南开并行计算复习
假定已有求解问题的串行算法，我们将其改写为并行版本。
- ==将计算任务进行分解，交由众多进程/线程并发执行==
- 保持依赖关系：计算结果必须与串行算法一致
- 额外开销：锁、同步、barrier等的开销
==竞争条件与数据依赖==：
如果执行结果依赖于多个事件的时序，那么存在竞争条件。
- 数据依赖：内存操作的时序条件，必须保持，以保证结果的正确性
- 同步：将多个线程的执行串行化（比如只有多个线程都完成了某一操作，这些线程才会进行下一步动作）
例子：n个数求和
使用计算任务划分，此时：
- 划分任务，一个线程进行n/t个数求和，最后sum+=此线程的求和值
- 但是由于每个线程在循环内部都会用到sum，而sum是一个全局变量，==任何时候必须只有一个线程对sum操作==
- 思考如何粗粒度加锁/同步
- 每一个线程先完成自己的局部求和，最后在循环外将局部和加到全局sum时，对此操作加锁
- 消除锁，共享局部数组my_sum[t]，设置同步(每一个线程均完成自己的局部和求解后)，0线程单独进行sum的求和操作
- 多核并行求全局和：不是一个线程负责所有线程的局部和相加，而是递归分解
==开销==
- 使用锁mutex、barrier障碍，进行同步
- 划分任务的额外代码，根据每个线程的id划分
- 更多地进行本地运算，少进行全局值的更改
- 可能出现负载不均，每个线程的任务划分要合理
- 将求解问题涉及到的数据划分给多个核心
- 每个核心对 不同数据进行相似的计算
- 类似于批改试卷，多个人批改试卷，批改的行为相同，而试卷是数据，对数据并行
- ==行/列划分==、==2维划分==
- 分治策略
- 问题求解，转化为子问题的求解，子问题求解继续分而治之，分解停止——原子问题。
- 但是枢轴要选取恰当，不然容易负载不均
与数据分解区别：一旦一个任务找到解，全部任务可以停止
- 更多地访问局部数据/最近访问过的数据，类似于cache
- 最小化数据交互量：中间结果保存为局部数据，最终结果计算时才通信
- 最小化冲突：重构算法，避免多个任务同时访问共享数据，多个进行同时向一个进程发送消息等
- 最小化交互频率：重构算法，大块访问数据
C=AB
划分子矩阵，每个进程负责C的一个子矩阵运算，注意分配任务与进程标号结合，使得每次子矩阵相乘用到的子矩阵不同，错开。
传递四个消息，可以把a做四次；但是不如c，c类似于流水线，每个进程传播多个消息，通信重叠度大
-
串行算法评价：时间复杂度
-
并行算法评价：输入规模、处理器数目、通信速度
-
评价标准：运行事件；加速比
-
并行程序设计的复杂性：
- 足够的并发度(Amdahl定律)
- 并发粒度：独立的计算任务的大小
- 局部性：对临近数据计算
- 负载均衡
- 协调和同步
-
并行算法额外开销
-
进程间通信：最大开销
-
进程空闲：负载不均
-
额外计算：需要同步
-
$T_o$ =$pT_p -T_s$，其中$T_P$是并行算法时间，p是核的数量 -
加速比$S=T_s/T_p$，一般S小于等于p，但是S可能大于p，超线性：串行算法计算量>并行算法；硬件问题不利于串行算法
- 数据量较大，无法放入cache
- 但是并行后数据量变小，每个处理器的数据量可以放入cache，性能提高
-
代价最优：Ts与pTp同阶
- 如果不是代价最优，当p固定，问题规模n变大时，效率会越来越低
- E=Ts/pTp cost=pTp E<=1
-
Adamhl定律：随着p增大（核数量变大），S趋于饱和，E减小(开销变大)
- p不变，n增大，S和E都会增大。
-
等效率函数
$W=T_s$ ，评估并行运行时间$T_P = \frac{W + T_o(W, p)}{p}$ $$S = \frac{W}{T_P} = \frac{Wp}{W + T_o(W, p)}$$ $E = \frac{S}{p} = \frac{W}{W + T_o(W, p)} = \frac{1}{1 + \frac{T_o(W, p)}{W}}$ 其中To代表并行算法总额外开销
-
异构编程
SYCL（Single-source C++ for Heterogeneous Computing）是一个开放标准，由Khronos Group定义，允许开发者使用现代C++在异构计算设备上编写并行代码。SYCL 的特点是单一源代码，即主机代码和设备代码可以写在同一个文件中。
==DPC++==（Data Parallel C++）则是 Intel 在 SYCL 基础上的扩展，作为 ==oneAPI==的核心编程模型。
使用 buffer 和 accessor
buffer 和 accessor 是 SYCL 中管理和传输数据的一种常用方法。buffer 负责在主机和设备之间传输数据，而 accessor 允许设备内核访问缓冲区中的数据。在这种方式下，SYCL 隐式管理数据同步和传输。
#include <CL/sycl.hpp>
using namespace sycl;
constexpr int N = 16;
int main() {
std::vector<double> v(N, 10);
queue q;
// 定义一个作用域，用于管理 buffer 的生命周期
{
buffer buf(v);
q.submit([&](handler &h) {
accessor a(buf, h);
h.parallel_for(N, [=](auto i) {
a[i] -= 2;
});
});
// buffer buf 在这里会被销毁，隐式同步
}
// 现在数据已经同步回主机，可以安全地访问
for (int i = 0; i < N; i++) {
std::cout << v[i] << "\n";
}
return 0;
}
创建一个缓冲区 buffer buf(v); 时，SYCL 会将向量 v 的数据复制到缓冲区 buf 中，并管理该数据在设备和主机之间的同步。而当缓冲区被销毁时，SYCL 运行时会确保所有与缓冲区相关的任务都已完成。这包括将设备上的数据复制回主机，使主机上的向量 v 包含最新的计算结果。
int main() {
// Host memory buffer that device will write data back before destruction.
float(*c_back)[P] = new float[M][P];
queue q(default_selector_v);
buffer<float, 2> a_buf(range(M, N));
buffer<float, 2> b_buf(range(N, P));
buffer c_buf(reinterpret_cast<float *>(c_back), range(M, P));
//该缓冲区与主机内存中的c_back绑定。
clock_t start = clock();
q.submit([&](auto &h) {
accessor a(a_buf, h, write_only);
h.parallel_for(range(M, N), [=](auto index) { a[index] = 1.0f; });
});
q.submit([&](auto &h) {
accessor b(b_buf, h, write_only);
h.parallel_for(range(N, P), [=](auto index) { b[index] = 1.0f; });
});
q.submit([&](auto &h) {
accessor a(a_buf, h, read_only);
accessor b(b_buf, h, read_only);
accessor c(c_buf, h, write_only);
int width_a = a_buf.get_range()[1];
h.parallel_for(range(M, P), [=](auto index) {
int row = index[0];
int col = index[1];
float sum = 0.0f;
for (int i = 0; i < width_a; i++) {
sum += a[row][i] * b[i][col];
}
c[index] = sum;
});
});
clock_t finish = clock();
cout << "Run time:" << (double)(finish - start) / CLOCKS_PER_SEC << "\n";
}
隐式内存传输malloc_shared
malloc_shared 是另一种方式，通过分配共享内存，可以在主机和设备之间直接共享数据，而无需显式的数据传输。malloc_shared 分配的内存区域在主机和设备上都可见，且内存同步由 SYCL 运行时自动处理。
USM基于指针的替代，而无需将所有数据变成buffer缓冲区。
#include <CL/sycl.hpp>
using namespace sycl;
constexpr int N = 16;
int main() {
queue q;
double* data = malloc_shared<double>(N, q);
// 初始化数据
for (int i = 0; i < N; ++i) {
data[i] = 10;
}
// 提交并行任务
q.parallel_for(N, [=](auto i) {
data[i] -= 2;
}).wait(); //wait同步
// 主机端访问数据
for (int i = 0; i < N; ++i) {
std::cout << data[i] << "\n";
}
// 释放共享内存
free(data, q);
return 0;
}概念：多个算术运算->一个SIMD操作 多个取数/存结果操作->一个更宽的内存操作
主要是针对循环内部的算术
- x86平台 SSE/AVX256/AVX512
- ARM平台 Neon
- 向量化
- 标量： add r1,r2,r3
- simd：vadd v1,v2,v3
- 指令集扩展：编程接口类似于函数调用
- 底层编程：使用intrinsic；高层编程：使用编译器，而不是自己显式调用
- 数据必须对齐，在内存中要连续存储
- 打包/解包开销：
- 打包源运算对象——拷贝至连续内存区域
- 解包目的运算对象——拷贝回内存
- 对齐的内存访问
- 地址总是向量长度的倍数（例如16字节）
- 只有一个超级字的读/写操作
- 未对齐的内存访问
- 地址不是16字节的整数倍
- 有时硬件会帮做
- 可能会出现性能下降，甚至结果错误
- SSE128位，支持16个8位整数同时运算、8个16位整数
- AVX256，扩展SSE至256位
- AVX512，扩展至512位
- 对应于C/C++的intrinsics，编译器能识别的函数
//数据移动和相关初始化
_m128 va=_mm_load_ps(addr) //从此位置取n位至寄存器中
//算术运算
__mm_div_ps(va,vb) //等
//最后从向量寄存器中拷贝回内存
_mm_store_ps(m[k] + j, va)注意load和loadu不一样，load是严格对齐，loadu可以不对齐
for (int k = 0; k < N; k++)
{
for (int j = k + 1; j < N; j++)
m[k][j] = m[k][j] / m[k][k];
m[k][k] = 1.0;
for (int i = k + 1; i < N; i++)
{
for (int j = k + 1; j < N; j++)
m[i][j] = m[i][j] - m[i][k] * m[k][j];
m[i][k] = 0;
}
}注意下面的对齐版本的AVX，首先检测地址是否32字节对齐(一个元素是4字节，检测下标是否为8的倍数即可)
for (int k = 0; k < N; k++) {
__m256 vt = _mm256_set1_ps(m[k][k]);//用m[k][k]初始化向量vt
int j = k + 1;
if (j % 8 != 0) {
while (j % 8 != 0) {
m[k][j] = m[k][j] / m[k][k];
j++;
}
}
for (j; j + 8 <= N; j += 8) {
__m256 va = _mm256_load_ps(m[k] + j);
va = _mm256_div_ps(va, vt);
_mm256_store_ps(m[k] + j, va);//从向量寄存器储存到内存
}
for (j; j < N; j++) {
m[k][j] = m[k][j] / m[k][k];
}
m[k][k] = 1.0;
for (int i = k + 1; i < N; i++) {
__m256 vaik = _mm256_set1_ps(m[i][k]);
j = k + 1;
if (j % 8 != 0) {
while (j % 8 != 0) {
m[i][j] = m[i][j] - m[i][k] * m[k][j];
j++;
}
}
for (j; j + 8 <= N; j += 8) {//内层展开，对j2
__m256 vakj = _mm256_load_ps(m[k] + j);
__m256 vaij = _mm256_load_ps(m[i] + j);
vakj = _mm256_mul_ps(vaik, vakj);
vaij = _mm256_sub_ps(vaij, vakj);
_mm256_store_ps(m[i] + j, vaij);
}
for (j; j < N; j++) {
m[i][j] = m[i][j] - m[i][k] * m[k][j];
}
m[i][k] = 0;
}
}-
128位 4个32位int型整数运算
-
常用指令：VLD、VST
-
vld1q_f32 //1为非交错模式 vmulq_f32 vsubq_f32 vst1q_f32
for (int k = 0; k < N; k++) {
float32x4_t vt = vmovq_n_f32(m[k][k]);//用m[k][k]初始化向量vt
int j = k + 1;
if (j % 4 != 0) {
while (j % 4 != 0) {
m[k][j] = m[k][j] / m[k][k];
j++;
}
}
for (j; j + 4 <= N; j += 4) {
float32x4_t va = vld1q_f32(m[k] + j);
va = vdivq_f32(va, vt);
vst1q_f32(m[k] + j, va);//从向量寄存器储存到内存
}
for (j; j < N; j++) {
m[k][j] = m[k][j] / m[k][k];
}
m[k][k] = 1.0;
for (int i = k + 1; i < N; i++) {
float32x4_t vaik = vmovq_n_f32(m[i][k]);
j = k + 1;
if (j % 4 != 0) {
while (j % 4 != 0) {
m[i][j] = m[i][j] - m[i][k] * m[k][j];
j++;
}
}
for (j; j + 4 <= N; j += 4) {//内层展开，对j2
float32x4_t vakj = vld1q_f32(m[k] + j);
float32x4_t vaij = vld1q_f32(m[i] + j);
vakj = vmulq_f32(vaik, vakj);
vaij = vsubq_f32(vaij, vakj);
vst1q_f32(m[i] + j, vaij);
}
for (j; j < N; j++) {
m[i][j] = m[i][j] - m[i][k] * m[k][j];
}
m[i][k] = 0;
}
}外层循环是每一个消元子，内层循环是消元行；如果当前消元子不为空，对所有消元行消元即可；如果当前消元子为空，从被消元行0下标开始查找，是否有可以升格的被消元行，如果有，那么升格，再继续对余下的所有被消元行消元。
void elimination() {
for (int i = RN - 1; i >= 0; i--) { //消元子
if (!eliminer_ifnull(i)) {
for (int j = 0; j < E_LineN; j++) { //对第j个被消元行进行消元
if (eline[j].num == i) {
int ss = 0;
for (ss; ss <= i / 8; ss++) //第i/8个可能对不需要操作的位进行了异或
eline[j].bit[ss] ^= eliminer[i][ss];
if (eline_ifnull(j)) {
eline[j].ifUprade = true;
eline[j].num = -2;
}
else {//重置num
for (int n = eline[j].num; n >= 0; n--) {//找到首个1
if (eline[j].bit[n / 8] & (1 << (n % 8))) { //n%8为0-7的位置，n/8为char的位置
eline[j].num = n;
break;
}
}
}
}
}
}
else {
for (int j = 0; j < E_LineN; j++) {
if (eline[j].num == i) {
for (int ss = eline[j].num / 8; ss >= 0; ss--) //赋值过来
eliminer[eline[j].num][ss] = eline[j].bit[ss];
eline[j].ifUprade = true;
flagUpgrade = 1;
nextstart = j;//之前的被消元行的首位不等于i,不用消元
eline[j].num = -2;
break;
}
}
if (flagUpgrade == 0)
continue;
int newid = nextstart + 1;
for (int j = newid; j < E_LineN; j++) {
if (eline[j].num == i) {
int ss = 0;
for (ss; ss <= i / 8; ss++) //第i/8个可能对不需要操作的位进行了异或
eline[j].bit[ss] ^= eliminer[i][ss];
if (eline_ifnull(j)) {
eline[j].ifUprade = true;
eline[j].num = -2;
}
else {//重置num
for (int n = eline[j].num; n >= 0; n--) {//找到首个1
if (eline[j].bit[n / 8] & (1 << (n % 8))) { //n%8为0-7的位置，n/8为char的位置
eline[j].num = n;
break;
}
}
}
}
}
}
}
}simd很简单，直接对所有异或操作进行并行即可
for (ss; ss + 64 <= i / 8; ss += 64) { //32个字节，8个int
__m512i ve = _mm512_loadu_epi8(eline[j].bit + ss);
__m512i vr = _mm512_loadu_epi8(eliminer[i] + ss);
__m512i tmp = _mm512_xor_si512(ve, vr);
_mm512_storeu_epi8(eline[j].bit + ss, tmp);
}
- load至向量寄存器
- 然后向量运算异或
- 最后储存至原数据即可
多线程Pthread编程
- 动态线程
- 主线程等待计算工作，fork新线程分配工作，工作线程完成任务后结束
- ==创建线程，销毁线程==非常耗时
- 静态线程
- 创建线程池，线程数量不变，直至整个程序结束
- 性能更优，但是会浪费资源
线程数据共享
-
全局变量都是共享的
-
函数参数线程id，创建一个线程数据结构
-
线程函数内部定义的变量是私有的
//初始化barrier pthread_barrier_init(&barrier_eliminerNULL, NULL, NUM_THREADS); pthread_barrier_init(&barrier_AfterEliminerNull, NULL, NUM_THREADS); //创建线程 pthread_t* handles = new pthread_t[NUM_THREADS]; threadParam_t* param = new threadParam_t[NUM_THREADS]; //创建工作线程 for (int t_id = 0; t_id < NUM_THREADS; t_id++) { param[t_id].t_id = t_id; pthread_create(&handles[t_id], NULL, threadFunc, (¶m[t_id])); } //销毁进程 for (int t_id = 0; t_id < NUM_THREADS; t_id++) pthread_join(handles[t_id], NULL); void pthread_exit(void*value_ptr);//将value_ptr返回给调用者
-
忙等待 while(){}
-
显式同步：互斥量(锁) 可能导致死锁问题
pthread_mutex_lock(&mutex) .... pthread_mutex_unlock(&mutex) -
信号量：sem_wait(sem_t*sem) sem_post() 初始为0，wait一次信号量-1，post对信号量+1，大于等于0时恢复
-
使用barrier同步（最简单）
pthread_barrier_init(&barrier_Divsion, NULL, NUM_THREADS); pthread_barrier_init(&barrier_Elimination, NULL, NUM_THREADS); //第一个同步点 pthread_barrier_wait(&barrier_Divsion); //第二个同步点 pthread_barrier_wait(&barrier_Elimination);
-
mutex底层需要XCHG指令，实现Test-and-Set操作
- 是pthread的常见替代，更简单
- 可移植与扩展
- 依赖于编译指示，编译器做相关并行化
openmp执行模型：
-
==Fork-join并行执行模型==
-
执行一开始是单进程（主线程）
-
并行结构开始：主线程创建一组线程（工作线程）
-
并行结构结束时：隐式Barrier，线程组同步
-
之后只有主线程继续执行
-
Pthread
- 全局作用域变量共享
- 栈中分配变量私有
-
Openmp
- 默认shared
- 可自己指定，shared变量是共享的；private变量是私有的
临界区指令：
-
#pragma omp critical
规约操作：
-
openmp支持规约，避免自己写omp critical等
-
sum=0; #pragma omp parallel for reduction(+:sum) for(i=0;i<100;i++){ sum+=array[i]; }
-
并非所有元素级的循环都可以并行化
#pragma omp parallel for
- 循环不变量：带符号整数
- 中止检测，必须是<=,<,>,>=等
- 每步迭代必须是一个循环不变量
- 循环体必须无控制流
-
==避免线程创建与销毁开销==，先在外面创建线程，内部再使用omp for并行
int i, j, ss, n, newid; #pragma omp parallel num_threads(thread_nums),private(i,j,ss,n,newid) { for (i = RN - 1; i >= 0; i--) { //消元子 if (!eliminer_ifnull(i)) { #pragma omp for for (j = 0; j < E_LineN; j++) { //对第j个被消元行进行消元 if (eline[j].num == i) { ss = 0; for (ss; ss <= i / 8; ss++) //第i/8个可能对不需要操作的位进行了异或 eline[j].bit[ss] ^= eliminer[i][ss]; if (eline_ifnull(j)) { eline[j].ifUprade = true; eline[j].num = -2; } else {//重置num for (n = eline[j].num; n >= 0; n--) {//找到首个1 if (eline[j].bit[n / 8] & (1 << (n % 8))) { //n%8为0-7的位置，n/8为char的位置 eline[j].num = n; break; } } } } } }
schedule子句确定如何在线程间划分循环
- static([chunk]) 分配给每个线程各chunk步迭代；所有线程分配完之后，如果迭代不没有分配完，继续上面的操作
- dynamic([chunk]) 分配给每个线程chunk步迭代，一个线程完成任务之后，再为其分配[chunk]步迭代
- 动态划分效果可能会更好，达到==负载均衡==，先完成的线程先得到余下的任务
- guided([chunk]) [chunk]呈指数减小
- 默认是static，同时chunk=ceil(iterations/threads_num)
- 局部性：
- 减少通信
- 重用与局部性
- 数据重用：
- 多次使用相同或者邻近数据
- 数据局部性:
- 重排循环顺序，比如C++数组行主顺序保存
- 数据重用：
- 循环展开
- omp single
- 任务并行：同时执行不同计算任务
- 使用omp sections，下面定义一些omp section区域
-
- omp simd 自动simd向量化
MPI 通常假定数据是连续的内存块，因此传输不连续的内存块会导致数据不一致或传输错误，所以在实验时数组不能是动态new出来的
mpi是多进程，由于进程之间地址空间独立，必须要传递消息来通信；而多线程的通信代价显然更小
- 进程之间的通信包括同步与数据移动
- 进程之间不会有数据竞争，但是通信同步可能出错
MPI_init()
....
MPI_Finalize()
MPI_Comm_rank(MPI_COMM_WORLD, &myid); //获取id
MPI_Comm_size(MPI_COMM_WORLD, &numprocs);//获取总进程数-
进程与通信域 MPI_COMM_WORLD
-
MPI_Send 阻塞性：
MPI_Send会等待消息数据被复制到系统缓冲区或目标进程开始接收，然后继续执行接下来的代码。这并不意味着目标进程已经处理了该消息。int MPI_Send(const void *buf, int count, MPI_Datatype datatype, int dest, int tag, MPI_Comm comm);
MPI_Recv 阻塞性：
MPI_Recv会一直等待，直到消息数据完全接收，然后继续执行接下来的代码。int MPI_Recv(void *buf, int count, MPI_Datatype datatype, int source, int tag, MPI_Comm comm, MPI_Status *status);
-
MPI_ANY_SOURCE、MPI_ANY_TAG 不作筛选
-
可以使用Isend，IRecv等不阻塞的发送与接收
- 阻塞通信模式：
- 可能会造成死锁，某个进程发送消息、接收消息
- Send-receive实际上完成了数据传输与同步操作
- 发送与接收错开，避免死锁 ：即一个进程是发送、接收，那么另一个进程就是接收、发送。
- 消息传递模型：
- 对等式
- 主从式
- 组通信、广播与规约
- MPI_Bcast，root对于count个进程广播
GPU擅长对于大量元素进行相同计算、众核，高并发
- host：CPU端的代码
- device：GPU端的代码
- Kernel：从host调用，在device端运行的函数
- Thread工作模式
- 所有线程执行相同的Kernel代码
- 每个线程使用自己的编号计算不同的数据（内存地址）及执行不同的分支
- 线程块：Block内线程协同计算，共享内存，原子操作，同步机制；但是Block之间不能协作
- Block ids，Thread ids。
- Grid是一组线程块，共享全局内存中的数据，运行时动态调度
例子：==向量相加程序vecAdd的host端==
- 首先在设备商分配A,B,C的空间；将Host中的A,B拷贝至设备上
- 然后Kernel launch code，在设备上运行
- 最后从设备内存中将C拷贝回Host
CUDA的内存层次介绍：
- Device代码可以：
- 读/写每线程独占的寄存器
- 读/写每Kernel共享的全局内存
- Host代码可以：
- 在CPU主存与Device全局内存间传输数据
-
- 数据传输API：
- cudaMemcpy：Host-Device内存数据传输
- cudaMalloc在设备端创建数据缓冲区
- 也可以直接使用
cudaMallocManaged函数用于在设备和主机之间分配统一内存，分配的内存可以被设备和主机共享
GPU编程例子
#include <iostream>
// Kernel 函数，用于在 GPU 上执行矢量相加
__global__ void vectorAdd(const float *A, const float *B, float *C, int numElements) {
//一个block的线程数量*block索引+block内部thread的索引=全局thread的索引
int i = blockDim.x * blockIdx.x + threadIdx.x;
if (i < numElements) {
C[i] = A[i] + B[i];
}
}
int main() {
int numElements = 10000; // 矢量元素数量
// 分配主机上的内存
float *h_A = new float[numElements];
float *h_B = new float[numElements];
float *h_C = new float[numElements];
// 初始化 A 和 B
for (int i = 0; i < numElements; ++i) {
h_A[i] = rand() / (float)RAND_MAX;
h_B[i] = rand() / (float)RAND_MAX;
}
// 分配设备上的内存
float *d_A, *d_B, *d_C;
cudaMalloc(&d_A, numElements * sizeof(float));
cudaMalloc(&d_B, numElements * sizeof(float));
cudaMalloc(&d_C, numElements * sizeof(float));
// 将数据从主机复制到设备
cudaMemcpy(d_A, h_A, numElements * sizeof(float), cudaMemcpyHostToDevice);
cudaMemcpy(d_B, h_B, numElements * sizeof(float), cudaMemcpyHostToDevice);
// 启动核函数
int blockSize = 256;
int gridSize = (numElements + blockSize - 1) / blockSize;
//<<<网格中包含块的数量，一个块的线程数量>>>
vectorAdd<<<gridSize, blockSize>>>(d_A, d_B, d_C, numElements);
// 将结果从设备复制回主机
cudaMemcpy(h_C, d_C, numElements * sizeof(float), cudaMemcpyDeviceToHost);
// 验证结果
for (int i = 0; i < numElements; ++i) {
if (fabs(h_A[i] + h_B[i] - h_C[i]) > 1e-5) {
std::cerr << "Error: Element " << i << " does not match!" << std::endl;
break;
}
}
// 释放内存
delete[] h_A;
delete[] h_B;
delete[] h_C;
cudaFree(d_A);
cudaFree(d_B);
cudaFree(d_C);
return 0;
}CUDA变量声明：
- __device__
- 位于全局内存
- 与程序一样的生命期
- Grid中所有的线程均可访问
- Host通过运行时库可以访问
- __share__
- 位于某个线程块的共享内存
- 只有Block内部的所有线程可以访问
- __global__定义一个Kernel函数
- __constant__
- 位于常量内存
- 与程序一样的生命期
- Grid中所有线程均可访问
- Host通过运行时库可以访问
- 全局内存最慢：输入与最终输出数据
- 充分利用共享内存
- 将数据划分为可放入共享内存的子集
- 一个Block处理一个子集
- 数据子集全局内存->共享内存，多线程并发传输
- 计算结果共享内存->全局内存
- 同步API
- __syncthreads() 同一个块内的线程同步