cuda 初学大全

1 硬件架构
CUDA编程中，习惯称CPU为Host，GPU为Device。

2 并行模型
Thread：并行基本单位
Block：相互合作的一组线程。可以彼此同步，快速交换数据，最多可以512个线程
Grid：一组Block，有共享全局内存
Kernel：在GPU上执行的程序，一个Kernel对应一个Grid

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

3 存储层次
per-thread register 1 cycle
per-thread local memory slow
per-block shared memory 1 cycle
per-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 memory
Hose-Device数据交换：cudaMemcpy

4 变量类型
__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。

5 数据类型
内建矢量：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);
kernelFoo<<<dimGrid, dimBlock>>>(argument);

6 CUDA函数定义

__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

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 blocks
dim3 DimBlock(4, 8, 8); // 256 threads per block
size_t SharedMemBytes = 64; // 64 bytes of shared memory
KernelFunc<<< DimGrid, DimBlock, SharedMemBytes >>>(...);

7 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。

8 内置变量
gridDim, blockIdx, blockDim, threadIdx, wrapsize. 这些内置变量不允许赋值的

9 编写程序

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。本来想在这里给出些源码的，但是源码教程，以后单独开一个文章在说吧。

这部分是一些枯燥的硬件知识的总结，但是对优化CUDA程序有着至关重要的作用，在后面的文章里，我将尽量结合实例来讲解这些东西

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*32
8*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。

注明by博主:一个SM有8个SP,处理的基本单位warp有32thread，因此有4个cycle才能执行完成。
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