本篇博文转载于https://www.cnblogs.com/1024incn/tag/CUDA/，仅用于学习。

CUDA是并行计算的平台和类C编程模型，我们能很容易的实现并行算法，就像写C代码一样。只要配备的NVIDIA GPU，就可以在许多设备上运行你的并行程序，无论是台式机、笔记本抑或平板电脑。熟悉C语言可以帮助你尽快掌握CUDA。

CUDA编程

CUDA编程允许你的程序执行在异构系统上，即CUP和GPU，二者有各自的存储空间，并由PCI-Express 总线区分开。因此，我们应该先注意二者术语上的区分：

• Host：CPU and itsmemory (host memory)
• Device: GPU and its memory (device memory)

代码中，一般用h_前缀表示host memory，d_表示device memory。

kernel是CUDA编程中的关键，他是跑在GPU的代码，用标示符__global__注明。

host可以独立于host进行大部分操作。当一个kernel启动后，控制权会立刻返还给CPU来执行其他额外的任务。所以，CUDA编程是异步的。一个典型的CUDA程序包含由并行代码补足的串行代码，串行代码由host执行，并行代码在device中执行。host端代码是标准C，device是CUDA C代码。我们可以把所有代码放到一个单独的源文件，也可以使用多个文件或库。NVIDIA C编译器（nvcc）可以编译host和device生成可执行程序。

这里再次说明下CUDA程序的处理流程：

1. 从CPU拷贝数据到GPU。
2. 调用kernel来操作存储在GPU的数据。
3. 将操作结果从GPU拷贝至CPU。

Memory操作

cuda程序将系统区分成host和device，二者有各自的memory。kernel可以操作device memory，为了能很好的控制device端内存，CUDA提供了几个内存操作函数：

为了保证和易于学习，CUDA C 的风格跟C很接近，比如：

cudaError_t cudaMalloc ( void** devPtr, size_t size )

我们主要看看cudaMencpy，其函数原型为：

cudaError_t cudaMemcpy ( void* dst, const void* src, size_t count,cudaMemcpyKind kind )

其中cudaMemcpykind的可选类型有：

1. cudaMemcpyHostToHost
2. cudaMemcpyHossToDevice
3. cudaMemcpyDeviceToHost
4. cudaMemcpuDeviceToDevice

具体含义很好懂，就不多做解释了。

对于返回类型cudaError_t，如果正确调用，则返回cudaSuccess，否则返回cudaErrorMemoryAllocation。可以使用char* cudaGetErrorString(cudaError_t error)将其转化为易于理解的格式。

组织线程

掌握如何组织线程是CUDA编程的重要部分。CUDA线程分成Grid和Block两个层次。

由一个单独的kernel启动的所有线程组成一个grid，grid中所有线程共享global memory。一个grid由许多block组成，block由许多线程组成，grid和block都可以是一维二维或者三维，上图是一个二维grid和二维block。

这里介绍几个CUDA内置变量：

• blockIdx：block的索引，blockIdx.x表示block的x坐标。
• threadIdx：线程索引，同理blockIdx。
• blockDim：block维度，上图中blockDim.x=5.
• gridDim：grid维度，同理blockDim。

一般会把grid组织成2D，block为3D。grid和block都使用dim3作为声明，例如：

dim3 block(3);
// 后续博文会解释为何这样写grid
dim3 grid((nElem+block.x-1)/block.x);

需要注意的是，dim3仅为host端可见，其对应的device端类型为uint3。 

启动CUDA kernel

CUDA kernel的调用格式为：

kernel_name<<<grid, block>>>(argument list);

其中grid和block即为上文中介绍的类型为dim3的变量。通过这两个变量可以配置一个kernel的线程总和，以及线程的组织形式。例如：

kernel_name<<<4, 8>>>(argumentt list);

该行代码表明有grid为一维，有4个block，block为一维，每个block有8个线程，故此共有4*8=32个线程。

注意，不同于c函数的调用，所有CUDA kernel的启动都是异步的，当CUDA kernel被调用时，控制权会立即返回给CPU。

函数类型标示符

__device__ 和__host__可以组合使用。 

kernel的限制：

• 仅能获取device memory 。
• 必须返回void类型。
• 不支持可变数目参数。
• 不支持静态变量。
• 不支持函数指针。
• 异步。

代码分析

#include <cuda_runtime.h>
#include <stdio.h>
#define CHECK(call) \
{ \
　　const cudaError_t error = call; \
　　if (error != cudaSuccess) \
　　{ \
　　　　printf("Error: %s:%d, ", __FILE__, __LINE__); \
　　　　printf("code:%d, reason: %s\n", error, cudaGetErrorString(error)); \
　　　　exit(1); \
　　} \
}
void checkResult(float *hostRef, float *gpuRef, const int N) {
　　double epsilon = 1.0E-8;
　　bool match = 1;
　　for (int i=0; i<N; i++) {
　　　　if (abs(hostRef[i] - gpuRef[i]) > epsilon) {
　　　　　　match = 0;
　　　　　　printf("Arrays do not match!\n");
　　　　　　printf("host %5.2f gpu %5.2f at current %d\n",hostRef[i],gpuRef[i],i);
　　　　　　break;
　　　　}
　　}
　　if (match) printf("Arrays match.\n\n");
}
void initialData(float *ip,int size) {
　　// generate different seed for random number
　　time_t t;
　　srand((unsigned) time(&t));
　　for (int i=0; i<size; i++) {
　　　　ip[i] = (float)( rand() & 0xFF )/10.0f;
　　}
}
void sumArraysOnHost(float *A, float *B, float *C, const int N) {
　　for (int idx=0; idx<N; idx++)
　　C[idx] = A[idx] + B[idx];
}
__global__ void sumArraysOnGPU(float *A, float *B, float *C) {
　　int i = threadIdx.x;
　　C[i] = A[i] + B[i];
}
int main(int argc, char **argv) {
　　printf("%s Starting...\n", argv[0]);
　　// set up device
　　int dev = 0;
　　cudaSetDevice(dev);
　　// set up data size of vectors
　　int nElem = 32;
　　printf("Vector size %d\n", nElem);
　　// malloc host memory
　　size_t nBytes = nElem * sizeof(float);
　　float *h_A, *h_B, *hostRef, *gpuRef;
　　h_A = (float *)malloc(nBytes);
　　h_B = (float *)malloc(nBytes);
　　hostRef = (float *)malloc(nBytes);
　　gpuRef = (float *)malloc(nBytes);
　　// initialize data at host side
　　initialData(h_A, nElem);
　　initialData(h_B, nElem);
　　memset(hostRef, 0, nBytes);
　　memset(gpuRef, 0, nBytes);
　　// malloc device global memory
　　float *d_A, *d_B, *d_C;
　　cudaMalloc((float**)&d_A, nBytes);
　　cudaMalloc((float**)&d_B, nBytes);
　　cudaMalloc((float**)&d_C, nBytes);
　　// transfer data from host to device
　　cudaMemcpy(d_A, h_A, nBytes, cudaMemcpyHostToDevice);
　　cudaMemcpy(d_B, h_B, nBytes, cudaMemcpyHostToDevice);
　　// invoke kernel at host side
　　dim3 block (nElem);
　　dim3 grid (nElem/block.x);
　　sumArraysOnGPU<<< grid, block >>>(d_A, d_B, d_C);
　　printf("Execution configuration <<<%d, %d>>>\n",grid.x,block.x);
　　// copy kernel result back to host side
　　cudaMemcpy(gpuRef, d_C, nBytes, cudaMemcpyDeviceToHost);
　　// add vector at host side for result checks
　　sumArraysOnHost(h_A, h_B, hostRef, nElem);
　　// check device results
　　checkResult(hostRef, gpuRef, nElem);
　　// free device global memory
　　cudaFree(d_A);
　　cudaFree(d_B);
　　cudaFree(d_C);
　　// free host memory
　　free(h_A);
　　free(h_B);
　　free(hostRef);
　　free(gpuRef);
　　return(0);
}