h += v[k]*v[k]; //h == force1p_sum
};
hexp = exp(-h/sigma2)/sigma2;
for(k=0; k<dim; k++)
{
trj[accofs+k] += -(hexp) * v[k];
};
};
sigsum = 0;
for(k=0; k<dim; k++)
{
vel[pidx*dim+k] = alpha * vel[pidx*dim+k] + dt_over_m * trj[accofs+k]; // vel = alpha*vel + acc*dt
pos[pidx*dim+k] += dt * vel[pidx*dim+k]; // pos = pos + vel*dt
sigsum += vel[pidx*dim+k] * vel[pidx*dim+k]; // v^2 for kinetic energy
trj[ofs+step*dim+k] = pos[pidx*dim+k]; // write to result vector
};
sigarr[pidx*nrSteps+step] = sigsum; // sig = | vel |
}
for(step=0; step<nrSteps-2; step++)
{
sigarr[pidx*nrSteps+step] = sigarr[pidx*nrSteps+step+2] - sigarr[pidx*nrSteps+step+1];
};
sigarr[pidx*nrSteps+nrSteps-1] = sigarr[pidx*nrSteps+nrSteps-2] = 0;
}
"""
谢谢
家骏
最佳答案
在这种情况下,您应该尝试查询构建的错误。在类似的内核代码错误中您可以做的另一件事是您可以使用离线编译器。每个 OpenCL 实现者都有离线编译器。
您可以在这里找到英特尔的 OpenCL 离线编译器:https://software.intel.com/en-us/articles/programming-with-the-intel-sdk-for-opencl-applications-development-tools
AMD 有一个名为 CodeXL 的工具,您还可以在其中进行离线编译,看看您的内核代码是否可以编译。
这里是ARM OpenCL离线编译器:https://developer.arm.com/products/software-development-tools/graphics-development-tools/mali-offline-compiler/downloads
Intel 支持最高 OpenCL 2.1,而 ARM 支持最高 1.1。因此,您可以选择其中任何一个来编译您的内核代码,以轻松找出错误或错误。
您的内核中的问题是以下行:
float v[dim];
OpenCL C 规范不允许可变长度数组,离线编译器会给出以下错误:
ERROR: <source>:22:12: error: variable length arrays are not supported in OpenCL
您可以修复该行以克服错误,从现在开始,您可以检查您的内核是否可以使用离线编译器进行编译。
编辑:在规范中,有一个脚注解释了不支持可变长度数组。您可以在这里看到它:
https://www.khronos.org/registry/OpenCL/specs/opencl-2.0-openclc.pdf#page=31
关于python - pyopenCL,openCL,无法在GPU上构建程序,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/45106125/
谁能解释或指出在多 GPU/多显示器设置中渲染如何工作的解释(或至少一些线索)? 例如,我安装了 5 个 NVIDIA Quadro 4000 视频卡并连接了 9 个显示器。显示不进行任何分组。刚刚在
以下代码报错: import spacy spacy.require_gpu() Traceback (most recent call last): File "/home/user/Pycha
正如问题已经暗示的那样,我是深度学习的新手。我知道模型的学习过程在没有 GPU 的情况下会很慢。如果我愿意等待,如果我只使用CPU可以吗? 最佳答案 在计算深度学习(以及一般的神经网络)中执行的许多操
我知道 Renderscript 的设计是为了掩盖我正在运行的处理器的事实,但是有没有办法编写代码,以便在支持 GPU 计算的设备(目前是 Nexus 10)上运行显卡?有什么方法可以判断脚本的功能正
关闭。这个问题是opinion-based 。目前不接受答案。 想要改进这个问题吗?更新问题,以便 editing this post 可以用事实和引文来回答它。 . 已关闭 8 年前。 Improv
我想以编程方式找出可用的 GPU 及其当前内存使用情况,并根据内存可用性使用其中一个 GPU。我想在 PyTorch 中执行此操作。 我在这个 post 中看到了以下解决方案: import torc
我喜欢 GPU Gems 的结构化技术摘要。但是自上次发布以来已经过去了很长时间,应该开发新算法来处理新型硬件。 我可以阅读有关最近 GPU 技术成就的哪些信息? 潜伏在编程板上是唯一的方法吗? 最佳
我一直在做一些关于测量数据传输延迟的实验 CPU->GPU 和 GPU->CPU。我发现对于特定消息大小,CPU->GPU 数据传输速率几乎是 GPU->CPU 传输速率的两倍。谁能解释我为什么会这样
当我使用选项 --gres=gpu:1 向具有两个 GPU 的节点提交 SLURM 作业时,如何获取为该作业分配的 GPU ID?是否有用于此目的的环境变量?我使用的 GPU 都是 nvidia GP
我用 gpu、cuda 7.0 和 cudnn 6.5 安装了 tensorflow。当我导入 tensorflow 时,它运行良好。 我正在尝试在 Tensorflow 上运行一个简单的矩阵乘法,但
我们正在寻找有关 slurm salloc gpu 分配的一些建议。目前,给定: % salloc -n 4 -c 2 -gres=gpu:1 % srun env | grep CUDA CUD
我是否必须自定义为非 GPU Tensorflow 库编写的代码以适应tensorflow-gpu 库? 我有一个 GPU,想运行仅为非 GPU tensorflow 库编写的 Python 代码。我
我是否必须自定义为非 GPU Tensorflow 库编写的代码以适应tensorflow-gpu 库? 我有一个 GPU,想运行仅为非 GPU tensorflow 库编写的 Python 代码。我
我正在使用 pytorch 框架训练网络。我的电脑里有 K40 GPU。上周,我在同一台计算机上添加了 1080。 在我的第一个实验中,我在两个 GPU 上观察到相同的结果。然后,我在两个 GPU 上
有没有办法在 Slurm 上超额订阅 GPU,即运行共享一个 GPU 的多个作业/作业步骤?我们只找到了超额订阅 CPU 和内存的方法,但没有找到 GPU。 我们希望在同一 GPU 上并行运行多个作业
我可以访问 4 个 GPU(不是 root 用户)。其中一个 GPU(2 号)表现怪异,它们的一些内存被阻塞但功耗和温度非常低(好像没有任何东西在上面运行)。请参阅下图中 nvidia-smi 的详细
我正在尝试通过 Tensorflow 运行示例 seq2seq,但它不会使用 GPU。以下是我在带有 Tesla K20x 的 Linux 系统上安装 Tensorflow 所采取的步骤 git cl
一位电气工程师最近提醒我不要使用 GPU 进行科学计算(例如,在精度非常重要的地方),因为没有像 CPU 那样的硬件保护措施。这是真的吗?如果是的话,典型硬件中的问题有多普遍/严重? 最佳答案 实际上
关闭。这个问题不满足Stack Overflow guidelines .它目前不接受答案。 想改善这个问题吗?更新问题,使其成为 on-topic对于堆栈溢出。 7年前关闭。 Improve thi
最近我研究了强化学习,有一个问题困扰着我,我找不到答案:如何使用 GPU 有效地完成训练?据我所知,需要与环境持续交互,这对我来说似乎是一个巨大的瓶颈,因为这项任务通常是非数学的/不可并行化的。然而,
我是一名优秀的程序员,十分优秀!