前言
线程的组织形式对程序的性能影响是至关重要的，本篇博文主要以下面一种情况来介绍线程组织形式：
- 2D grid 2D block
一些基本的描述：
gridDim.x-线程网络X维度上线程块的数量
gridDim.y-线程网络Y维度上线程块的数量
blockDim.x-一个线程块X维度上的线程数量
blockDim.y-一个线程块Y维度上的线程数量
blockIdx.x-线程网络X维度上的线程块索引
blockIdx.y-线程网络Y维度上的线程块索引
threadIdx.x-线程块X维度上的线程索引
threadIdx.y-线程块Y维度上的线程索引
线程索引
一般，一个矩阵以线性存储在global memory中的，并以行来实现线性：
在kernel里，线程的唯一索引非常有用，为了确定一个线程的索引，我们以2D为例：
- 线程和block索引
- 矩阵中元素坐标
- 线性global memory 的偏移
首先可以将thread和block索引映射到矩阵坐标：
ix = threadIdx.x + blockIdx.x * blockDim.x
iy = threadIdx.y + blockIdx.y * blockDim.y
之后可以利用上述变量计算线性地址：
idx = iy * nx + ix
上图展示了block和thread索引，矩阵坐标以及线性地址之间的关系，谨记，相邻的thread拥有连续的threadIdx.x，也就是索引为(0,0)(1,0)(2,0)(3,0)...的thread连续，而不是(0,0)(0,1)(0,2)(0,3)...连续，跟我们线代里玩矩阵的时候不一样。
现在可以验证出下面的关系：
thread_id（2,1）block_id（1,0） coordinate（6,1） global index 14 ival 14
下图显示了三者之间的关系：
代码
-
int main(int argc, char **argv) { -
printf("%s Starting...\n", argv[0]); -
// set up device -
int dev = 0; -
cudaDeviceProp deviceProp; -
CHECK(cudaGetDeviceProperties(&deviceProp, dev)); -
printf("Using Device %d: %s\n", dev, deviceProp.name); -
CHECK(cudaSetDevice(dev)); -
// set up date size of matrix -
int nx = 1<<14; -
int ny = 1<<14; -
int nxy = nx*ny; -
int nBytes = nxy * sizeof(float); -
printf("Matrix size: nx %d ny %d\n",nx, ny); -
// malloc host memory -
float *h_A, *h_B, *hostRef, *gpuRef; -
h_A = (float *)malloc(nBytes); -
h_B = (float *)malloc(nBytes); -
hostRef = (float *)malloc(nBytes); -
gpuRef = (float *)malloc(nBytes); -
-
// initialize data at host side -
double iStart = cpuSecond(); -
initialData (h_A, nxy); -
initialData (h_B, nxy); -
double iElaps = cpuSecond() - iStart; -
memset(hostRef, 0, nBytes); -
memset(gpuRef, 0, nBytes); -
// add matrix at host side for result checks -
iStart = cpuSecond(); -
sumMatrixOnHost (h_A, h_B, hostRef, nx,ny); -
iElaps = cpuSecond() - iStart; -
// malloc device global memory -
float *d_MatA, *d_MatB, *d_MatC; -
cudaMalloc((void **)&d_MatA, nBytes); -
cudaMalloc((void **)&d_MatB, nBytes); -
cudaMalloc((void **)&d_MatC, nBytes); -
-
// transfer data from host to device -
cudaMemcpy(d_MatA, h_A, nBytes, cudaMemcpyHostToDevice); -
cudaMemcpy(d_MatB, h_B, nBytes, cudaMemcpyHostToDevice); -
// invoke kernel at host side -
int dimx = 32; -
int dimy = 32; -
dim3 block(dimx, dimy); -
dim3 grid((nx+block.x-1)/block.x, (ny+block.y-1)/block.y); -
iStart = cpuSecond(); -
sumMatrixOnGPU2D <<< grid, block >>>(d_MatA, d_MatB, d_MatC, nx, ny); -
cudaDeviceSynchronize(); -
iElaps = cpuSecond() - iStart; -
printf("sumMatrixOnGPU2D <<<(%d,%d), (%d,%d)>>> elapsed %f sec\n", grid.x, -
grid.y, block.x, block.y, iElaps); -
// copy kernel result back to host side -
cudaMemcpy(gpuRef, d_MatC, nBytes, cudaMemcpyDeviceToHost); -
// check device results -
checkResult(hostRef, gpuRef, nxy); -
-
// free device global memory -
cudaFree(d_MatA); -
cudaFree(d_MatB); -
cudaFree(d_MatC); -
// free host memory -
free(h_A); -
free(h_B); -
free(hostRef); -
free(gpuRef); -
// reset device -
cudaDeviceReset(); -
return (0); -
}
编译运行：
-
$ nvcc -arch=sm_20 sumMatrixOnGPU-2D-grid-2D-block.cu -o matrix2D -
$ ./matrix2D
输出：
-
./a.out Starting... -
Using Device 0: Tesla M2070 -
Matrix size: nx 16384 ny 16384 -
sumMatrixOnGPU2D <<<(512,512), (32,32)>>> elapsed 0.060323 sec -
Arrays match.
接下来，我们更改block配置为32x16，重新编译，输出为：
sumMatrixOnGPU2D <<<(512,1024), (32,16)>>> elapsed 0.038041 sec
可以看到，性能提升了一倍，直观的来看，我们会认为第二个配置比第一个多了一倍的block所以性能提升一倍，实际上也确实是因为block增加了。但是，如果你继续增加block的数量，则性能又会降低：
sumMatrixOnGPU2D <<< (1024,1024), (16,16) >>> elapsed 0.045535 sec
下图展示了不同配置的性能;
关于性能的分析将在之后的博文中总结，现在只是了解下，本文在于掌握线程组织的方法。