cuda-basics

name: cuda-basics description: "CUDA编程基础知识，包括内存模型、线程层次和常用优化技巧" category: dsl version: "1.0.0" license: MIT

CUDA编程基础

概述

CUDA (Compute Unified Device Architecture) 是NVIDIA推出的并行计算平台和编程模型。

线程层次结构

三层结构

Grid (网格)
  └─ Block (块) 
      └─ Thread (线程)

维度表示

// 1D
dim3 block(256);
dim3 grid((N + 255) / 256);

// 2D
dim3 block(16, 16);
dim3 grid((M + 15) / 16, (N + 15) / 16);

// 3D
dim3 block(8, 8, 8);
dim3 grid((M + 7) / 8, (N + 7) / 8, (K + 7) / 8);

线程索引计算

// 1D索引
int idx = blockIdx.x * blockDim.x + threadIdx.x;

// 2D索引
int row = blockIdx.y * blockDim.y + threadIdx.y;
int col = blockIdx.x * blockDim.x + threadIdx.x;

// 全局1D索引（从2D）
int idx = row * width + col;

内存层次

内存类型对比

声明方式

// Register (自动)
int local_var;

// Shared Memory
__shared__ float shared_data[256];

// Global Memory
__global__ void kernel(float* global_data) { }

// Constant Memory
__constant__ float const_data[1024];

内存访问优化

1. 合并内存访问 (Coalesced Access)

// ✅ 好：连续访问
__global__ void coalesced_read(float* data) {
    int idx = blockIdx.x * blockDim.x + threadIdx.x;
    float val = data[idx];  // 线程连续访问
}

// ❌ 差：跨步访问
__global__ void strided_read(float* data, int stride) {
    int idx = (blockIdx.x * blockDim.x + threadIdx.x) * stride;
    float val = data[idx];  // 线程跨步访问
}

2. 使用Shared Memory

__global__ void use_shared_memory(float* input, float* output) {
    __shared__ float tile[TILE_SIZE];
    
    int tid = threadIdx.x;
    int gid = blockIdx.x * blockDim.x + threadIdx.x;
    
    // 从全局内存加载到共享内存
    tile[tid] = input[gid];
    __syncthreads();  // 同步
    
    // 从共享内存读取（快速）
    float val = tile[tid];
    
    // 处理...
    output[gid] = val;
}

3. 避免Bank Conflict

Shared memory分为32个bank，同时访问同一bank的不同地址会导致冲突。

// ❌ 有Bank Conflict
__shared__ float data[32][32];
float val = data[threadIdx.x][threadIdx.y];  // 列访问导致冲突

// ✅ 无Bank Conflict（通过padding）
__shared__ float data[32][33];  // 多一列padding
float val = data[threadIdx.x][threadIdx.y];

同步机制

Block内同步

__syncthreads();  // 等待block内所有线程到达此点

Warp内同步（CUDA 9+）

__syncwarp();  // 等待warp内所有线程

原子操作

atomicAdd(&counter, 1);      // 原子加
atomicMax(&max_val, val);    // 原子最大值
atomicCAS(&lock, 0, 1);      // Compare-and-Swap

常用优化技巧

1. 循环展开

// 手动展开
#pragma unroll
for (int i = 0; i < 4; ++i) {
    sum += data[i];
}

// 完全展开
sum = data[0] + data[1] + data[2] + data[3];

2. Warp Shuffle

在warp内线程间交换数据，无需共享内存：

// Warp reduce
__device__ float warp_reduce_sum(float val) {
    for (int offset = 16; offset > 0; offset /= 2) {
        val += __shfl_down_sync(0xffffffff, val, offset);
    }
    return val;
}

3. 向量化加载

// 使用float4一次加载4个float
float4 val = reinterpret_cast<float4*>(data)[idx];

配置参数选择

Block Size选择

// 经验法则
// - Warp大小的倍数（32）
// - 考虑register和shared memory限制
// - 常用: 128, 256, 512

dim3 block(256);  // 常见选择

Grid Size计算

// 向上取整
int grid_size = (N + block_size - 1) / block_size;

Occupancy优化

// 使用occupancy calculator
int minGridSize, blockSize;
cudaOccupancyMaxPotentialBlockSize(
    &minGridSize, &blockSize,
    my_kernel, 0, 0
);

调试技巧

1. 检查错误

#define CUDA_CHECK(call) { \
    cudaError_t err = call; \
    if (err != cudaSuccess) { \
        printf("CUDA Error: %s\n", cudaGetErrorString(err)); \
        exit(1); \
    } \
}

CUDA_CHECK(cudaMalloc(&d_data, size));

2. printf调试

__global__ void debug_kernel() {
    if (threadIdx.x == 0 && blockIdx.x == 0) {
        printf("Debug: value = %d\n", value);
    }
}

3. CUDA-GDB

cuda-gdb ./program
(cuda-gdb) break my_kernel
(cuda-gdb) run
(cuda-gdb) cuda thread

完整示例：向量加法

#include <cuda_runtime.h>
#include <stdio.h>

__global__ void vector_add(const float* A, const float* B, float* C, int N) {
    int idx = blockIdx.x * blockDim.x + threadIdx.x;
    
    if (idx < N) {
        C[idx] = A[idx] + B[idx];
    }
}

int main() {
    int N = 1000000;
    size_t size = N * sizeof(float);
    
    // 主机内存
    float *h_A = (float*)malloc(size);
    float *h_B = (float*)malloc(size);
    float *h_C = (float*)malloc(size);
    
    // 初始化数据
    for (int i = 0; i < N; i++) {
        h_A[i] = i;
        h_B[i] = i * 2;
    }
    
    // 设备内存
    float *d_A, *d_B, *d_C;
    cudaMalloc(&d_A, size);
    cudaMalloc(&d_B, size);
    cudaMalloc(&d_C, size);
    
    // 拷贝到设备
    cudaMemcpy(d_A, h_A, size, cudaMemcpyHostToDevice);
    cudaMemcpy(d_B, h_B, size, cudaMemcpyHostToDevice);
    
    // 启动kernel
    int blockSize = 256;
    int gridSize = (N + blockSize - 1) / blockSize;
    vector_add<<<gridSize, blockSize>>>(d_A, d_B, d_C, N);
    
    // 拷贝回主机
    cudaMemcpy(h_C, d_C, size, cudaMemcpyDeviceToHost);
    
    // 验证结果
    for (int i = 0; i < 10; i++) {
        printf("C[%d] = %f\n", i, h_C[i]);
    }
    
    // 清理
    cudaFree(d_A);
    cudaFree(d_B);
    cudaFree(d_C);
    free(h_A);
    free(h_B);
    free(h_C);
    
    return 0;
}

性能分析

理论性能

# 计算理论FLOPS
peak_flops = num_sms * clock_mhz * ops_per_clock * 1e6

# 计算理论带宽
peak_bandwidth_gb_s = memory_bus_width / 8 * memory_clock_mhz * 2 / 1000

Roofline Model

Performance = min(
    Peak_FLOPS,
    Peak_Bandwidth * Arithmetic_Intensity
)

常见陷阱

1. 忘记同步: 使用shared memory前后需要__syncthreads()
2. Race Condition: 多个线程写同一地址需要原子操作
3. Bank Conflict: 注意shared memory访问模式
4. Divergence: 避免warp内的分支divergence
5. Occupancy过低: 检查register和shared memory使用

参考资料

• CUDA C Programming Guide
• CUDA Best Practices Guide
• Professional CUDA C Programming