cuda训练大模型可以用共享gpu内存吗 cuda 教程

1. 准备makefile

为了避免每次都要键入nvcc的命令，要准备一个makefile。makefile如下：

CUFLAG = -g  -Xcompiler -v \
         -gencode=arch=compute_20,code=sm_20\
         -gencode=arch=compute_20,code=compute_20\
         -O2
 IFLAGS = -I$(CUDA_DIR)/include -I$(CUDA_SDK_DIR)/C/common/inc -I../include
 LFLAGS = -L$(CUDA_DIR)/lib64 -L$(CUDA_SDK_DIR)/C/lib
 PRG = cuda_test
 $(PRG) : main.cu
  nvcc main.cu -o $(PRG) $(CUFLAG) $(IFLAGS) $(LFLAGS)Ubuntu 12.04 下 CUDA 编程 http://www.linuxidc.com/linux/2014-06/103056.htm
Ubuntu 12.04 安装 CUDA-5.5   http://www.linuxidc.com/Linux/2013-10/91101.htm
Ubuntu 11.10 上安装CUDA开发环境  http://www.linuxidc.com/Linux/2012-04/58913.htm
Fedora 15系统下配置CUDA环境 http://www.linuxidc.com/Linux/2011-12/49874.htm
Ubuntu 11.04 安装 NVIDIA CUDA 4.0 RC2  http://www.linuxidc.com/Linux/2011-10/46304.htm
Linux Mint 13/Ubuntu 12.04 配置CUDA 4.2 & OpenCV 2.4.2 方法  http://www.linuxidc.com/Linux/2013-10/91102.htm
2 异构计算(Heterogeneous Computing)
 

  以下为几个技术名词的简单介绍： 

 
 
• 主机(host)：CPU及其内存(host memory)。
• 设备(device)：GPU及其内存(device memory)。
• 主机代码(host code)：运行在CPU上的（一般来说「串行执行」的）代码。
• 设备代码(device code)：运行在GPU上的并行执行的代码。
• 异构计算：由主机代码(host code)和设备代码(device code)协同执行完成的计算。
宏观上看，GPU执行代码的流程如下：
 
 
1. 将输入数据通过PCI总线从CPU内存拷贝到GPU的DRAM中。
2. 从内存中加载需要执行的代码到GPU后。
3. 数据和指令都就绪后，就可以执行了。注意，在执行的过程中，GPU会在片上缓存数据以提升性能。
4. 计算完毕后，将结果从GPU的DRAM中拷回CPU的Memory中。
例1: Hello World
#include<stdio.h>
 #include<stdlib.h>
 #include<cuda.h>
 #include<cutil.h>__global__ void mykernel(void) {
 }int main(void) {
  mykernel<<<1,1>>>();
  printf("Hello World!\n");
  return 0;
 }上述代码编译后运行生成可执行文件cuda_test，运行cuda_test后将输出：
 
Hello World!
注意：
1. 调用kernel时需要三个尖括号
2. 包含必要的头文件
CUDA C/C++中引入的新关键字__global__所修饰的函数有以下两方面含义：
• 此函数代码由设备执行
• 此函数由主机代码调用
nvcc将源代码分为设备函数和主机函数两大类：
• 设备函数由NVIDA编译器编译
• 主机函数由主机上配置的编译器编译

  三个尖括号标志着一个从主机代码调用设备代码的函数，称为“启动内核”(kernel launch) 

 
 
例2: 整数相加
#include<stdio.h>
 #include<stdlib.h>
 #include<cuda.h>
 #include<cutil.h>__global__ void integer_add(int * a, int * b, int * c) {
  *c = *a + *b;
 }int main(void) {
  int a,b,c;
  int * d_a, * d_b, * d_c;
  int size = sizeof(int);
  cudaMalloc((void**)&d_a,size);
  cudaMalloc((void**)&d_b,size);
  cudaMalloc((void**)&d_c,size);
  printf("Enter two integers with a space to separate them:\n");
  scanf("%d %d",&a,&b);
  cudaMemcpy(d_a,&a,size,cudaMemcpyHostToDevice);
  cudaMemcpy(d_b,&b,size,cudaMemcpyHostToDevice);
  integer_add<<<1,1>>>(d_a,d_b,d_c);
  cudaMemcpy(&c,d_c,size,cudaMemcpyDeviceToHost);
  cudaFree(d_a);
  cudaFree(d_b);
  cudaFree(d_c);
  printf("Sum is %d\n",c);
  return 0;
 }__global__修饰的integer_add函数说明：
• integer_add函数将在设备上执行
• integer_add函数将被主机调用

  由于integer_add函数在设备上执行，所以指针a，b，c应该指向设备内存。这说明需要在设备内存中为变量开辟内存。 

 

    

 

  设备内存和主机内存在物理上是完全分开的不同电子部件： 

 
• 设备指针指向GPU内存的某个位置。设备指针可以从主机端传给设备端或者从设备端传给主机端，但是设备指针不能在主机端解引用。
• 主机指针指向CPU内存的某个位置。主机指针可以从设备端传给主机端或者从主机端传给设备端，但是主机指针不能在设备端解引用。
 

  CUDA API提供的用于处理设备内存的函数有cudaMalloc, cudaFree, cudaMemcpy。语义上分别对应于C语言的malloc, free, memcpy函数。这几个函数的具体使用方法如例2所示。 

 

    

 
3 块(Blocks)
 
 

   GPU是用来实现大规模并行的，如何实现呢？将上述例子扩展一下，如果我们要实现两个向量相加： 
 
 
 

   add<<<1,1>>>() ---> add<<<N,1>>> 
 
 
 

   N表示同时调用N次add函数，这样就可以实现并行的向量相加了。 
 
 
 

   每个被并行调用的add函数称之为一个 
  块(block)。 
 
 
 
• 块的集合称之为网格(grid).
• 每个块可以使用索引值blockIdx.x

    通过使用blockIdx.x作为索引，每个块可以处理数组元素中的一部分。 
  
 
 

   有了这些基础后，就可以实现并行版本的向量相加了。 
 
 
 
 
  例3:向量相加 
 
 
#include<stdio.h>
 #include<stdlib.h>
 #include<cuda.h>
 #include<cutil.h>
 #include<time.h> #define N 512
 __global__ void vec_block_add(int * a, int * b, int * c) {
  c[blockIdx.x] = a[blockIdx.x] + b[blockIdx.x];
 } void rand_ints(int * arr, int count) {
  srand(time(NULL));
  for(int i=0;i<count;i++) {
   arr[i] = rand() % 100;
  }
 } int main(void) {
  int * a,* b,* c;
  int * d_a, * d_b, * d_c;
  int size = N * sizeof(int);
  cudaMalloc((void**)&d_a,size);
  cudaMalloc((void**)&d_b,size);
  cudaMalloc((void**)&d_c,size);
  
  a = (int *) malloc(size);
  rand_ints(a,N);
  b = (int *) malloc(size);
  rand_ints(b,N);
  c = (int *) malloc(size);
  
  cudaMemcpy(d_a,a,size,cudaMemcpyHostToDevice);
  cudaMemcpy(d_b,b,size,cudaMemcpyHostToDevice);
  vec_block_add<<<N,1>>>(d_a,d_b,d_c);
  cudaMemcpy(c,d_c,size,cudaMemcpyDeviceToHost);
  
 #if 1
  for(int i=0;i<N;i++) {
   printf("%-5d: a:%-5d b:%-5d c:%-5d\n",i,a[i],b[i],c[i]);
  }
 #endif
  
  cudaFree(d_a);
  cudaFree(d_b);
  cudaFree(d_c);
  
  free(a);
  free(b);
  free(c);
  return 0;
 }例3中最关键的代码为如下几行：
__global__ void vec_block_add(int * a, int * b, int * c) {
  c[blockIdx.x] = a[blockIdx.x] + b[blockIdx.x];
 }由于函数是并行执行的，和传统的串行程序在integer_add函数中使用循环来完成加法相比，相当于由GPU这个加速器使用硬件的方式进行了循环展开，展开后便可以并行执行了。所以在编写这段代码时，需要使用blockIdx.x来定位当前执行的是循环的哪个部分。
 

  从硬件的角度看，相当于同时有多个块在并行执行： 

 

  块0: c[0]=a[0]+b[0] 

 

  块1: c[1]=a[1]+b[1] 

 

  块2: c[2]=a[2]+b[2] 

 

  块3: c[3]=a[3]+b[3] 

 

  ....

reference：http://www.linuxidc.com/Linux/2014-07/104328.htm