Упор внутри написанных пользователем ядер

Ответ 1

Thrust является чисто абстракцией стороны. Он не может использоваться внутри ядер. Вы можете передать память устройства, инкапсулированную внутри thrust:: device_vector, в ваше собственное ядро ​​следующим образом:

thrust::device_vector< Foo > fooVector;
// Do something thrust-y with fooVector

Foo* fooArray = thrust::raw_pointer_cast( &fooVector[0] );

// Pass raw array and its size to kernel
someKernelCall<<< x, y >>>( fooArray, fooVector.size() );

и вы также можете использовать память устройства, не распределенную по осям в алгоритмах тяги, создавая экземпляр thrust:: device_ptr с помощью указателя памяти устройства cuda. ​​

Отредактировано спустя четыре с половиной года, чтобы добавить, что в соответствии с ответом @JackOLantern, thrust 1.8 добавляет последовательную политику выполнения, которая означает, что вы можете запускать однопоточные версии алограмм осязания на устройстве. Обратите внимание, что по-прежнему невозможно напрямую передать вектор тягового устройства в ядро, а векторы устройств не могут быть непосредственно использованы в коде устройства. Также обратите внимание, что динамический parallelism не поддерживается, поэтому вы не можете выполнять параллельное принудительное выполнение с запуском ядра в виде дочерней сетки (хотя это было бы очень интересной функцией).

Ответ 2

Я хотел бы дать обновленный ответ на этот вопрос.

Начиная с Thrust 1.8, примитивы CUDA Thrust могут быть объединены с политикой выполнения thrust::seq для последовательного запуска в одном потоке CUDA (или последовательно в пределах одного потока ЦП). Ниже приведен пример.

Если вы хотите выполнить параллельное выполнение в потоке, вы можете использовать CUB, который предлагает процедуры восстановления, которые могут быть вызваны изнутри threadblock, при условии, что ваша карта активирует динамический parallelism.

Вот пример с Thrust

#include <stdio.h>

#include <thrust/reduce.h>
#include <thrust/execution_policy.h>

/********************/
/* CUDA ERROR CHECK */
/********************/
#define gpuErrchk(ans) { gpuAssert((ans), __FILE__, __LINE__); }
inline void gpuAssert(cudaError_t code, char *file, int line, bool abort=true)
{
   if (code != cudaSuccess) 
   {
      fprintf(stderr,"GPUassert: %s %s %d\n", cudaGetErrorString(code), file, line);
      if (abort) exit(code);
   }
}

__global__ void test(float *d_A, int N) {

    float sum = thrust::reduce(thrust::seq, d_A, d_A + N);

    printf("Device side result = %f\n", sum);

}

int main() {

    const int N = 16;

    float *h_A = (float*)malloc(N * sizeof(float));
    float sum = 0.f;
    for (int i=0; i<N; i++) {
        h_A[i] = i;
        sum = sum + h_A[i];
    }
    printf("Host side result = %f\n", sum);

    float *d_A; gpuErrchk(cudaMalloc((void**)&d_A, N * sizeof(float)));
    gpuErrchk(cudaMemcpy(d_A, h_A, N * sizeof(float), cudaMemcpyHostToDevice));

    test<<<1,1>>>(d_A, N);

}

Ответ 3

Это обновление моего предыдущего ответа.

Начиная с Thrust 1.8.1, примитивы CUDA Thrust могут быть объединены с политикой выполнения thrust::device для параллельной работы в одном потоке CUDA с использованием CUDA dynamic parallelism. Ниже приведен пример.

#include <stdio.h>

#include <thrust/reduce.h>
#include <thrust/execution_policy.h>

#include "TimingGPU.cuh"
#include "Utilities.cuh"

#define BLOCKSIZE_1D    256
#define BLOCKSIZE_2D_X  32
#define BLOCKSIZE_2D_Y  32

/*************************/
/* TEST KERNEL FUNCTIONS */
/*************************/
__global__ void test1(const float * __restrict__ d_data, float * __restrict__ d_results, const int Nrows, const int Ncols) {

    const unsigned int tid = threadIdx.x + blockDim.x * blockIdx.x;

    if (tid < Nrows) d_results[tid] = thrust::reduce(thrust::seq, d_data + tid * Ncols, d_data + (tid + 1) * Ncols);

}

__global__ void test2(const float * __restrict__ d_data, float * __restrict__ d_results, const int Nrows, const int Ncols) {

    const unsigned int tid = threadIdx.x + blockDim.x * blockIdx.x;

    if (tid < Nrows) d_results[tid] = thrust::reduce(thrust::device, d_data + tid * Ncols, d_data + (tid + 1) * Ncols);

}

/********/
/* MAIN */
/********/
int main() {

    const int Nrows = 64;
    const int Ncols = 2048;

    gpuErrchk(cudaFree(0));

//    size_t DevQueue;
//    gpuErrchk(cudaDeviceGetLimit(&DevQueue, cudaLimitDevRuntimePendingLaunchCount));
//    DevQueue *= 128;
//    gpuErrchk(cudaDeviceSetLimit(cudaLimitDevRuntimePendingLaunchCount, DevQueue));

    float *h_data       = (float *)malloc(Nrows * Ncols * sizeof(float));
    float *h_results    = (float *)malloc(Nrows *         sizeof(float));
    float *h_results1   = (float *)malloc(Nrows *         sizeof(float));
    float *h_results2   = (float *)malloc(Nrows *         sizeof(float));
    float sum = 0.f;
    for (int i=0; i<Nrows; i++) {
        h_results[i] = 0.f;
        for (int j=0; j<Ncols; j++) {
            h_data[i*Ncols+j] = i;
            h_results[i] = h_results[i] + h_data[i*Ncols+j];
        }
    }

    TimingGPU timerGPU;

    float *d_data;          gpuErrchk(cudaMalloc((void**)&d_data,     Nrows * Ncols * sizeof(float)));
    float *d_results1;      gpuErrchk(cudaMalloc((void**)&d_results1, Nrows         * sizeof(float)));
    float *d_results2;      gpuErrchk(cudaMalloc((void**)&d_results2, Nrows         * sizeof(float)));
    gpuErrchk(cudaMemcpy(d_data, h_data, Nrows * Ncols * sizeof(float), cudaMemcpyHostToDevice));

    timerGPU.StartCounter();
    test1<<<iDivUp(Nrows, BLOCKSIZE_1D), BLOCKSIZE_1D>>>(d_data, d_results1, Nrows, Ncols);
    gpuErrchk(cudaPeekAtLastError());
    gpuErrchk(cudaDeviceSynchronize());
    printf("Timing approach nr. 1 = %f\n", timerGPU.GetCounter());

    gpuErrchk(cudaMemcpy(h_results1, d_results1, Nrows * sizeof(float), cudaMemcpyDeviceToHost));

    for (int i=0; i<Nrows; i++) {
        if (h_results1[i] != h_results[i]) {
            printf("Approach nr. 1; Error at i = %i; h_results1 = %f; h_results = %f", i, h_results1[i], h_results[i]);
            return 0;
        }
    }

    timerGPU.StartCounter();
    test2<<<iDivUp(Nrows, BLOCKSIZE_1D), BLOCKSIZE_1D>>>(d_data, d_results1, Nrows, Ncols);
    gpuErrchk(cudaPeekAtLastError());
    gpuErrchk(cudaDeviceSynchronize());
    printf("Timing approach nr. 2 = %f\n", timerGPU.GetCounter());

    gpuErrchk(cudaMemcpy(h_results1, d_results1, Nrows * sizeof(float), cudaMemcpyDeviceToHost));

    for (int i=0; i<Nrows; i++) {
        if (h_results1[i] != h_results[i]) {
            printf("Approach nr. 2; Error at i = %i; h_results1 = %f; h_results = %f", i, h_results1[i], h_results[i]);
            return 0;
        }
    }

    printf("Test passed!\n");

}

В приведенном выше примере выполняется сокращение строк матрицы в том же смысле, что и Сокращение строк матрицы с CUDA, но это делается иначе, чем выше, путем вызова примитивов CUDA Thrust непосредственно из написанных пользователем ядер. Кроме того, приведенный выше пример служит для сравнения производительности тех же операций, когда выполняется с двумя политиками выполнения, а именно thrust::seq и thrust::device. Ниже приведены некоторые графики, показывающие разницу в производительности.

Производительность была оценена на Kepler K20c и на Maxwell GeForce GTX 850M.

Ответ 4

Если вы хотите использовать данные, выделенные/обработанные нажатием да, вы можете просто получить необработанный указатель выделенных данных.

int * raw_ptr = thrust::raw_pointer_cast(dev_ptr);

если вы хотите выделить векторы тяги в ядре, я никогда не пробовал, но я не думаю, что это сработает а также если он работает, я не думаю, что он принесет какую-либо выгоду.