[toc]
English version
I am writing a simplified English version (about half size of the Chinese version) of the book:
友情链接
关于本书第一版：
封面
注意：本书仅有 184 页，没有如下封面展示的那么厚。该封面只是编辑发给我的一个示意图，而不是实物图。要点：不要对本书的厚度（及深度）有太高的期望，否则会有点失望。
购买渠道
已于2020年10月由清华大学出版社出版，语言为中文。在京东或者淘宝搜索“CUDA 编程 樊哲勇”可找到本书。
第一版勘误
本仓库的 master 分支将对应开发版本，与第一版对应的源代码见此发布版本。欢迎读者针对本书找错。找到一个其他人没有报告的错误并说服我改正者，我承诺送您此书第二版一本。目前收到的错误报告如下：
| 报告者 |
错误类型 |
页码信息 |
更正信息 |
| GPUSLady |
笔误 |
前言 |
“苏州吉浦讯科技有限公司”应改为“苏州吉浦迅科技有限公司”。 |
| EverNorif |
笔误 |
第 34 页 |
“调用该核函时” 应改为 “调用该核函数时”。 |
| Ebrece |
笔误 |
第 52-53 页 |
$ nvcc -O3 -arch=sm_75 -arithmetic1cpu.cu 应改为 $ nvcc -O3 -arch=sm_75 arithmetic1cpu.cu。类似地，$ nvcc -O3 -arch=sm_75 -arithmetic2gpu.cu 应改为 $ nvcc -O3 -arch=sm_75 arithmetic2gpu.cu。 |
| Ebrece |
笔误 |
第 135 页 |
倒数第二行的“函数将退化同步的”应改为“函数将退化为同步的”。 |
| 我自己 |
不安全的代码 |
第 143 页 |
程序中第 23 行核函数的第二个参数 size 应改为 size / sizeof(uint64_t)。我已修改本仓库中 对应的程序。 |
| 某网友 |
笔误 |
第 106 页 |
“在10.1节”应改为“在第10.2节”。 |
| 静听风吟 |
认知错误 |
第 3 页 |
表 1.2 中，Jetson 系列的显卡没有图灵架构的，应把 “AGX Xavier” 改成 “无”。 |
| 静听风吟 |
认知错误 |
第 12 章 |
本章中关于统一内存的使用，错误地认为在使用第二代统一内存（在 Linux 系统中使用帕斯卡及以上架构的 GPU）的情况下，在调用核函数之后不需要进行主机与设备的同步即可 1）从主机访问任何统一内存数据；2）并总是得到正确的结果。以上论断中，1）是正确的，而 2）不正确，因为无论是使用第一代统一内存，还是使用第二代统一内存，在从主机访问被核函数修改的统一内存数据之前，都需要某种（显式的或隐式的）同步操作，才能避免读写竞争，从而保证结果的正确性。 |
目录和源代码条目
第 1 章：GPU 硬件和 CUDA 工具
本章无源代码。
第 2 章：CUDA 中的线程组织
| 文件 |
知识点 |
hello.cpp |
用 C++ 写一个 Hello World 程序 |
hello1.cu |
一个正确的 C++ 程序也是一个正确的 CUDA 程序 |
hello2.cu |
写一个打印字符串的 CUDA 核函数并调用 |
hello3.cu |
使用含有多个线程的线程块 |
hello4.cu |
使用多个线程块 |
hello5.cu |
使用两维线程块 |
第 3 章：CUDA 程序的基本框架
| 文件 |
知识点 |
add.cpp |
数组相加的 C++ 版本 |
add1.cu |
数组相加的 CUDA 版本 |
add2wrong.cu |
如果数据传输方向搞错了会怎样？ |
add3if.cu |
什么时候必须在核函数使用 if 语句？ |
add4device.cu |
定义与使用 __device__ 函数 |
第 4 章：CUDA 程序的错误检测
| 文件 |
知识点 |
check1api.cu |
检测 CUDA 运行时 API 函数的调用 |
check2kernel.cu |
检测 CUDA 核函数的调用 |
memcheck.cu |
用 cuda-memcheck 检测内存方面的错误 |
error.cuh |
本书常用的用于检测错误的宏函数 |
第 5 章：获得 GPU 加速的前提
| 文件 |
知识点 |
add1cpu.cu |
为 C++ 版的数组相加函数计时 |
add2gpu.cu |
为数组相加核函数计时 |
add3memcpy.cu |
如果把数据传输的时间也包含进来，还有加速吗？ |
arithmetic1cpu.cu |
提高算术强度的 C++ 函数 |
arithmetic2gpu.cu |
提高算术强度的核函数；GPU/CPU 加速比是不是很高？ |
第 6 章： CUDA 中的内存组织
| 文件 |
知识点 |
static.cu |
如何使用静态全局内存 |
query.cu |
如何在 CUDA 程序中查询所用 GPU 的相关技术指标 |
第 7 章：全局内存的合理使用
| 文件 |
知识点 |
matrix.cu |
合并与非合并读、写对程序性能的影响 |
第 8 章：共享内存的合理使用
| 文件 |
知识点 |
reduce1cpu.cu |
C++ 版本的归约函数 |
reduce2gpu.cu |
仅使用全局内存和同时使用全局内存和共享内存的归约核函数 |
bank.cu |
使用共享内存实现矩阵转置并避免共享内存的 bank 冲突 |
第 9 章：原子函数的合理使用
| 文件 |
知识点 |
reduce.cu |
在归约核函数中使用原子函数 atomicAdd |
neighbor1cpu.cu |
CPU 版本的邻居列表构建函数 |
neighbor2gpu.cu |
GPU 版本的邻居列表构建函数，分使用和不使用原子函数的情况 |
第 10 章: 线程束内部函数
| 文件 |
知识点 |
reduce.cu |
线程束同步函数、线程束洗牌函数以及协作组的使用 |
reduce1parallelism.cu |
提高线程利用率 |
reduce2static.cu |
利用静态全局内存加速 |
第 11 章： CUDA 流
| 文件 |
知识点 |
host-kernel.cu |
重叠主机与设备计算 |
kernel-kernel.cu |
重叠核函数之间的计算 |
kernel-transfer.cu |
重叠核函数执行与数据传输 |
第 12 章：统一内存
| 文件 |
知识点 |
add.cu |
使用统一内存可以简化代码 |
oversubscription1.cu |
统一内存在初始化时才被分配 |
oversubscription2.cu |
用 GPU 先访问统一内存时可以超过显存的容量 |
oversubscription3.cu |
用 CPU 先访问统一内存时不可超过主机内存容量 |
prefetch.cu |
使用 cudaMemPrefetchAsync 函数 |
第 13 章：分子动力学模拟（MD）
| 文件夹 |
知识点 |
cpp |
C++ 版本的 MD 程序 |
force-only |
仅将求力的函数移植到 CUDA |
whole-code |
全部移植到 CUDA |
第 14 章：CUDA 库
| 文件 |
知识点 |
thrust_scan_vector.cu |
使用 thrust 中的设备矢量 |
thrust_scan_pointer.cu |
使用 thrust 中的设备指针 |
cublas_gemm.cu |
用 cuBLAS 实现矩阵相乘 |
cusolver.cu |
用 cuSolver 求矩阵本征值 |
curand_host1.cu |
用 cuRAND 产生均匀分布的随机数 |
curand_host2.cu |
用 cuRAND 产生高斯分布的随机数 |
我的部分测试结果
我的测试系统
- Linux: 主机编译器用的
g++。
- Windows: 仅使用命令行解释器
CMD，主机编译器用 Visual Studio 中的 cl。在用 nvcc 编译 CUDA 程序时，可能需要添加 -Xcompiler "/wd 4819" 选项消除和 unicode 有关的警告。
- 全书代码可在
CUDA 9.0-10.2 （包含）之间的版本运行。
矢量相加 (第 5 章)
- 数组元素个数 = 1.0e8。
- CPU (我的笔记本) 函数的执行时间是 60 ms （单精度）和 120 ms （双精度）。
- GPU 执行时间见下表：
| V100 (S) |
V100 (D) |
2080ti (S) |
2080ti (D) |
P100 (S) |
P100 (D) |
laptop-2070 (S) |
laptop-2070 (D) |
K40 (S) |
K40 (D) |
| 1.5 ms |
3.0 ms |
2.1 ms |
4.3 ms |
2.2 ms |
4.3 ms |
3.3 ms |
6.8 ms |
6.5 ms |
13 ms |
- 如果包含 cudaMemcpy 所花时间，GeForce RTX 2070-laptop 用时 180 ms （单精度）和 360 ms （双精度），是 CPU 版本的三倍慢！
一个高算术强度的函数（第 5 章）
- CPU 函数（数组长度为 10^4）用时 320 ms （单精度）和 450 ms （双精度）。
- GPU 函数（数组长度为 10^6）用时情况如下表：
| V100 (S) |
V100 (D) |
2080ti (S) |
2080ti (D) |
laptop-2070 (S) |
laptop-2070 (D) |
| 11 ms |
28 ms |
15 ms |
450 ms |
28 ms |
1000 ms |
- 用 GeForce RTX 2070-laptop 时核函数执行时间与数组元素个数 N 的关系见下表（单精度）：
| N |
时间 |
| 1000 |
0.91 ms |
| 10000 |
0.99 ms |
| 100000 |
3.8 ms |
| 1000000 |
28 ms |
| 10000000 |
250 ms |
| 100000000 |
2500 ms |
矩阵复制和转置 (第 7-8 章)
- 矩阵维度为 10000 乘 10000。
- 核函数执行时间见下表：
| 计算 |
V100 (S) |
V100 (D) |
2080ti (S) |
2080ti (D) |
K40 (S) |
| 矩阵复制 |
1.1 ms |
2.0 ms |
1.6 ms |
2.9 ms |
|
| 读取为合并、写入为非合并的矩阵转置 |
4.5 ms |
6.2 ms |
5.3 ms |
5.4 ms |
12 ms |
| 写入为合并、读取为非合并的矩阵转置 |
1.6 ms |
2.2 ms |
2.8 ms |
3.7 ms |
23 ms |
在上一个版本的基础上使用 __ldg 函数 |
1.6 ms |
2.2 ms |
2.8 ms |
3.7 ms |
8 ms |
| 利用共享内存转置，但有 bank 冲突 |
1.8 ms |
2.6 ms |
3.5 ms |
4.3 ms |
|
| 利用共享内存转置，且无 bank 冲突 |
1.4 ms |
2.5 ms |
2.3 ms |
4.2 ms |
|
数组归约（第 8-10 章）
- 数组长度为 1.0e8，每个元素为 1.23。
- 归约的精确结果为 123000000。
- GPU 为笔记本版本的 GeForce RTX 2070。
- 下面是用单精度浮点数测试的结果：
| 计算方法与机器 |
计算时间 |
结果 |
| CPU 中循环累加 |
100 ms |
33554432 （完全错误） |
| 全局内存+线程块同步函数 |
5.8 ms |
123633392 （三位正确的有效数字） |
| 静态共享内存+线程块同步函数 |
5.8 ms |
123633392 （三位正确的有效数字） |
| 动态共享内存+线程块同步函数 |
5.8 ms |
123633392 （三位正确的有效数字） |
| 共享内存+原子函数+线程块同步函数 |
3.8 ms |
123633392 （三位正确的有效数字） |
| 共享内存+原子函数+线程束同步函数 |
3.4 ms |
123633392 （三位正确的有效数字） |
| 共享内存+原子函数+线程束洗牌函数 |
2.8 ms |
123633392 （三位正确的有效数字） |
| 共享内存+原子函数+协作组 |
2.8 ms |
123633392 （三位正确的有效数字） |
| 共享内存+协作组+两个核函数 |
2.0 ms |
123000064 （七位正确的有效数字） |
| 共享内存+协作组+两个核函数+静态全局内存 |
1.5 ms |
123000064 （七位正确的有效数字） |
邻居列表（第 9 章）
- 原子数为 22464。
- 使用单精度或双精度时，CPU 都用时约 250 毫秒。
- GPU 测试结果见下表：
| 是否使用原子函数 |
V100 (S) |
V100 (D) |
RTX 2070 (S) |
RTX 2070 (D) |
| 否 |
1.9 ms |
2.6 ms |
2.8 ms |
23 ms |
| 是 |
1.8 ms |
2.6 ms |
2.5 ms |
16 ms |
分子动力学模拟（第 13 章）
- 模拟体系为固态氩
- GPU 为笔记本中的 RTX 2070，使用单精度浮点数
- CPU 为 Intel i7-8750H 处理器
CPU 版本计算速度测试
- 原子数 N = 10^3 * 4 = 4000
- 产出步数 = 20000
- 各个部分所花时间见下表
| 求力部分 |
运动方程积分部分 |
全部 |
| 62 s |
0.7 s |
62.7 s |
force-only 版本的计算速度测试
| 原子数 |
产出步数 |
求力和数据传输的时间 |
运动方程积分的时间 |
全部时间 |
整体速度 |
| 4000 |
20000 |
5.8 s |
0.7 s |
6.5 s |
1.2e7 原子步每秒 |
| 32000 |
10000 |
5.0 s |
2.5 s |
7.5 s |
4.3e7 原子步每秒 |
| 108000 |
4000 |
5.4 s |
3.3 s |
8.7 s |
5.0e7 原子步每秒 |
| 256000 |
2000 |
5.4 s |
4.6 s |
10 s |
5.1e7 原子步每秒 |
whole-code 版本的计算速度测试
| 原子数 |
产出步数 |
求力的时间 |
运动方程积分的时间 |
全部时间 |
整体速度 |
| 4000 |
20000 |
1.5 s |
0.6 s |
2.1 s |
3.8e7 原子步每秒 |
| 32000 |
10000 |
1.6 s |
0.3 s |
1.9 s |
1.7e8 原子步每秒 |
| 108000 |
4000 |
2.0 s |
0.4 s |
2.4 s |
1.8e8 原子步每秒 |
| 256000 |
2000 |
2.2 s |
0.4 s |
2.6 s |
2.0e8 原子步每秒 |
