以下CUDA sample是分別用C++和CUDA實現的繪制Julia集曲線，并對其中使用到的CUDA函數進行了解說，code參考了《GPU高性能編程CUDA實戰》一書的第四章，各個文件內容如下：

funset.cpp:

#include "funset.hpp"
#include <random>
#include <iostream>
#include <vector>
#include <memory>
#include <string>
#include "common.hpp"
#include <opencv2/opencv.hpp>int test_julia()
{const int width{ 512 }, height = width;const float scale{ 1.5f };cv::Mat mat1(height, width, CV_8UC4), mat2(height, width, CV_8UC4);float elapsed_time1{ 0.f }, elapsed_time2{ 0.f }; // millisecondsint ret = julia_cpu(mat1.data, width, height, scale, &elapsed_time1);if (ret != 0) PRINT_ERROR_INFO(julia_cpu);ret = julia_gpu(mat2.data, width, height, scale, &elapsed_time2);if (ret != 0) PRINT_ERROR_INFO(julia_gpu);for (int y = 0; y < height; ++y) {for (int x = 0; x < width; ++x) {cv::Vec4b val1 = mat1.at<cv::Vec4b>(y, x);cv::Vec4b val2 = mat2.at<cv::Vec4b>(y, x);for (int i = 0; i < 4; ++i) {if (val1[i] != val2[i]) {fprintf(stderr, "their values are different at (%d, %d), i: %d, val1: %d, val2: %d\n",x, y, i, val1[i], val2[i]);//return -1;}}}}const std::string save_image_name{ "E:/GitCode/CUDA_Test/julia.jpg" };cv::imwrite(save_image_name, mat2);fprintf(stderr, "cpu run time: %f ms, gpu run time: %f ms\n", elapsed_time1, elapsed_time2);return 0;
}

julia.cpp:

#include "funset.hpp"
#include "common.hpp"
#include <chrono>struct Complex {float r, i;Complex(float a, float b) : r(a), i(b) {}float magnitude2() { return r * r + i * i; }Complex operator * (const Complex& a) { return Complex(r*a.r - i*a.i, i*a.r + r*a.i); }Complex operator + (const Complex& a) { return Complex(r + a.r, i + a.i); }
};static int julia(int x, int y, int width, int height, float scale)
{float jx = scale * (float)(width / 2 - x) / (width / 2);float jy = scale * (float)(height / 2 - y) / (height / 2);Complex c(-0.8, 0.156);Complex a(jx, jy);for (int i = 0; i < 200; ++i) {a = a * a + c;if (a.magnitude2() > 1000)return 0;}return 1;
}int julia_cpu(unsigned char* ptr, int width, int height, float scale, float* elapsed_time)
{auto start = std::chrono::steady_clock::now();for (int y = 0; y < height; ++y) {for (int x = 0; x < width; ++x) {int offset = x + y * width;int julia_value = julia(x, y, width, height, scale);ptr[offset * 4 + 0] = 255 * julia_value;ptr[offset * 4 + 1] = 0;ptr[offset * 4 + 2] = 0;ptr[offset * 4 + 3] = 255;}}auto end = std::chrono::steady_clock::now();auto duration = std::chrono::duration_cast<std::chrono::nanoseconds>(end - start);*elapsed_time = duration.count() * 1.0e-6;return 0;
}

julia.cu:

#include "funset.hpp"
#include <iostream>
#include <algorithm>
#include <memory>
#include <cuda_runtime.h> // For the CUDA runtime routines (prefixed with "cuda_")
#include <device_launch_parameters.h>
#include "common.hpp"struct Complex {float r, i;__device__ Complex(float a, float b) : r(a), i(b)  {}__device__ float magnitude2(void) { return r * r + i * i; }__device__ Complex operator*(const Complex& a) { return Complex(r*a.r - i*a.i, i*a.r + r*a.i); }__device__ Complex operator+(const Complex& a) { return Complex(r + a.r, i + a.i); }
};/* __device__: 函數類型限定符,表明被修飾的函數在設備上執行，只能從設備上調用，
但只能在其它__device__函數或者__global__函數中調用；__device__函數不支持遞歸；
__device__函數的函數體內不能聲明靜態變量；__device__函數的參數數目是不可變化的;
不能對__device__函數取指針 */
__device__ static int julia_(int x, int y, int width, int height, float scale)
{float jx = scale * (float)(width / 2 - x) / (width / 2);float jy = scale * (float)(height / 2 - y) / (height / 2);Complex c(-0.8, 0.156);Complex a(jx, jy);int i = 0;for (i = 0; i<200; i++) {a = a * a + c;if (a.magnitude2() > 1000)return 0;}return 1;
}/* __global__: 函數類型限定符;在設備上運行;在主機端調用,計算能力3.2及以上可以在
設備端調用;聲明的函數的返回值必須是void類型;對此類型函數的調用是異步的,即在
設備完全完成它的運行之前就返回了;對此類型函數的調用必須指定執行配置,即用于在
設備上執行函數時的grid和block的維度,以及相關的流(即插入<<<   >>>運算符);
a kernel,表示此函數為內核函數(運行在GPU上的CUDA并行計算函數稱為kernel(內核函
數),內核函數必須通過__global__函數類型限定符定義); */
__global__ static void julia(unsigned char* ptr, int width, int height, float scale)
{/* gridDim: 內置變量,用于描述線程網格的維度,對于所有線程塊來說,這個變量是一個常數,用來保存線程格每一維的大小,即每個線程格中線程塊的數量.一個grid最多只有二維,為dim3類型；blockDim: 內置變量,用于說明每個block的維度與尺寸.為dim3類型,包含了block在三個維度上的尺寸信息;對于所有線程塊來說,這個變量是一個常數,保存的是線程塊中每一維的線程數量;blockIdx: 內置變量,變量中包含的值就是當前執行設備代碼的線程塊的索引;用于說明當前thread所在的block在整個grid中的位置,blockIdx.x取值范圍是[0,gridDim.x-1],blockIdx.y取值范圍是[0, gridDim.y-1].為uint3類型,包含了一個block在grid中各個維度上的索引信息;threadIdx: 內置變量,變量中包含的值就是當前執行設備代碼的線程索引;用于說明當前thread在block中的位置;如果線程是一維的可獲取threadIdx.x,如果是二維的還可獲取threadIdx.y,如果是三維的還可獲取threadIdx.z;為uint3類型,包含了一個thread在block中各個維度的索引信息 *///map from blockIdx to pixel positionint x = blockIdx.x;int y = blockIdx.y;int offset = x + y * gridDim.x;// now calculate the value at that positionint juliaValue = julia_(x, y, width, height, scale);ptr[offset * 4 + 0] = 255 * juliaValue;ptr[offset * 4 + 1] = 0;ptr[offset * 4 + 2] = 0;ptr[offset * 4 + 3] = 255;
}int julia_gpu(unsigned char* ptr, int width, int height, float scale, float* elapsed_time)
{/* cudaEvent_t: CUDA event types,結構體類型, CUDA事件,用于測量GPU在某個任務上花費的時間,CUDA中的事件本質上是一個GPU時間戳,由于CUDA事件是在GPU上實現的,因此它們不適于對同時包含設備代碼和主機代碼的混合代碼計時 */cudaEvent_t start, stop;// cudaEventCreate: 創建一個事件對象,異步啟動cudaEventCreate(&start);cudaEventCreate(&stop);// cudaEventRecord: 記錄一個事件,異步啟動,start記錄起始時間cudaEventRecord(start, 0);const size_t length{ width * height * 4 * sizeof(unsigned char)};unsigned char* dev{ nullptr };// cudaMalloc: 在設備端分配內存cudaMalloc(&dev, length);dim3 grids(width, height);/* <<< >>>: 為CUDA引入的運算符,指定線程網格和線程塊維度等,傳遞執行參數給CUDA編譯器和運行時系統,用于說明內核函數中的線程數量,以及線程是如何組織的;尖括號中這些參數并不是傳遞給設備代碼的參數,而是告訴運行時如何啟動設備代碼,傳遞給設備代碼本身的參數是放在圓括號中傳遞的,就像標準的函數調用一樣;不同計算能力的設備對線程的總數和組織方式有不同的約束;必須先為kernel中用到的數組或變量分配好足夠的空間,再調用kernel函數,否則在GPU計算時會發生錯誤,例如越界等;使用運行時API時,需要在調用的內核函數名與參數列表直接以<<<Dg,Db,Ns,S>>>的形式設置執行配置,其中：Dg是一個dim3型變量,用于設置grid的維度和各個維度上的尺寸.設置好Dg后,grid中將有Dg.x*Dg.y個block,Dg.z必須為1;Db是一個dim3型變量,用于設置block的維度和各個維度上的尺寸.設置好Db后,每個block中將有Db.x*Db.y*Db.z個thread;Ns是一個size_t型變量,指定各塊為此調用動態分配的共享存儲器大小,這些動態分配的存儲器可供聲明為外部數組(extern __shared__)的其他任何變量使用;Ns是一個可選參數,默認值為0;S為cudaStream_t類型,用于設置與內核函數關聯的流.S是一個可選參數,默認值0. */julia << <grids, 1 >> >(dev, width, height, scale);/* cudaMemcpy: 在主機端和設備端拷貝數據,此函數第四個參數僅能是下面之一:(1). cudaMemcpyHostToHost: 拷貝數據從主機端到主機端(2). cudaMemcpyHostToDevice: 拷貝數據從主機端到設備端(3). cudaMemcpyDeviceToHost: 拷貝數據從設備端到主機端(4). cudaMemcpyDeviceToDevice: 拷貝數據從設備端到設備端(5). cudaMemcpyDefault: 從指針值自動推斷拷貝數據方向,需要支持統一虛擬尋址(CUDA6.0及以上版本)cudaMemcpy函數對于主機是同步的 */cudaMemcpy(ptr, dev, length, cudaMemcpyDeviceToHost);// cudaFree: 釋放設備上由cudaMalloc函數分配的內存cudaFree(dev);// cudaEventRecord: 記錄一個事件,異步啟動,stop記錄結束時間cudaEventRecord(stop, 0);// cudaEventSynchronize: 事件同步,等待一個事件完成,異步啟動cudaEventSynchronize(stop);// cudaEventElapseTime: 計算兩個事件之間經歷的時間,單位為毫秒,異步啟動cudaEventElapsedTime(elapsed_time, start, stop);// cudaEventDestroy: 銷毀事件對象,異步啟動cudaEventDestroy(start);cudaEventDestroy(stop);return 0;
}

生成的圖像如下：

執行結果如下：有結果可知，對于C++和CUDA實現的Julia，有個別像素點值并不是完全一致的。

GitHub：?https://github.com/fengbingchun/CUDA_Test

總結

以上是生活随笔為你收集整理的CUDA Samples: Julia的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。