GPU高性能运算之CUDA，CUDA编程报错，大牛帮忙解答啊

Posted 2023-05-06

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了GPU高性能运算之CUDA，CUDA编程报错，大牛帮忙解答啊相关的知识，希望对你有一定的参考价值。

我是cuda初学者，照着GPU高性能运算之CUDA这本书编程，第二章的小程序编译运行出现了如下两个错误：
错误1 error LNK2019: 无法解析的外部符号 _main，该符号在函数 ___tmainCRTStartup 中被引用 LIBCMT.lib
错误2 fatal error LNK1120: 1 个无法解析的外部命令 G:\CUDA\example_2\Debug\example_2.exe
源代码如下：
//example_2.cu
#include <stdlib.h>
#include <stdio.h>
#include <string.h>
#include <math.h>
#include <cutil.h>
#include "example_2_kernel.cu"
__host__ void
runTest(int argc, char** argv)

CUT_DEVICE_INIT(argc,argv); //启动CUDA
unsigned int mem_size = sizeof(float)* 4*4;
float* h_idata;
CUDA_SAFE_CALL(cudaMallocHost((void**)&h_idata,mem_size));
for(unsigned int i = 0;i<4;i++)
for(unsigned int j = 0;j<4;j++)
h_idata[i*4+j]=1.0f;

float* d_idata;
CUDA_SAFE_CALL(cudaMalloc((void**)&d_idata,mem_size));

CUDA_SAFE_CALL(cudaMemcpy(d_idata,h_idata,mem_size,cudaMemcpyHostToDevice));

float* d_odata;
CUDA_SAFE_CALL(cudaMalloc((void**)&d_odata,mem_size));

dim3 grid(2,2,1);
dim3 threads(2,2,1);

testKernel<<<grid,threads>>>(d_idata,d_odata,4,4);

CUT_CHECK_ERROR("Kernel execution failed");

float* h_odata;
CUDA_SAFE_CALL(cudaMallocHost((void**)&h_odata,mem_size));

CUDA_SAFE_CALL(cudaMemcpy(h_odata,d_odata,mem_size,cudaMemcpyDeviceToHost));

for (unsigned int i=0;i<4;i++)

for (unsigned int j=0;j<4;j++)

printf("%5.0f",h_odata[i*4+j]);

printf("\n");

CUDA_SAFE_CALL(cudaFreeHost(h_idata));
CUDA_SAFE_CALL(cudaFreeHost(h_odata));
CUDA_SAFE_CALL(cudaFree(d_idata));
CUDA_SAFE_CALL(cudaFree(d_odata));

//example_2_kernel.cu
#ifndef _EXAMPLE_2_KERNEL_H_
#define _EXAMPLE_2_KERNEL_H_
#define SDATA(index) CUT_BANK_CHECKER(sdata,index)
__global__ void testKernel(float* g_idata, float* g_odata, int width, int height)

__shared__ float sdata[4];

unsigned int bid_in_grid = __mul24(blockIdx.y,gridDim.x)+blockIdx.x;
unsigned int tid_in_block = __mul24(threadIdx.y,blockDim.x)+threadIdx.x;
unsigned int tid_in_grid_x = __mul24(blockDim.x,blockIdx.x) + threadIdx.x;
unsigned int tid_in_grid_y = __mul24(blockDim.y,blockIdx.y) + threadIdx.y;
unsigned int tid_in_grid = __mul24(tid_in_grid_y,width)+ tid_in_grid_x;

SDATA(tid_in_block)=g_idata[tid_in_grid];
__syncthreads();

g_odata[tid_in_grid]=SDATA(tid_in_block);

我实在不知道哪里出错啊，照着书上把代码敲上去的，为什么还是有错呢？
我的环境是cuda3.1
谢谢各位大牛了，帮忙解答解答

唉，是自己粗心大意，忘了给main函数入口了，在主机端代码中加上函数声明和主函数就行了:
//函数声明
void runTest(int argc, char** argv);
//主函数
int main(int argc, char** argv)

runTest(argc,argv);
CUT_EXIT(argc,argv); //退出CUDA
参考技术A LIBCMT.lib这个库有冲突，可以把这个库屏蔽掉，然后再从新生成参考技术B 可能是编程环境没有弄好，代码错的可能性事很小的。
你的工程文件在哪个目录下？
sdk里边的sample有没有编译成功？

CUDA编程入门

CUDA是一个并行计算框架.用于计算加速.是nvidia家的产品.广泛地应用于现在的深度学习加速.　　
一句话描述就是:cuda帮助我们把运算从cpu放到gpu上做,gpu多线程同时处理运算,达到加速效果.

从一个简单例子说起:

#include <iostream>
#include <math.h>

// function to add the elements of two arrays
void add(int n, float *x, float *y)
{
  for (int i = 0; i < n; i++)
      y[i] = x[i] + y[i];
}

int main(void)
{
  int N = 1<<20; // 1M elements

  float *x = new float[N];
  float *y = new float[N];

  // initialize x and y arrays on the host
  for (int i = 0; i < N; i++) {
    x[i] = 1.0f;
    y[i] = 2.0f;
  }

  // Run kernel on 1M elements on the CPU
  add(N, x, y);

  // Check for errors (all values should be 3.0f)
  float maxError = 0.0f;
  for (int i = 0; i < N; i++)
    maxError = fmax(maxError, fabs(y[i]-3.0f));
  std::cout << "Max error: " << maxError << std::endl;

  // Free memory
  delete [] x;
  delete [] y;

  return 0;
}

这段代码很简单,对两个数组对应位置元素相加.数组很大,有100万个元素.
技术图片
代码运行时间在0.075s．

改写代码使之运行于gpu

gpu上能够运算的函数,在cuda中我们称之为kernel．由nvcc将其编译为可以在GPU上运行的格式.

#include <iostream>
#include <math.h>
// Kernel function to add the elements of two arrays
__global__
void add(int n, float *x, float *y)
{
  for (int i = 0; i < n; i++)
    y[i] = x[i] + y[i];
}

int main(void)
{
  int N = 1<<20;
  float *x, *y;

  // Allocate Unified Memory – accessible from CPU or GPU
  cudaMallocManaged(&x, N*sizeof(float));
  cudaMallocManaged(&y, N*sizeof(float));

  // initialize x and y arrays on the host
  for (int i = 0; i < N; i++) {
    x[i] = 1.0f;
    y[i] = 2.0f;
  }

  // Run kernel on 1M elements on the GPU
  add<<<1, 1>>>(N, x, y);

  // Wait for GPU to finish before accessing on host
  cudaDeviceSynchronize();

  // Check for errors (all values should be 3.0f)
  float maxError = 0.0f;
  for (int i = 0; i < N; i++)
    maxError = fmax(maxError, fabs(y[i]-3.0f));
  std::cout << "Max error: " << maxError << std::endl;

  // Free memory
  cudaFree(x);
  cudaFree(y);
  
  return 0;
}

nvcc编译的文件的后缀为.cu

cuda中定义kernel在函数前加上__global声明就可以了.
在显存上分配内存使用cudaMallocManaged
调用一个函数使用<<< >>>符号.比如对add的函数的调用使用｀add<<<1, 1>>>(N, x, y);｀,关于其中参数的意义,后文再做解释.
需要cudaDeviceSynchronize()让cpu等待gpu上的计算做完再执行cpu上的操作

技术图片
可以用nvprof做更详细的性能分析. 　　

注意用sudo 否则可能报错.
sudo /usr/local/cuda/bin/nvprof ./add_cuda

技术图片
gpu上add用了194ms．

这里,我们注意到,跑在gpu反而比cpu更慢了.因为我们这段代码里｀add<<<1, 1>>>(N, x, y);｀并没有发挥gpu并行运算的优势,反而因为多了一些cpu与gpu的交互使得程序变慢了.

用GPU　threads加速运算

重点来了
CUDA GPUS有多组Streaming Multiprocessor(SM).每个SM可以运行多个thread block. 每一个thread block有多个thread.
如下图所示:
技术图片
注意几个关键变量:

blockDim.x 表明了一个thread block内含有多少个thread
threadIdx.x　表明了当前thread在该thread blcok内的index
blockIdx.x 表明了当前是第几个thread block

我们要做的就是把计算分配到所有的thread上去.这些thread上并行地做运算,从而达到加速的目的.

前面我们说到在cuda内调用一个函数(称之为kernel)的用法为<<<p1,p2>>>，比如｀add<<<1, 1>>>(N, x, y);｀　第一个参数的含义即为thread block的数量,第二个参数的含义为block内参与运算的thread数量.

现在来改写一下代码:

#include <iostream>
#include <math.h>
#include <stdio.h>

// Kernel function to add the elements of two arrays
__global__
void add(int n, float *x, float *y)
{
  int index = threadIdx.x; 
  int stride = blockDim.x;
  printf("index=%d,stride=%d
",index,stride);
  for (int i = index; i < n; i+=stride)
  {
    y[i] = x[i] + y[i];
    if(index == 0)
    {
        printf("i=%d,blockIdx.x=%d,thread.x=%d
",i,blockIdx.x,threadIdx.x);
    }
  }
}

int main(void)
{
  int N = 1<<20;
  float *x, *y;

  // Allocate Unified Memory – accessible from CPU or GPU
  cudaMallocManaged(&x, N*sizeof(float));
  cudaMallocManaged(&y, N*sizeof(float));

  // initialize x and y arrays on the host
  for (int i = 0; i < N; i++) {
    x[i] = 1.0f;
    y[i] = 2.0f;
  }

  // Run kernel on 1M elements on the GPU
  add<<<1, 256>>>(N, x, y);

  // Wait for GPU to finish before accessing on host
  cudaDeviceSynchronize();

  // Check for errors (all values should be 3.0f)
  float maxError = 0.0f;
  for (int i = 0; i < N; i++)
    maxError = fmax(maxError, fabs(y[i]-3.0f));
  std::cout << "Max error: " << maxError << std::endl;

  // Free memory
  cudaFree(x);
  cudaFree(y);
  
  return 0;
}

注意add的写法,我们把0,256,512...放到thread1计算,把1,257,...放到thread2计算,依次类推.调用的时候,add<<<1, 256>>>(N, x, y);表明我们只把计算分配到了thread block1内的256个thread去做.
编译这个程序(注意把代码里的printf注释掉,因为要统计程序运行时间):nvcc add_block.cu -o add_cuda_blcok -I/usr/local/cuda-9.0/include/ -L/usr/local/cuda-9.0/lib64
技术图片
可以看到add的gpu时间仅仅用了2.87ms

技术图片
程序的整体运行时间为0.13s,主要是cudaMallocManaged,cudaDeviceSynchronize之类的操作耗费了比较多的时间.

再一次改写代码
这一次我们用更多的thread block．

  int blockSize = 256;
  int numBlocks = (N + blockSize - 1) / blockSize;
  add<<<numBlocks, blockSize>>>(N, x, y);

// Kernel function to add the elements of two arrays
__global__
void add(int n, float *x, float *y)
{
  int index = blockIdx.x * blockDim.x + threadIdx.x;
  int stride = blockDim.x * gridDim.x;
  for (int i = index; i < n; i+=stride)
  {
      y[i] = x[i] + y[i];
      //printf("i=%d,blockIdx.x=%d
",i,blockIdx.x);
  }
}

编译:nvcc add_grid.cu -o add_cuda_grid -I/usr/local/cuda-9.0/include/ -L/usr/local/cuda-9.0/lib64
统计性能:
技术图片
可以看出来,gpu上add所用的时间进一步缩小到1.8ms