쓰려고하는 CUDA 프로그램에 문제가 있습니다. 나는 약 524k 부동 소수점 값 (1.0)의 배열을 가지고 있고 나는 모든 값을 추가하는 감소 기법을 사용하고있다. 한 번만 실행하려면 문제가 제대로 작동하지만 실제로 커널을 여러 번 실행하여 결국 10 억 개가 넘는 값을 합산 할 수 있습니다.CUDA - 여러 번 커널 호출
524k 청크에서이 작업을 수행하는 이유는 gpu에서 약 1 백만 개가 넘을 때 항상 제로가 돌아옵니다. 카드의 메모리를 초과해서는 안되지만 항상 그 시점에서 실패합니다.
어쨌든 커널을 한 번만 돌릴 때 모든 것이 정상적으로 작동합니다. 즉, 아무 루핑도 문제가되지 않습니다. 내가 루프를 실행하면 0으로 돌아옵니다. 내가 어떤 곳을 벗어나고 있다고 의심하지만, 나는 그것을 알아낼 수 없다. 그것은 나를 미치게합니다.
#include <stdio.h>
#include <stdlib.h>
#include "cutil.h"
#define TILE_WIDTH 512
#define WIDTH 524288
//#define WIDTH 1048576
#define MAX_WIDTH 524288
#define BLOCKS WIDTH/TILE_WIDTH
__global__ void PartSum(float * V_d)
{
int tx = threadIdx.x;
int bx = blockIdx.x;
__shared__ float partialSum[TILE_WIDTH];
for(int i = 0; i < WIDTH/TILE_WIDTH; ++i)
{
partialSum[tx] = V_d[bx * TILE_WIDTH + tx];
__syncthreads();
for(unsigned int stride = 1; stride < blockDim.x; stride *= 2)
{
__syncthreads();
if(tx % (2 * stride) == 0)
partialSum[tx] += partialSum[tx + stride];
}
}
if(tx % TILE_WIDTH == 0)
V_d[bx * TILE_WIDTH + tx] = partialSum[tx];
}
int main(int argc, char * argv[])
{
float * V_d;
float * V_h;
float * R_h;
float * Result;
float * ptr;
dim3 dimBlock(TILE_WIDTH,1,1);
dim3 dimGrid(BLOCKS,1,1);
// Allocate memory on Host
if((V_h = (float *)malloc(sizeof(float) * WIDTH)) == NULL)
{
printf("Error allocating memory on host\n");
exit(-1);
}
if((R_h = (float *)malloc(sizeof(float) * MAX_WIDTH)) == NULL)
{
printf("Error allocating memory on host\n");
exit(-1);
}
// If MAX_WIDTH is not a multiple of WIDTH, this won't work
if(WIDTH % MAX_WIDTH != 0)
{
printf("The width of the vector must be a multiple of the maximum width\n");
exit(-3);
}
// Initialize memory on host with 1.0f
ptr = V_h;
for(long long i = 0; i < WIDTH; ++i)
{
*ptr = 1.0f;
ptr = &ptr[1];
}
ptr = V_h;
// Allocate memory on device in global memory
cudaMalloc((void**) &V_d, MAX_WIDTH*(sizeof(float)));
float Pvalue = 0.0f;
for(int i = 0; i < WIDTH/MAX_WIDTH; ++i)
{
if((Result = (float *) malloc(sizeof(float) * WIDTH)) == NULL)
{
printf("Error allocating memory on host\n");
exit(-4);
}
for(int j = 0; j < MAX_WIDTH; ++j)
{
Result[j] = *ptr;
ptr = &ptr[1];
}
ptr = &V_h[i*MAX_WIDTH];
// Copy portion of data to device
cudaMemcpy(V_d, Result, MAX_WIDTH*(sizeof(float)), cudaMemcpyHostToDevice);
// Execute Kernel
PartSum<<<dimGrid, dimBlock>>>(V_d);
// Copy data back down to host
cudaMemcpy(R_h, V_d, MAX_WIDTH*(sizeof(float)), cudaMemcpyDeviceToHost);
for(int i = 0; i < MAX_WIDTH; i += TILE_WIDTH)
{
Pvalue += R_h[i];
}
printf("Pvalue == %f\n", Pvalue);
free(Result);
}
// printf("WIDTH == %d items\n", WIDTH);
// printf("Value: %f\n", Pvalue);
cudaFree(V_d);
free(V_h);
free(R_h);
return(1);
}
좋아, 나는 내가 함께 할 수있는 문제를 좁혀 것 같아요 : 어떤 도움에 감사드립니다
,
감사합니다, 여기에
알은 코드입니다 장치의 V_d. 나는 배열의 경계를 넘어서고 있다고 생각한다. 실제로 필요한 메모리 양의 2 배를 할당하면 예상되는 결과로 프로그램이 완료됩니다. 문제는 문제의 원인을 파악할 수 없다는 것입니다.
알
cudaMemcpyDeviceToHost를 사용하는 특별한 이유가 있습니까? 커널을 반복적으로 반복하기를 원하기 때문에'cudaMemcpyDeviceToDevice'를 대신 사용해보십시오. – karlphillip
사실 CUDA가 필요하다고는 생각하지 않습니다. 포인트 당 하나의 작업 만 추가했기 때문에 I/O가 지배적이었습니다. CPU를 사용할 수도 있습니다. 실제로이 구현의 CPU 구현을 벤치 마크 했습니까? CUDA 구현이 모든 데이터 이동이고 사실상 계산이 없다는 것을 감안할 때 CUDA 구현이 얼마나 빠를 것이라고 생각하십니까? –
이것은 나를위한 학습 실험입니다. 나는 이것이 효율적이지 않다는 것을 깨닫는다. –