Linux 桌面玩家指南:16. 使用 CUDA 发挥显卡的计算性能 |
您所在的位置:网站首页 › 怎么发挥显卡最大性能 › Linux 桌面玩家指南:16. 使用 CUDA 发挥显卡的计算性能 |
特别说明:要在我的随笔后写评论的小伙伴们请注意了,我的博客开启了 MathJax 数学公式支持,MathJax 使用$标记数学公式的开始和结束。如果某条评论中出现了两个$,MathJax 会将两个$之间的内容按照数学公式进行排版,从而导致评论区格式混乱。如果大家的评论中用到了$,但是又不是为了使用数学公式,就请使用\$转义一下,谢谢。 想从头阅读该系列吗?下面是传送门: Linux 桌面玩家指南:01. 玩转 Linux 系统的方法论 Linux 桌面玩家指南:02. 以最简洁的方式打造实用的 Vim 环境 Linux 桌面玩家指南:03. 针对 Gnome 3 的 Linux 桌面进行美化 Linux 桌面玩家指南:04. Linux 桌面系统字体配置要略 Linux 桌面玩家指南:05. 发博客必备的图片处理和视频录制神器 Linux 桌面玩家指南:06. 优雅地使用命令行及 Bash 脚本编程语言中的美学与哲学 Linux 桌面玩家指南:07. Linux 中的 Qemu、KVM、VirtualBox、Xen 虚拟机体验 Linux 桌面玩家指南:08. 使用 GCC 和 GNU Binutils 编写能在 x86 实模式运行的 16 位代码 Linux 桌面玩家指南:09. X Window 的奥秘 Linux 桌面玩家指南:10. 没有 GUI 的时候应该怎么玩 Linux 桌面玩家指南:11. 在同一个硬盘上安装多个 Linux 发行版以及为 Linux 安装 Nvidia 显卡驱动 Linux 桌面玩家指南:12. 优秀的文本化编辑思想大碰撞(Markdown、LaTeX、MathJax) Linux 桌面玩家指南:13. 使用 Git 及其 和 Eclipse 的集成 Linux 桌面玩家指南:14. 数值计算和符号计算 Linux 桌面玩家指南:15. 深度学习可以这样玩 前言科学计算碰到数据量很大的时候,往往非常消耗时间。使用多核进行并行计算是加快计算速度的主要方法,而显卡天生具有成百上千个计算核心,所以使用 GPU 进行计算也就越来越流行。得益于 Nvidia 提供的 CUDA,我们编写利用 GPU 进行计算的程序越来越方便。那么,在 Linux 系统下,使用 CUDA 究竟效果如何呢?这一篇将为你揭晓答案。 我测试的是两个 2000×2000 矩阵相乘所耗费的时间,测试环境是我的 Dell XPS 15,这是一款 2015 年的产品了,CPU 是 Intel 的 6700H,4 核 8 线程,显卡是 Nvidia 的 GTX 960M,和现在 2019 年的主流比起来,已经落后几代了。前段时间“核弹”厂的老黄又发布了新的甜点级的显卡,RTX 2060,流处理器又多了几倍,还支持光线追踪,害得我心里又长了草。 继续说回矩阵相乘,我先测试了一下自己用 C 语言写一个简单的利用三重循环计算矩阵相乘的程序,然后使用 gcc 编译,运行,进行计时。其次,我自己写一段 CUDA 代码,利用显卡计算两个矩阵相乘,使用 nvcc 编译运行,进行计时。最后,使用 Nvidia 提供的 cuBLAS 库中的函数直接计算两个矩阵相乘,并进行计时。其中我自己用 C 语言写的三重循环是完全没有优化的,所以计算时间肯定比较慢,如果进行充分优化,利用 CPU 的 SSE、AVX 等向量化指令,并优化内存访问以充分利用 CPU 的缓存,可以将性能提升大约 10 倍。在雷锋网上有一篇 OpenBLAS 项目创始人和主要维护者张先轶介绍的OpenBLAS项目与矩阵乘法优化,可以一看。我用 Python 的 NumPy 测试了一下,确实可提速 8 到 10 倍,因为 NumPy 的底层调用了 OpenBLAS 库。而且这还只是利用了 CPU 的一个核,如果要利用 CPU 进行并行计算,可以考虑 OpenMP 或 MPI。 先贴代码和结论完整的 C 语言代码我放在cublas_test.cu文件中,你们没看错,扩展名为.cu,因为 CUDA 的编译器 nvcc 要求这样,nvcc 对代码进行初步处理后,还是调用的 gcc 进行编译连接生成可执行文件。完整代码如下: #include #include #include #include #include #include #define M 2000 #define N 2000 #define K 2000 #define idx(i, j, m) ((j) * (m) + (i)) typedef struct _matrix { size_t height; size_t width; float *elements; } Matrix; Matrix empty(size_t m, size_t n){ Matrix temp = {m, n, NULL}; temp.elements = (float*)malloc( m*n*sizeof(float) ); return temp; } Matrix zeros(size_t m, size_t n){ Matrix temp = empty(m, n); memset(temp.elements, 0, sizeof( m*n*sizeof(float) )); return temp; } Matrix rands(size_t m, size_t n){ Matrix temp = empty(m, n); for(size_t i=0; iheight = 0; mat->width = 0; free(mat->elements); mat->elements = NULL; } void printRow(Matrix mat, size_t i){ size_t m = mat.height; size_t n = mat.width; if(n < 7){ for(size_t j=0; j |
今日新闻 |
点击排行 |
|
推荐新闻 |
图片新闻 |
|
专题文章 |
CopyRight 2018-2019 实验室设备网 版权所有 win10的实时保护怎么永久关闭 |