GPU除了用处图形渲染领域外，还可以用来做大规模的并行运算，这里我们称其为GPGPU(General Purpose GPU)；GPGPU计算通常采用CPU+GPU异构模式，由CPU负责执行复杂逻辑处理和事务管理等不适合数据并行的计算，由GPU负责计算密集型的大规模并行计算。比如医学上对图像进行重建、解大规模方程组等，接下来让我们进入GPU高性能运算之CUDA的世界吧！
CUDA编程：
CUDA编程中，习惯称CPU为Host，GPU为Device。Grid、Block和Thread的关系
Kernel ：在GPU上执行的程序，一个Kernel对应一个Grid。
Grid ：一组Block，有共享全局内存
Block ：由相互合作的一组线程组成。一个block中的thread可以彼此同步，快速交换数据，最多可以同时512个线程。
Thread ：并行运算的基本单位（轻量级的线程）
其结构如下图所示：
|
1
2
3
4
5
6
7
8
9
10
|
/*另外：Block和Thread都有各自的ID，记作blockIdx（1D，2D），threadIdx（1D，2D，3D）Block和Thread还有Dim，即blockDim与threadDim.
他们都有三个分量x，y，z线程同步：void
__syncthreads(); 可以同步一个Block内的所有线程总结来说，每个
thread 都有自己的一份 register 和 local memory 的空间。一组thread构成一个
block，这些 thread 则共享有一份shared memory。此外，所有的
thread(包括不同 block 的 thread)都共享一份global
memory、constant memory、和 texture memory。不同的
grid 则有各自的 global memory、constant memory 和 texture memory。*/ |
|
1
2
3
4
5
6
7
|
per-thread
register
1 cycleper-thread
local memory slowper-block
shared memory 1 cycleper-grid
global memory 500 cycle,not cached!!constant
and texture memories 500 cycle, but cached and read-only分配内存：cudaMalloc，cudaFree，它们分配的是global
memoryHose-Device数据交换：cudaMemcpy |
|
1
2
3
4
5
|
__device__
//
GPU的global memory空间，grid中所有线程可访问__constant__
//
GPU的constant memory空间，grid中所有线程可访问__shared__
//
GPU上的thread block空间，block中所有线程可访问local
//
位于SM内，仅本thread可访问//
在编程中，可以在变量名前面加上这些前缀以区分。 |
|
1
2
3
4
5
6
7
8
9
|
//
内建矢量类型：int1，int2，int3，int4，float1，float2，
float3，float4 ...//
纹理类型：texture<Type,
Dim, ReadMode>texRef;//
内建dim3类型：定义grid和block的组织方法。例如：dim3
dimGrid(2, 2);dim3
dimBlock(4, 2, 2);//
CUDA函数CPU端调用方法kernelFoo<<<dimGrid,
dimBlock>>>(argument); |
|
1
2
3
4
5
6
7
8
9
10
|
__device__
//
执行于Device，仅能从Device调用。限制，不能用&取地址；不支持递归；不支持static variable；不支持可变长度参数__global__
//
void： 执行于Device，仅能从Host调用。此类函数必须返回void__host__
//
执行于Host，仅能从Host调用，是函数的默认类型//
在执行kernel函数时，必须提供execution configuration，即<<<....>>>的部分。//
例如：__global__
void
KernelFunc(...);dim3
DimGrid(100, 50); //
5000 thread blocksdim3
DimBlock(4, 8, 8); //
256 threads per blocksize_t
SharedMemBytes = 64; //
64 bytes of shared memoryKernelFunc<<<
DimGrid, DimBlock, SharedMemBytes >>>(...); |
|
1
2
|
CUDA包含一些数学函数，如sin，pow等。每一个函数包含有两个版本，例如正弦函数sin，一个普通版本sin，另一个不精确但速度极快的__sin版本。 |
|
1
2
3
4
5
|
/*gridDim,
blockIdx, blockDim, threadIdx,
wrapsize. 这些内置变量不允许赋值的*/ |
|
1
2
3
4
5
6
7
|
/*目前CUDA仅能良好的支持C，在编写含有CUDA代码的程序时，首先要导入头文件cuda_runtime_api.h。文件名后缀为.cu，使用nvcc编译器编译。目前最新的CUDA版本为5.0，可以在官方网站下载最新的工具包，网址为：该工具包内包含了ToolKit、样例等，安装起来比原先的版本也方便了很多。*/ |
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
|
1
GPU硬件//
i GPU一个最小单元称为Streaming Processor(SP)，全流水线单事件无序微处理器，包含两个ALU和一个FPU，多组寄存器文件（register
file，很多寄存器的组合），这个SP没有cache。事实上，现代GPU就是一组SP的array，即SPA。每一个SP执行一个thread//
ii 多个SP组成Streaming Multiprocessor(SM)。每一个SM执行一个block。每个SM包含8个SP；2个special
function unit(SFU)：这里面有4个FPU可以进行超越函数和插值计算MultiThreading
Issue Unit：分发线程指令具有指令和常量缓存。包含shared
memory //
iii Texture Processor Cluster(TPC) ：包含某些其他单元的一组SM 2
Single-Program Multiple-Data （SPMD）模型 //
i CPU以顺序结构执行代码，GPU以threads
blocks组织并发执行的代码，即无数个threads同时执行//
ii 回顾一下CUDA的概念：一个kernel程序执行在一个grid
of threads blocks之中一个threads
block是一批相互合作的threads：可以用过__syncthreads同步；通过shared
memory共享变量，不同block的不能同步。//
iii Threads block声明：可以包含有1到512个并发线程，具有唯一的blockID，可以是1,2,3D同一个block中的线程执行同一个程序，不同的操作数，可以同步，每个线程具有唯一的ID
3
线程硬件原理//
i GPU通过Global block scheduler来调度block，根据硬件架构分配block到某一个SM。每个SM最多分配8个block，每个SM最多可接受768个thread（可以是一个block包含512个thread，也可以是3个block每个包含256个thread（3*256=768！））。同一个SM上面的block的尺寸必须相同。每个线程的调度与ID由该SM管理。//
ii SM满负载工作效率最高！考虑某个Block，其尺寸可以为8*8,16*16,32*328*8：每个block有64个线程，由于每个SM最多处理768个线程，因此需要768/64=12个block。但是由于SM最多8个block，因此一个SM实际执行的线程为8*64=512个线程。16*16：每个block有256个线程，SM可以同时接受三个block，3*256=768，满负载32*32：每个block有1024个线程，SM无法处理！
//
iii Block是独立执行的，每个Block内的threads是可协同的。//
iv 每个线程由SM中的一个SP执行。当然，由于SM中仅有8个SP，768个线程是以warp为单位执行的，每个warp包含32个线程，这是基于线程指令的流水线特性完成的。Warp是SM基本调度单位，实际上，一个Warp是一个32路SIMD指令。基本单位是half-warp。如，SM满负载工作有768个线程，则共有768/32=24个warp，每一瞬时，只有一组warp在SM中执行。Warp全部线程是执行同一个指令，每个指令需要4个clock
cycle，通过复杂的机制执行。//
v 一个thread的一生：Grid在GPU上启动；block被分配到SM上；SM把线程组织为warp；SM调度执行warp；执行结束后释放资源；block继续被分配....4
线程存储模型//
i Register and local memory：线程私有，对程序员透明。每个SM中有8192个register，分配给某些block，block内部的thread只能使用分配的寄存器。线程数多，每个线程使用的寄存器就少了。//
ii shared memory：block内共享，动态分配。如__shared__
float
region[N]。shared
memory 存储器是被划分为16个小单元，与half-warp长度相同，称为bank，每个bank可以提供自己的地址服务。连续的32位word映射到连续的bank。对同一bank的同时访问称为bank
conflict。尽量减少这种情形。
//
iii Global memory：没有缓存！容易称为性能瓶颈，是优化的关键！一个half-warp里面的16个线程对global
memory的访问可以被coalesce成整块内存的访问，如果：数据长度为4,8或16bytes；地址连续；起始地址对齐；第N个线程访问第N个数据。Coalesce可以大大提升性能。//
uncoalesced Coalesced方法：如果所有线程读取同一地址，不妨使用constant
memory；如果为不规则读取可以使用texture内存如果使用了某种结构体，其大小不是4
8 16的倍数，可以通过__align(X)强制对齐，X=4
8 16 |
原文地址：http://blog.csdn.net/gggg_ggg/article/details/46042571
