以下CUDA sample是分别用C++和CUDA实现的通过均值和标准差对图像进行类似归一化的操作，并对其中使用到的CUDA函数进行了解说，各个文件内容如下：
关于均值和标准差的计算公式可参考： http://blog.csdn.net/fengbingchun/article/details/73323475
funset.cpp:
-
#include "funset.hpp" -
#include <random> -
#include <iostream> -
#include <vector> -
#include <memory> -
#include <string> -
#include <algorithm> -
#include "common.hpp" -
#include <opencv2/opencv.hpp> -
int test_image_normalize() -
{ -
std::string image_name{ "E:/GitCode/CUDA_Test/test_images/lena.png" }; -
cv::Mat matSrc = cv::imread(image_name); -
if (!matSrc.data) { -
fprintf(stderr, "read image fail: %s\n", image_name.c_str()); -
return -1; -
} -
const int width{ 511 }, height{ 473 }, channels{ 3 }; -
cv::resize(matSrc, matSrc, cv::Size(width, height)); -
matSrc.convertTo(matSrc, CV_32FC3); -
std::vector<cv::Mat> matSplit; -
cv::split(matSrc, matSplit); -
CHECK(matSplit.size() == channels); -
std::unique_ptr<float[]> data(new float[matSplit[0].cols * matSplit[0].rows * channels]); -
size_t length{ matSplit[0].cols * matSplit[0].rows * sizeof(float) }; -
for (int i = 0; i < channels; ++i) { -
memcpy(data.get() + matSplit[0].cols * matSplit[0].rows * i, matSplit[i].data, length); -
} -
float elapsed_time1{ 0.f }, elapsed_time2{ 0.f }; // milliseconds -
std::unique_ptr<float[]> dst1(new float[matSplit[0].cols * matSplit[0].rows * channels]); -
std::unique_ptr<float[]> dst2(new float[matSplit[0].cols * matSplit[0].rows * channels]); -
int ret = image_normalize_cpu(data.get(), dst1.get(), width, height, channels, &elapsed_time1); -
if (ret != 0) PRINT_ERROR_INFO(image_normalize_cpu); -
ret = image_normalize_gpu(data.get(), dst2.get(), width, height, channels, &elapsed_time2); -
if (ret != 0) PRINT_ERROR_INFO(image_normalize_gpu); -
int count{ 0 }, num{ width * height * channels }; -
for (int i = 0; i < num; ++i) { -
if (fabs(dst1[i] - dst2[i]) > 0.01/*EPS_*/) { -
fprintf(stderr, "index: %d, val1: %f, val2: %f\n", i, dst1[i], dst2[i]); -
++count; -
} -
if (count > 100) return -1; -
} -
std::vector<cv::Mat> merge(channels); -
for (int i = 0; i < channels; ++i) { -
merge[i] = cv::Mat(height, width, CV_32FC1, dst2.get() + i * width * height); -
} -
cv::Mat dst3; -
cv::merge(merge, dst3); -
dst3.convertTo(dst3, CV_8UC3, 255.f); -
cv::imwrite("E:/GitCode/CUDA_Test/test_images/image_normalize.png", dst3); -
//cv::resize(matSrc, matSrc, cv::Size(width, height)); -
//cv::imwrite("E:/GitCode/CUDA_Test/test_images/image_src.png", matSrc); -
fprintf(stderr, "test image normalize: cpu run time: %f ms, gpu run time: %f ms\n", elapsed_time1, elapsed_time2); -
return 0; -
}
image_normalize.cpp:
-
#include "funset.hpp" -
#include <vector> -
#include <chrono> -
#include "common.hpp" -
int image_normalize_cpu(const float* src, float* dst, int width, int height, int channels, float* elapsed_time) -
{ -
auto start = std::chrono::steady_clock::now(); -
const int offset{ width * height }; -
for (int i = 0; i < channels; ++i) { -
const float* p1 = src + offset * i; -
float* p2 = dst + offset * i; -
float mean{ 0.f }, sd{ 0.f }; -
for (int t = 0; t < offset; ++t) { -
mean += p1[t]; -
sd += pow(p1[t], 2.f); -
p2[t] = p1[t]; -
} -
mean /= offset; -
sd /= offset; -
sd -= pow(mean, 2.f); -
sd = sqrt(sd); -
if (sd < EPS_) sd = 1.f; -
for (int t = 0; t < offset; ++t) { -
p2[t] = (p1[t] - mean) / sd; -
} -
} -
auto end = std::chrono::steady_clock::now(); -
auto duration = std::chrono::duration_cast<std::chrono::nanoseconds>(end - start); -
*elapsed_time = duration.count() * 1.0e-6; -
return 0; -
}
image_normalize.cu:
-
#include "funset.hpp" -
#include <iostream> -
#include <memory> -
#include <algorithm> -
#include <cmath> -
#include <cuda_runtime.h> // For the CUDA runtime routines (prefixed with "cuda_") -
#include <device_launch_parameters.h> -
#include "common.hpp" -
/* __global__: 函数类型限定符;在设备上运行;在主机端调用,计算能力3.2及以上可以在 -
设备端调用;声明的函数的返回值必须是void类型;对此类型函数的调用是异步的,即在 -
设备完全完成它的运行之前就返回了;对此类型函数的调用必须指定执行配置,即用于在 -
设备上执行函数时的grid和block的维度,以及相关的流(即插入<<< >>>运算符); -
a kernel,表示此函数为内核函数(运行在GPU上的CUDA并行计算函数称为kernel(内核函 -
数),内核函数必须通过__global__函数类型限定符定义);*/ -
__global__ static void image_normalize(const float* src, float* dst, int count, int offset) -
{ -
/* gridDim: 内置变量,用于描述线程网格的维度,对于所有线程块来说,这个 -
变量是一个常数,用来保存线程格每一维的大小,即每个线程格中线程块的数量. -
一个grid最多只有二维,为dim3类型； -
blockDim: 内置变量,用于说明每个block的维度与尺寸.为dim3类型,包含 -
了block在三个维度上的尺寸信息;对于所有线程块来说,这个变量是一个常数, -
保存的是线程块中每一维的线程数量; -
blockIdx: 内置变量,变量中包含的值就是当前执行设备代码的线程块的索引;用 -
于说明当前thread所在的block在整个grid中的位置,blockIdx.x取值范围是 -
[0,gridDim.x-1],blockIdx.y取值范围是[0, gridDim.y-1].为uint3类型, -
包含了一个block在grid中各个维度上的索引信息; -
threadIdx: 内置变量,变量中包含的值就是当前执行设备代码的线程索引;用于 -
说明当前thread在block中的位置;如果线程是一维的可获取threadIdx.x,如果 -
是二维的还可获取threadIdx.y,如果是三维的还可获取threadIdx.z;为uint3类 -
型,包含了一个thread在block中各个维度的索引信息 */ -
int index = threadIdx.x + blockIdx.x * blockDim.x; -
if (index > count - 1) return; -
const float* input = src + index * offset; -
float* output = dst + index * offset; -
float mean{ 0.f }, sd{ 0.f }; -
for (size_t i = 0; i < offset; ++i) { -
mean += input[i]; -
sd += pow(input[i], 2.f); -
output[i] = input[i]; -
} -
mean /= offset; -
sd /= offset; -
sd -= pow(mean, 2.f); -
sd = sqrt(sd); -
if (sd < EPS_) sd = 1.f; -
for (size_t i = 0; i < offset; ++i) { -
output[i] = (input[i] - mean) / sd; -
} -
} -
int image_normalize_gpu(const float* src, float* dst, int width, int height, int channels, float* elapsed_time) -
{ -
/* cudaEvent_t: CUDA event types,结构体类型, CUDA事件,用于测量GPU在某 -
个任务上花费的时间,CUDA中的事件本质上是一个GPU时间戳,由于CUDA事件是在 -
GPU上实现的,因此它们不适于对同时包含设备代码和主机代码的混合代码计时 */ -
cudaEvent_t start, stop; -
// cudaEventCreate: 创建一个事件对象,异步启动 -
cudaEventCreate(&start); -
cudaEventCreate(&stop); -
// cudaEventRecord: 记录一个事件,异步启动,start记录起始时间 -
cudaEventRecord(start, 0); -
float *dev_src{ nullptr }, *dev_dst{ nullptr }; -
size_t length{ width * height * channels * sizeof(float) }; -
// cudaMalloc: 在设备端分配内存 -
cudaMalloc(&dev_src, length); -
cudaMalloc(&dev_dst, length); -
/* cudaMemcpy: 在主机端和设备端拷贝数据,此函数第四个参数仅能是下面之一: -
(1). cudaMemcpyHostToHost: 拷贝数据从主机端到主机端 -
(2). cudaMemcpyHostToDevice: 拷贝数据从主机端到设备端 -
(3). cudaMemcpyDeviceToHost: 拷贝数据从设备端到主机端 -
(4). cudaMemcpyDeviceToDevice: 拷贝数据从设备端到设备端 -
(5). cudaMemcpyDefault: 从指针值自动推断拷贝数据方向,需要支持 -
统一虚拟寻址(CUDA6.0及以上版本) -
cudaMemcpy函数对于主机是同步的 */ -
cudaMemcpy(dev_src, src, length, cudaMemcpyHostToDevice); -
/* <<< >>>: 为CUDA引入的运算符,指定线程网格和线程块维度等,传递执行参 -
数给CUDA编译器和运行时系统,用于说明内核函数中的线程数量,以及线程是如何 -
组织的;尖括号中这些参数并不是传递给设备代码的参数,而是告诉运行时如何 -
启动设备代码,传递给设备代码本身的参数是放在圆括号中传递的,就像标准的函 -
数调用一样;不同计算能力的设备对线程的总数和组织方式有不同的约束;必须 -
先为kernel中用到的数组或变量分配好足够的空间,再调用kernel函数,否则在 -
GPU计算时会发生错误,例如越界等; -
使用运行时API时,需要在调用的内核函数名与参数列表直接以<<<Dg,Db,Ns,S>>> -
的形式设置执行配置,其中：Dg是一个dim3型变量,用于设置grid的维度和各个 -
维度上的尺寸.设置好Dg后,grid中将有Dg.x*Dg.y个block,Dg.z必须为1;Db是 -
一个dim3型变量,用于设置block的维度和各个维度上的尺寸.设置好Db后,每个 -
block中将有Db.x*Db.y*Db.z个thread;Ns是一个size_t型变量,指定各块为此调 -
用动态分配的共享存储器大小,这些动态分配的存储器可供声明为外部数组 -
(extern __shared__)的其他任何变量使用;Ns是一个可选参数,默认值为0;S为 -
cudaStream_t类型,用于设置与内核函数关联的流.S是一个可选参数,默认值0. */ -
image_normalize << < channels, 512 >> >(dev_src, dev_dst, channels, width*height); -
cudaMemcpy(dst, dev_dst, length, cudaMemcpyDeviceToHost); -
// cudaFree: 释放设备上由cudaMalloc函数分配的内存 -
cudaFree(dev_src); -
cudaFree(dev_dst); -
// cudaEventRecord: 记录一个事件,异步启动,stop记录结束时间 -
cudaEventRecord(stop, 0); -
// cudaEventSynchronize: 事件同步,等待一个事件完成,异步启动 -
cudaEventSynchronize(stop); -
// cudaEventElapseTime: 计算两个事件之间经历的时间,单位为毫秒,异步启动 -
cudaEventElapsedTime(elapsed_time, start, stop); -
// cudaEventDestroy: 销毁事件对象,异步启动 -
cudaEventDestroy(start); -
cudaEventDestroy(stop); -
return 0; -
}
原图如下：
结果图如下：
执行结果如下：由运行时间可知，GPU要远慢于CPU，后面再对GPU实现进行优化。还有一个问题是，在Release下，执行正常，在Debug下，GPU，在调用核函数时，会在for循环中无故退出，具体原因还未知，后面待进一步分析。
GitHub： https://github.com/fengbingchun/CUDA_Test