适用于CUDA GPU的Numba例子

适用于CUDA GPU的Numba例子

矩阵乘法

这是使用CUDA内核的矩阵乘法的简单实现：

@cuda.jit

def matmul(A, B, C):

"""Perform square matrix multiplication of C = A * B

"""

i, j = cuda.grid(2)

if i < C.shape[0] and j < C.shape[1]:

tmp = 0.

for k in range(A.shape[1]):

tmp += A[i, k] * B[k, j]

C[i, j] = tmp

这种实现方式简单直观，但性能不佳，因为相同的矩阵元素将从设备内存中多次加载，这很慢（某些设备可能具有透明的数据缓存，但它们可能不足以一次容纳整个输入）。

如果使用阻塞算法来减少对设备内存的访问，它将更快。CUDA为块中的线程提供快速共享内存，以协作执行任务。以下使用共享内存实现了方阵乘法的更快版本：

from numba import cuda, float32

# Controls threads per block and shared memory usage.

# The computation will be done on blocks of TPBxTPB elements.

TPB = 16

@cuda.jit

def fast_matmul(A, B, C):

# Define an array in the shared memory

# The size and type of the arrays must be known at compile time

sA = cuda.shared.array(shape=(TPB, TPB), dtype=float32)

sB = cuda.shared.array(shape=(TPB, TPB), dtype=float32)

x, y = cuda.grid(2)

tx = cuda.threadIdx.x

ty = cuda.threadIdx.y

bpg = cuda.gridDim.x # blocks per grid

if x >= C.shape[0] and y >= C.shape[1]:

# Quit if (x, y) is outside of valid C boundary

return

# Each thread computes one element in the result matrix.

# The dot product is chunked into dot products of TPB-long vectors.

tmp = 0.

for i in range(bpg):

# Preload data into shared memory

sA[tx, ty] = A[x, ty + i * TPB]

sB[tx, ty] = B[tx + i * TPB, y]

# Wait until all threads finish preloading

cuda.syncthreads()

# Computes partial product on the shared memory

for j in range(TPB):

tmp += sA[tx, j] * sB[j, ty]

# Wait until all threads finish computing

cuda.syncthreads()

C[x, y] = tmp

因为共享内存是有限的资源，所以代码一次从输入数组中预加载小块。然后，调用 syncthreads()以等待所有线程完成预加载，再对共享内存进行计算。计算之后，再次同步，以确保所有线程在共享内存中的数据均已完成之后，在下一个循环迭代中将其覆盖。

巴特西

适用于CUDA GPU的Numba例子

最新文章

热门文章