CUDA常用API

内置类型和函数 线程同步 线程调度 存储模型 重访 原子函数

Global和device函数 1、尽量少用递归 2、不要用静态变量 3、少用malloc 4、小心通过指针实现的函数调用

向量数据类型

同时适用于host和device代码 通过函数make_<type_name>构造

这些向量类型都是从基本的整型和浮点型derived而来。这些类型均为数据结构,并且可以通过x,y,z,w分别访问他们的1st,2nd,3rd和4th component. 它们均可通过make_<type_name>格式的构造函数构造。比如: int2 make_int2(int x, int y); 创建了一个int2类型的向量(x,y); 结构体的对齐要求如下:

数学函数

sqrt rsqrt exp log sin cos tan sincos asin acos atan2 trunc ceil floor

Intrinsic function 内函函数 仅面向Device设备端 更快 单精度降低 以__为前缀,如: __exp, __log, __sin, __pow,...

线程同步

块内线程可以同步 通过___syncthreads创建一个barrier栅栏(线程块内的同步) 每个线程在调用点等待块内所有线程执行到这个地方,然后所有线程继续执行后续指令

1、要求线程的执行时间尽量接近,为什么这点很重要? 类似木桶只有一个短板,多数人等一个人浪费时间。

2、为什么只在一个块内部进行同步? 全局同步开销比较大。

3、__syncthreads()会导致线程暂停吗? 会,而且有可能导致死锁。

线程调度

G80架构 16SMs 每个SM有8个SPs 共计128个SPs SP:Streaming processing 每个SM驻扎多达768个线程。 允许共计768个线程在这里存储,但不一定在执行。(通过context存起来 交替执行 隐藏延迟) 总过同时执行12,288个线程。

GT200架构

Warp 线程束 块内的一组线程 (一个Warp内的线程是天然同步的,是在硬件层面进行的保证) 运行于同一个SM 线程调度的基本单位 threadIdx值连续0-31 32-63 ... 一个实现细节--理论上 warpSize

同一个SM上调度3块block时的warp配置(即,SM调度block时会按照warpSize的大小将block切分成对应的warp进行调度)

!!在任何一个时刻,一个SM上只有一个warp正在执行。。??

每个warp含32个线程,但每个SM只有8个SPs。如何分配?

32个线程,每次分配8个线程给SM,然后依次执行完32个线程的第一个指令。接着按照同样的步骤做。

问题:一个kernnel包含1次对global memory的读操作(200 cycles)和4次独立的multiples/adds操作独立于访存,需要多少个warp才可以隐藏内存延迟?(设multiples/adds一次需要4个指令周期)

解答: m/a操作 16个周期,需要覆盖200个周期。200/16=12.5 ceil(12.5)=13 需要13个warps

寄存器Registers 每个线程专用 快速 片上 可读写 增加kernel的register用量会导致什么结果? 性能可能变高 可能变低,例如:

寄存器 G80 每个SM 有768 threads 共8K个寄存器 每个线程可以分到多少个寄存器? 8K / 768 每个线程最多分10个寄存器

如果每个线程must用11个寄存器,每个block包含256个线程。 每个block要用256*11个寄存器。每个block需要2816个寄存器。也就是一个SM拥有8K个寄存器 8K/2816 = 2 最多装两个block。 也就是最多有256 * 2 / 32 = 16个warp,warp个数变少,意味着低效。且多余的寄存器浪费了。

局部存储器Local Memory 存储于global memory(这玩意儿竟然是在全局内存吗?wtf) 作用域是每个thread 用于存储自动变量数组 通过常量索引访问

共享存储器 Shared Memory 每个块 快速 片上 读写 全速随机访问(用户可编程cache)

G80 共享存储器 每个SM包含: 至多8个blocks 16KB共享存储器 每个block分配多少KB? 如果每个block用5KB,一个SM可以驻扎多少block? 16KB / 5KB = 3

全局存储器 Global Memory 长延时(100个周期) 片外 可读写 随机访问影响性能 Host主机端可读写 GT200 带宽150 GB/s 容量4 GB

常量存储器 Constant Memory 短延时 高带宽 当所有线程访问同一位置时只读 存储于Global memory 但是有缓存 Host主机端可读写 容量 64KB

变量的生命周期

Global and constant 变量 Host可以通过以下函数访问: cudaGetSymbolAddress() cudaGetSymbolSize() cudaMemcpyToSymbol() cudaMemcpyFromSymbol() Constants变量必须声明在函数外声明

相关推荐
飞哥数智坊7 小时前
GPT-5-Codex 发布,Codex 正在取代 Claude
人工智能·ai编程
倔强青铜三7 小时前
苦练Python第46天:文件写入与上下文管理器
人工智能·python·面试
虫无涯8 小时前
Dify Agent + AntV 实战:从 0 到 1 打造数据可视化解决方案
人工智能
Dm_dotnet10 小时前
公益站Agent Router注册送200刀额度竟然是真的
人工智能
算家计算11 小时前
7B参数拿下30个世界第一!Hunyuan-MT-7B本地部署教程:腾讯混元开源业界首个翻译集成模型
人工智能·开源
机器之心11 小时前
LLM开源2.0大洗牌:60个出局,39个上桌,AI Coding疯魔,TensorFlow已死
人工智能·openai
Juchecar12 小时前
交叉熵:深度学习中最常用的损失函数
人工智能
林木森ai12 小时前
爆款AI动物运动会视频,用Coze(扣子)一键搞定全流程(附保姆级拆解)
人工智能·aigc
聚客AI13 小时前
🙋‍♀️Transformer训练与推理全流程:从输入处理到输出生成
人工智能·算法·llm
BeerBear14 小时前
【保姆级教程-从0开始开发MCP服务器】一、MCP学习压根没有你想象得那么难!.md
人工智能·mcp