- 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?
我在理解批加载时遇到了一些困难,正如评论中提到的那样。为了计算像素中的卷积,大小为 5 的掩码必须以该特定像素为中心。图像被划分为瓦片。应用卷积掩码后的这些瓦片是最终输出的瓦片,其大小为 TILE_WIDTH*TILE_WIDTH
.对于属于输出图块边界的像素,当这个图块属于图像的边界时,掩码必须从相邻图块借用一些像素。否则,这些借用值将被赋值为零。这两个步骤描述在
if (srcY >= 0 && srcY < height && srcX >= 0 && srcX < width)
N_ds[destY][destX] = I[src];
else
N_ds[destY][destX] = 0;
TILE_WIDTH + Mask_width - 1
每边的尺寸。我不清楚代码的以下部分。
destY
和 destX
指数。srcY
添加 srcX
指数。destY
和 destX
指数参与srcY
添加 srcX
指数?srcY = blockIdx.y * TILE_WIDTH + destY - Mask_radius;
srcX = blockIdx.x * TILE_WIDTH + destX - Mask_radius;
TILE_WIDTH * TILE_WIDTH
? blockIdx.x=1
和
blockIdx.y=1
基于此
destY=0
和
destX=0
.还,
srcY = 1*6+0-3=3
,
srcX = 3
和
src = (3*18+3)*3+0=171
.根据计算和图像示例,我们没有匹配项。在第一个共享内存中,应该存储的值是具有全局索引
57
的值。 .上述计算有什么问题?有人可以帮忙吗?
#define Mask_width 5
#define Mask_radius Mask_width/2
#define TILE_WIDTH 16
#define w (TILE_WIDTH + Mask_width - 1)
#define clamp(x) (min(max((x), 0.0), 1.0))
__global__ void convolution(float *I, const float* __restrict__ M, float *P,
int channels, int width, int height) {
__shared__ float N_ds[w][w];
int k;
for (k = 0; k < channels; k++) {
// First batch loading
int dest = threadIdx.y * TILE_WIDTH + threadIdx.x,
destY = dest / w, destX = dest % w,
srcY = blockIdx.y * TILE_WIDTH + destY - Mask_radius,
srcX = blockIdx.x * TILE_WIDTH + destX - Mask_radius,
src = (srcY * width + srcX) * channels + k;
if (srcY >= 0 && srcY < height && srcX >= 0 && srcX < width)
N_ds[destY][destX] = I[src];
else
N_ds[destY][destX] = 0;
// Second batch loading
dest = threadIdx.y * TILE_WIDTH + threadIdx.x + TILE_WIDTH * TILE_WIDTH;
destY = dest / w, destX = dest % w;
srcY = blockIdx.y * TILE_WIDTH + destY - Mask_radius;
srcX = blockIdx.x * TILE_WIDTH + destX - Mask_radius;
src = (srcY * width + srcX) * channels + k;
if (destY < w) {
if (srcY >= 0 && srcY < height && srcX >= 0 && srcX < width)
N_ds[destY][destX] = I[src];
else
N_ds[destY][destX] = 0;
}
__syncthreads();
float accum = 0;
int y, x;
for (y = 0; y < Mask_width; y++)
for (x = 0; x < Mask_width; x++)
accum += N_ds[threadIdx.y + y][threadIdx.x + x] * M[y * Mask_width + x];
y = blockIdx.y * TILE_WIDTH + threadIdx.y;
x = blockIdx.x * TILE_WIDTH + threadIdx.x;
if (y < height && x < width)
P[(y * width + x) * channels + k] = clamp(accum);
__syncthreads();
}
}
最佳答案
您的问题在概念上与我在 StackOverflow 上的第一个问题类似:Moving a (BS_X+1)(BS_Y+1) global memory matrix by BS_XBS_Y threads .
您面临以下问题:每个线程块大小 TILE_WIDTHxTILE_WIDTH
应该填充大小为 (TILE_WIDTH + Mask_width - 1)x(TILE_WIDTH + Mask_width - 1)
的共享内存区域 .
4) Generally, what is the intuitive explanation of having two loadings?
(TILE_WIDTH + Mask_width - 1)x(TILE_WIDTH + Mask_width - 1)
大于块大小
TILE_WIDTHxTILE_WIDTH
并假设它小于
2xTILE_WIDTHxTILE_WIDTH
,那么每个线程最多应该将两个元素从全局内存移动到共享内存。这就是为什么你有一个两阶段加载的原因。
1) The
destY
anddestX
index. Dividing the output index by the input tile width what does it means?
TILE_WIDTHxTILE_WIDTH
的第一个加载阶段。元素来自全局内存并填充共享内存区域的最上部。
dest = threadIdx.y * TILE_WIDTH + threadIdx.x;
destX = dest % w;
destY = dest / w;
2) The
srcY
addsrcX
index. WhydestY
anddestX
index take part insrcY
addsrcX
index?
srcY = blockIdx.y * TILE_WIDTH + destY - Mask_radius;
srcX = blockIdx.x * TILE_WIDTH + destX - Mask_radius;
(blockIdx.x * TILE_WIDTH, blockIdx.y * TILE_WIDTH)
如果块大小和共享内存大小相同,则将是全局内存位置的坐标。由于您也是从邻居图块“借用”内存值,因此您必须将上述坐标移动
(destX - Mask_radius, destY - Mask_radius)
.
3) Why in the second loading we use the offset TILE_WIDTH * TILE_WIDTH?
TILE_WIDTHxTILE_WIDTH
共享内存的位置。
dest
之间的对应关系和共享内存位置。在图片中,蓝色框代表通用磁贴的元素,而红色框代表相邻磁贴的元素。蓝色和红色框的并集对应于整体共享内存位置。如您所见,所有
256
一个线程块的线程参与填充绿线上方的共享内存的上半部分,而只有
145
参与填充绿线下方的共享内存的下部。现在你应该也明白了
TILE_WIDTH x TILE_WIDTH
抵消。
2
由于参数的特定选择,每个线程的内存负载。例如,如果您有
TILE_WIDTH = 8
,那么一个线程块中的线程数为
64
,而共享内存大小为
12x12=144
,这意味着每个线程至少负责执行
2
共享内存写入自
144/64=2.25
.
关于cuda - 上传共享内存中的数据用于卷积核,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/21380549/
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!