まずは、CUDAの初期化、および終了のみをするプログラムを作ってみる。
cuda001.cuという空のテキストファイルを用意し、下記のような内容にする。
#include <stdio.h>
#include <cutil.h>
int main( int argc, char** argv)
{
CUT_DEVICE_INIT(argc, argv);
unsigned int timer = 0;
CUT_SAFE_CALL( cutCreateTimer( &timer));
CUT_SAFE_CALL( cutStartTimer( timer));
CUT_SAFE_CALL( cutStopTimer( timer));
printf( "Processing time: %f (ms)\n", cutGetTimerValue( timer));
CUT_SAFE_CALL( cutDeleteTimer( timer));
CUT_EXIT(argc, argv);
return 0;
}
CUT_DEVICE_INIT()とCUT_EXIT(argc, argv)だけでも良いのだが、その間のコードは単にタイマーを作成して、かかった時間を計っているだけである。下記のプログラムが完全な最小のプログラムである。
#include <stdio.h>
#include <cutil.h>
int main( int argc, char** argv)
{
CUT_DEVICE_INIT(argc, argv);
CUT_EXIT(argc, argv);
return 0;
}
これをコマンドプロンプトから、
nvcc cuda001.cu -lcutil32D -lkernel32
もしくは、リリース版を使う場合は
nvcc cuda001.cu -lcutil32 -lkernel32
実行ファイルを作成する。実行ファイルを実行し、
cuda001.exe
Processing time: 0.003911 (ms)
Press ENTER to exit...
のように出れば成功である。
cuda001では単に初期化しただけで何も計算をしなかったので、ここではGPUを使って簡単な計算をさせてみる。
まずcuda002.cuとcuda002_kernel.cuという2つの空のテキストファイルを用意する。それからサンプルプログラムsimpleTemplatesのsharedmem.cuhをコピーして同じフォルダに入れる。GPUの計算部分は慣例的に_kernelというファイル名にすることになっている。ここでは、0から99という数字の入った100個のデータを用意し、それをGPUを使って2倍にしてみる。
以下はcuda002.cuの内容である。
#include <stdio.h>
#include <cutil.h>
#include "cuda002_kernel.cu"
int main( int argc, char** argv)
{
//デバイスの初期化
CUT_DEVICE_INIT(argc, argv);
//タイマーを作成して計測開始
unsigned int timer = 0;
CUT_SAFE_CALL( cutCreateTimer( &timer));
CUT_SAFE_CALL( cutStartTimer( timer));
//メインメモリ上にfloat型のデータを100個生成する
float* h_idata = (float*) malloc(sizeof( float) * 100);
for( int i = 0; i < 100; i++)
{
h_idata[i] = i;
}
//デバイス上（ビデオカードのこと）にも同じくfloat型100個分のメモリを確保する
float* d_idata;
CUDA_SAFE_CALL( cudaMalloc( (void**) &d_idata, sizeof( float) * 100 ));
//メインメモリからデバイスのメモリにデータを転送する
CUDA_SAFE_CALL( cudaMemcpy( d_idata, h_idata, sizeof( float) * 100 , cudaMemcpyHostToDevice) );
//デバイス上に結果を格納するfloat型100個分のメモリを確保する
float* d_odata;
CUDA_SAFE_CALL( cudaMalloc( (void**) &d_odata, sizeof( float) * 100));
dim3 grid( 1, 1, 1);
//100は100個並列であるため
dim3 threads(100, 1, 1);
//ここでGPUを使った計算が行われる
cuda002Kernel<<< grid, threads, sizeof( float) * 100 >>>( d_idata, d_odata);
// 結果をコピーするための領域を確保する
float* h_odata = (float*) malloc(sizeof( float) * 100);
//デバイスからメインメモリ上に実行結果をコピー
CUDA_SAFE_CALL( cudaMemcpy( h_odata, d_odata, sizeof( float) * 100, cudaMemcpyDeviceToHost) );
//実行結果を表示
printf("入力データ , 出力データ\n");
for (int i=0;i<100;i++)
{
printf("%f , %f\n",h_idata[i],h_odata[i]);
}
//タイマーを停止しかかった時間を表示
CUT_SAFE_CALL( cutStopTimer( timer));
printf( "Processing time: %f (ms)\n", cutGetTimerValue( timer));
CUT_SAFE_CALL( cutDeleteTimer( timer));
//各種メモリを解放
free( h_idata);
free( h_odata);
CUDA_SAFE_CALL(cudaFree(d_idata));
CUDA_SAFE_CALL(cudaFree(d_odata));
//終了処理
CUT_EXIT(argc, argv);
}
基本的な構造は、まずメインメモリ上に計算させたいデータを用意する。それをGPUに転送して、計算し、それをメインメモリ上に書き戻すという構造になる。
次に、GPUの計算部分であるcuda002_kernel.cuの内容は次の通り。
#include <stdio.h>
#include "sharedmem.cuh"
__global__ void cuda002Kernel( float* g_idata, float* g_odata)
{
SharedMemory<float> smem;
float* sdata = smem.getPointer();
// スレッドIDを取得
const unsigned int tid = threadIdx.x;
//グローバルメモリから入力データの読み込み
sdata[tid] = g_idata[tid];
__syncthreads();
//ここで計算を行う
sdata[tid] = (float) 2 * sdata[tid];
__syncthreads();
//グローバルメモリに結果を書き込む
g_odata[tid] = sdata[tid];
}
コンパイルと実行結果は、
>nvcc -ccbin "C:\Program Files\Microsoft Visual Studio 8\VC\bin" -c -DWIN32 -D_CONSOLE -D_MBCS -Xcompiler /EHsc,/W3,/nologo,/Wp64,/O2,/Zi,/MT cuda002.obj cuda002.cu
cuda002.cu
tmpxft_00000f64_00000000-3.gpu
tmpxft_00000f64_00000000-7.gpu
tmpxft_00000f64_00000000-3.c
tmpxft_00000f64_00000000-12.i
>link /OUT:cuda002.exe cuda002.obj cudart.lib cutil32D.lib kernel32.lib
Microsoft (R) Incremental Linker Version 8.00.50727.42
Copyright (C) Microsoft Corporation. All rights reserved.
>cuda002.exe
入力データ , 出力データ
0.000000 , 0.000000
1.000000 , 2.000000
2.000000 , 4.000000
3.000000 , 6.000000
4.000000 , 8.000000
.
.
99.000000 , 198.000000
Processing time: 25.315508 (ms)
Press ENTER to exit...