弄清楚 cuda 内核有多少个块和线程，以及如何使用它们

Question

我一直在试图弄清楚如何制作一个我认为简单的内核来取二维矩阵中值的平均值，但我在直接思考过程中遇到了一些问题。

根据我的 deviceQuery 输出，我的 GPU 有 16MP，32cores/mp，块最大为 1024x1024x64，最大线程/块=1024。

所以，我正在处理一些大图像。也许 5000px x 3500px 或类似的东西。我的内核之一是对图像中所有像素的某些值取平均值。

现有代码将图像存储为二维数组 [行] [列]。因此，C 语言中的内核看起来就像您所期望的那样，其中包含行循环和列循环，计算位于中间。

那么如何在 CUDA 中设置此代码的维度计算部分呢？我已经查看了 SDK 中的缩减代码，但那是针对单维数组的。它没有提到当你有 2D 的东西时如何设置块和线程的数量。

我想我实际上需要像这样设置它，这就是我希望有人插话并提供帮助的地方：

num_threads=1024;
blocksX = num_cols/sqrt(num_threads);
blocksY = num_rows/sqrt(num_threads);
num_blocks = (num_rows*num_cols)/(blocksX*blocksY);

dim3 dimBlock(blocksX, blocksY, 1);
dim3 dimGrid(num_blocks, 1, 1);

这对于设置来说似乎有意义吗？

然后在内核中，要处理特定的行或列，我必须使用

rowidx = (blockIdx.x*blockDim.x)+threadId.x colidx = (blockIdx.y*blockDim.y)+threadId.y

至少我认为这可以用于获取行和列。

然后我将如何访问内核中特定的 r 行和 c 列？在 cuda 编程指南中，我找到了以下代码：

// Host code int width = 64, height = 64;
float* devPtr; size_t pitch;
cudaMallocPitch(&devPtr, &pitch, width * sizeof(float), height);
MyKernel<<<100, 512>>>(devPtr, pitch, width, height);
// Device code __global__ void MyKernel(float* devPtr, size_t pitch, int width, int height)
{
for (int r = 0; r < height; ++r)
{
float* row = (float*)((char*)devPtr + r * pitch);
for (int c = 0; c < width; ++c)
{
float element = row[c];
}
}
}

这看起来类似于您在 C 中使用 malloc 来声明 2D 数组的方式，但它没有提到在您自己的内核中访问该数组。我想在我的代码中，我将使用 cudaMallocPitch 调用，然后执行 memcpy 将我的数据放入设备上的 2D 数组中？

任何提示表示赞赏！谢谢！

Answer 1

最近，我以以下方式思考了这个问题。

// Grid and block size
const dim3 blockSize(16,16,1);
const dim3 gridSize(numRows, numCols, 1); 
// kernel call
rgba_to_greyscale<<<gridSize, blockSize>>>(d_rgbaImage, d_greyImage, numRows, numCols

gridsize = 块数
blocksize = 每块线程数

这是相应的内核

__global__ void rgba_to_greyscale(const uchar4* const rgbaImage,
                       unsigned char* const greyImage,
                       int numRows, int numCols)
{ 
    int idx = blockIdx.x + blockIdx.y * numRows;
    uchar4 pixel     = rgbaImage[idx]; 
    float  intensity = 0.299f * pixel.x + 0.587f * pixel.y + 0.114f * pixel.z;  
    greyImage[idx]   = static_cast<unsigned char>(intensity);   
}

祝你好运！！！

Answer 2

对于这样的性能应用程序，您需要将 2D 矩阵信息作为单个数组存储在内存中。因此，如果您有一个 M x N 矩阵，那么您可以将其存储在长度为 M*N 的单个数组中。

因此，如果您想存储 2x2 矩阵

(1 , 2)
(3 , 4)

，那么您可以创建一个数组，并使用以下代码初始化第 i 行和 j 列的元素。

int rows=2;
int cols=2;
float* matrix = malloc(sizeof(float)*rows*cols);
matrix[i*cols+j]=yourValue;
//element 0,0
matrix[0*cols+0]=1.0;
//element 0,1
matrix[0*cols+1]=2.0;
//element 1,0
matrix[1*cols+0]=3.0;
//element 1,1
matrix[1*cols+1]=4.0;

这种获取二维数组并将其存储在单个连续内存中的方式称为按行优先顺序存储数据。请参阅此处的维基百科文章。将数据布局更改为这种格式后，您可以使用 SDK 中显示的减少方式，并且您的代码应该会快得多，因为您将能够在 GPU 内核代码中进行更多合并读取。

Answer 3

下面是我自己的代码中的一个简短的片段，其中包含一个简单的内核。浮点指针都是设备指针。希望这有帮助。

定义和帮助函数：

#define BLOCK_SIZE 16

int iDivUp(int a, int b){
    return (a % b != 0) ? (a / b + 1) : (a / b);
}

块大小计算：

dim3 dimBlock(BLOCK_SIZE, BLOCK_SIZE);
dim3 dimGridProj(iDivUp(width,BLOCK_SIZE), iDivUp(height,BLOCK_SIZE));

主机调用：

calc_residual<<<dimGridProj, dimBlock>>>(d_image1, d_proj1, d_raynorm1, d_resid1, width, height);

内核：

__global__ void calc_residual(float *d_imagep, float *d_projp, float *d_raysump, float *d_residualp, int width, int height)
{
    int iy = blockDim.y * blockIdx.y + threadIdx.y;
if (iy >= height) {
    return;
}
int ix = blockDim.x * blockIdx.x + threadIdx.x;
if (ix >= width) {
    return;
}
int idx = iy * width + ix;
float raysumv = d_raysump[idx];
if (raysumv > 0.001) {
    d_residualp[idx] = (d_projp[idx]-d_imagep[idx])/raysumv;
} 
else{
    d_residualp[idx] = 0;
}
}