WikiDer > CUDA

CUDA
Entwickler	NVIDIA
Veröffentlicht	23. Juni 2007
Letzte Version	9.1  (12. September 2017)
Status	Veröffentlicht
Betriebssystem	Windows XP , Windows Server 2003 , Linux und Mac OS X
Kategorie	GPU
Lizenz	ProprietärFreeware
Webseite	(und) Offizielle Website der Nvidia CUDA Zone
Portal    Informatik

CUDA, welches dafür steht Compute Unified Device Architecture, ist ein GPU-Technologie was es ist Programmierer macht es möglich, die Programmiersprache C zu Algorithmen auf der durchführen GPU.

Verarbeitungsprozess mit CUDA
1. Daten vom Hauptspeicher in den GPU-Speicher kopieren
2. CPU weist den Prozess auf der GPU an
3. GPU läuft parallel in jedem Kern
4. Kopieren Sie das Ergebnis vom GPU-Speicher in das Hauptspeicher

CUDA wurde entwickelt von NVIDIA und das zu nutzen Rechnerarchitektur gibt es eine NVIDIA GPU und ein Special a Stream-Verarbeitung Fahrer erforderlich. CUDA funktioniert nur auf den neueren GrafikkartenGeForce 8-Serie, die die G8x-GPUs verwenden; NVIDIA garantiert, dass Programme, die für die GeForce 8-Serie entwickelt wurden, ohne Änderungen auf allen zukünftigen NVIDIA-Grafikkarten funktionieren. CUDA gibt Entwicklern Zugriff auf den nativen Befehlssatz und Erinnerung der massiven parallelen Rechenelemente in CUDA-GPUs. Mit CUDA, der NVIDIA GeForce basierte GPUs führen effektiv leistungsstarke, programmierbare offene Architekturen aus, wie die heutigen Zentralprozessors.

Vor-und Nachteile

CUDA hat einige Vor- und Nachteile gegenüber der herkömmlichen Allzweckberechnung auf GPUs (GPGPU) durch die Verwendung von APIs.

Leistungen:

• Verwendet Standard C, mit einigen einfachen Erweiterungen;
• Verstreute Schreibvorgänge - Code kann an beliebige Adressen im Speicher schreiben;
• geteilte Erinnerung;
• Schnellere Downloads und Readbacks zur und von der GPU;
• Volle Unterstützung für ganzzahlige und bitweise Operationen.

Nachteile:

• Unterstützt nur bilineare Texturfilterung - Mipmapped-Texturen und anisotrope Filterung werden noch nicht unterstützt;
• Rekursive Funktionen werden nicht unterstützt;
• Einige Abweichungen von IEEE 754 Standard. Denormals und Signalisierungs-NaNs werden nicht unterstützt, es werden nur zwei Rundungsmethoden unterstützt (Chop und Round-to-Nearest Even);
• CUDA-fähige GPUs werden nur von NVIDIA (GeForce, Quadro, Tesla) hergestellt.

Unterstützung

Eine Tabelle mit Geräten, die CUDA offiziell unterstützen (Viele Anwendungen benötigen mindestens 256 MB VRAM).^[1]

Beispiel

Dieser Beispielcode in C lädt eine Textur aus einem Bild in ein Array auf der GPU:

cudaArray*cu_array;Textur<schweben,2>tex;// Ordnet Array zucudaChannelFormatDescBeschreibung=cudaCreateChannelDesc<schweben>();cudaMallocArray(&cu_array,&Beschreibung,Breite,Höhe);// Kopiert Bilddaten in das ArraycudaMemcpy(cu_array,Bild,Breite*Höhe*Größe von(schweben),cudaMemcpyHostToDevice);// Binden Sie das Array an die TexturcudaBindTextureToArray(tex,cu_array);// Kernel ausführendim3blockDim(16,16,1);dim3GitterDim(Breite/blockDim.X,Höhe/blockDim.ja,1);Kernel<<<GitterDim,blockDim,0>>>(d_odata,Höhe,Breite);cudaUnbindTexture(tex);__global__LeereKernel(schweben*odata,intHöhe,intBreite){ohne VorzeichenintX=blockIdx.X*blockDim.XthreadIdx.X;ohne Vorzeichenintja=blockIdx.ja*blockDim.jathreadIdx.ja;schwebenc=tex2D(tex,X,ja);odata[ja*BreiteX]=c;}

Unten ist ein Beispiel in Python, das das Produkt zweier Arrays auf der GPU berechnet. Die inoffiziellen Python-Anbindungen sind erhältlich bei PyCUDA.

importierenpycuda.driverAschedrvimportierennumpyimportierenpycuda.autoinitmod=drv.Quellmodul("""__global__ void multiply_them(float *dest, float *a, float *b){  const int i = threadIdx.x;  Ziel[i] = a[i] * b[i];}""")multiplizieren_them=mod.get_function("multiply_them")ein=numpy.zufällig.Randn(400).Achstyp(numpy.float32)b=numpy.zufällig.Randn(400).Achstyp(numpy.float32)dest=numpy.zeros_like(ein)multiplizieren_them(drv.aus(dest),drv.Im(ein),drv.Im(b),Block=(400,1,1))druckendest-ein*b

Zusätzliche Python-Bindungen zur Vereinfachung der Matrixmultiplikation finden Sie im Programm pycublas.

importierennumpyvonpycublasimportierenCUBLASMatrixein=CUBLASMatrix(numpy.Matte([[1,2,3],[4,5,6]],numpy.float32))B=CUBLASMatrix(numpy.Matte([[2,3],[4,5],[6,7]],numpy.float32))C=ein*BdruckenC.np_mat()

Programmiertools

• Python - PyCUDA
• Java - jCUDA, JCuda, JCublas, JCufft
• .GERADE - CUDA.NET
• MATLAB - MATLAB-Plug-in für CUDA, GPUmat, Jacke
• fortran - FORTRAN CUDA, PGI CUDA Fortran Compiler

Fermic

Die Generation von GPUs mit dem Codenamen Fermic (veröffentlicht am 27. März 2010, GeForce 400-Serie [GF100])^[2] wurde von Grund auf entwickelt, um weitere Programmiersprachen zu unterstützen, wie z C . Erwartet, dass im Vergleich zur vorherigen Generation von Nvidia die achtfache maximale Gleitkommaleistung mit doppelter Genauigkeit erreicht wird Tesla GPU. Es führt auch einige neue Funktionen ein^[3] wie:

• Bis zu 512 CUDA-Kerne und 3 Milliarden Transistoren
• NVIDIA Paralleler Datencache
• NVIDIA GigaThread-Engine
• Unterstützung für ECC-Speicher
• Solide Unterstützung für Microsoft Visual Studio

Kepler

Kepler (2016) unterstützt auch CUDA.^[4]

Volta

Volta ist die neueste Grafikkartengeneration im Jahr 2018. Es unterstützt auch CUDA.

Siehe auch

• OpenCL
• GPU-Cluster
• Jacke, eine CUDA-Engine für MATLAB
• Skalierbare Link-Schnittstelle (SLI)

Externer Link

• (und) Offizielle Website