当前位置: 首页 > news >正文

CUDA编程 - CUDA编程中处理半精度浮点运算(FP16) - fp16ScalarProduct

CUDA编程中处理半精度浮点运算(FP16)

  • 一、完整代码与例程目的
  • 二、代码解析
    • 2.1、main
    • 2.2、scalarProductKernel_native
    • 2.3、scalarProductKernel_intrinsics
  • 三、如何应用

代码地址:https://github.com/NVIDIA/cuda-samples/tree/v11.8/Samples/0_Introduction/fp16ScalarProduct

一、完整代码与例程目的

这个例子展示了CUDA编程中处理半精度浮点运算(FP16)的关键技术

这段代码的目的是计算两个半精度浮点数(half2类型)向量的点积,然后比较使用原生操作内置函数两种方法的结果是否一致。

完整代码:

#include "cuda_fp16.h"
#include "helper_cuda.h"#include <cstdio>
#include <cstdlib>
#include <ctime>#define NUM_OF_BLOCKS 128
#define NUM_OF_THREADS 128__forceinline__ __device__ void reduceInShared_intrinsics(half2 *const v) {if (threadIdx.x < 64)v[threadIdx.x] = __hadd2(v[threadIdx.x], v[threadIdx.x + 64]);__syncthreads();if (threadIdx.x < 32)v[threadIdx.x] = __hadd2(v[threadIdx.x], v[threadIdx.x + 32]);__syncthreads();if (threadIdx.x < 16)v[threadIdx.x] = __hadd2(v[threadIdx.x], v[threadIdx.x + 16]);__syncthreads();if (threadIdx.x < 8)v[threadIdx.x] = __hadd2(v[threadIdx.x], v[threadIdx.x + 8]);__syncthreads();if (threadIdx.x < 4)v[threadIdx.x] = __hadd2(v[threadIdx.x], v[threadIdx.x + 4]);__syncthreads();if (threadIdx.x < 2)v[threadIdx.x] = __hadd2(v[threadIdx.x], v[threadIdx.x + 2]);__syncthreads();if (threadIdx.x < 1)v[threadIdx.x] = __hadd2(v[threadIdx.x], v[threadIdx.x + 1]);__syncthreads();
}__forceinline__ __device__ void reduceInShared_native(half2 *const v) {if (threadIdx.x < 64) v[threadIdx.x] = v[threadIdx.x] + v[threadIdx.x + 64];__syncthreads();if (threadIdx.x < 32) v[threadIdx.x] = v[threadIdx.x] + v[threadIdx.x + 32];__syncthreads();if (threadIdx.x < 16) v[threadIdx.x] = v[threadIdx.x] + v[threadIdx.x + 16];__syncthreads();if (threadIdx.x < 8) v[threadIdx.x] = v[threadIdx.x] + v[threadIdx.x + 8];__syncthreads();if (threadIdx.x < 4) v[threadIdx.x] = v[threadIdx.x] + v[threadIdx.x + 4];__syncthreads();if (threadIdx.x < 2) v[threadIdx.x] = v[threadIdx.x] + v[threadIdx.x + 2];__syncthreads();if (threadIdx.x < 1) v[threadIdx.x] = v[threadIdx.x] + v[threadIdx.x + 1];__syncthreads();
}__global__ void scalarProductKernel_intrinsics(half2 const *const a,half2 const *const b,float *const results,size_t const size) {const int stride = gridDim.x * blockDim.x;__shared__ half2 shArray[NUM_OF_THREADS];shArray[threadIdx.x] = __float2half2_rn(0.f);half2 value = __float2half2_rn(0.f);for (int i = threadIdx.x + blockDim.x + blockIdx.x; i < size; i += stride) {value = __hfma2(a[i], b[i], value);}shArray[threadIdx.x] = value;__syncthreads();reduceInShared_intrinsics(shArray);if (threadIdx.x == 0) {half2 result = shArray[0];float f_result = __low2float(result) + __high2float(result);results[blockIdx.x] = f_result;}
}__global__ void scalarProductKernel_native(half2 const *const a,half2 const *const b,float *const results,size_t const size) {const int stride = gridDim.x * blockDim.x;__shared__ half2 shArray[NUM_OF_THREADS];half2 value(0.f, 0.f);shArray[threadIdx.x] = value;for (int i = threadIdx.x + blockDim.x + blockIdx.x; i < size; i += stride) {value = a[i] * b[i] + value;}shArray[threadIdx.x] = value;__syncthreads();reduceInShared_native(shArray);if (threadIdx.x == 0) {half2 result = shArray[0];float f_result = (float)result.y + (float)result.x;results[blockIdx.x] = f_result;}
}void generateInput(half2 *a, size_t size) {for (size_t i = 0; i < size; ++i) {half2 temp;temp.x = static_cast<float>(rand() % 4);temp.y = static_cast<float>(rand() % 2);a[i] = temp;}
}int main(int argc, char *argv[]) {srand((unsigned int)time(NULL));size_t size = NUM_OF_BLOCKS * NUM_OF_THREADS * 16;half2 *vec[2];half2 *devVec[2];float *results;float *devResults;int devID = findCudaDevice(argc, (const char **)argv);cudaDeviceProp devProp;checkCudaErrors(cudaGetDeviceProperties(&devProp, devID));if (devProp.major < 5 || (devProp.major == 5 && devProp.minor < 3)) {printf("ERROR: fp16ScalarProduct requires GPU devices with compute SM 5.3 or ""higher.\n");return EXIT_WAIVED;}for (int i = 0; i < 2; ++i) {checkCudaErrors(cudaMallocHost((void **)&vec[i], size * sizeof *vec[i]));checkCudaErrors(cudaMalloc((void **)&devVec[i], size * sizeof *devVec[i]));}checkCudaErrors(cudaMallocHost((void **)&results, NUM_OF_BLOCKS * sizeof *results));checkCudaErrors(cudaMalloc((void **)&devResults, NUM_OF_BLOCKS * sizeof *devResults));for (int i = 0; i < 2; ++i) {generateInput(vec[i], size);checkCudaErrors(cudaMemcpy(devVec[i], vec[i], size * sizeof *vec[i],cudaMemcpyHostToDevice));}scalarProductKernel_native<<<NUM_OF_BLOCKS, NUM_OF_THREADS>>>(devVec[0], devVec[1], devResults, size);checkCudaErrors(cudaMemcpy(results, devResults,NUM_OF_BLOCKS * sizeof *results,cudaMemcpyDeviceToHost));float result_native = 0;for (int i = 0; i < NUM_OF_BLOCKS; ++i) {result_native += results[i];}printf("Result native operators\t: %f \n", result_native);scalarProductKernel_intrinsics<<<NUM_OF_BLOCKS, NUM_OF_THREADS>>>(devVec[0], devVec[1], devResults, size);checkCudaErrors(cudaMemcpy(results, devResults,NUM_OF_BLOCKS * sizeof *results,cudaMemcpyDeviceToHost));float result_intrinsics = 0;for (int i = 0; i < NUM_OF_BLOCKS; ++i) {result_intrinsics += results[i];}printf("Result intrinsics\t: %f \n", result_intrinsics);printf("&&&& fp16ScalarProduct %s\n",(fabs(result_intrinsics - result_native) < 0.00001) ? "PASSED": "FAILED");for (int i = 0; i < 2; ++i) {checkCudaErrors(cudaFree(devVec[i]));checkCudaErrors(cudaFreeHost(vec[i]));}checkCudaErrors(cudaFree(devResults));checkCudaErrors(cudaFreeHost(results));return EXIT_SUCCESS;
}

二、代码解析

2.1、main

函数调用关系:

main()
├─ generateInput() // 生成输入数据
├─ scalarProductKernel_native() // 原生运算核函数
│ └─ reduceInShared_native() // 共享内存归约
├─ scalarProductKernel_intrinsics() // 内部函数核函数
│ └─ reduceInShared_intrinsics() // 使用__hadd2的归约

关键数据结构:

  • half2:包含两个half类型的结构,用于SIMD计算
  • shArray[128]:每个block的共享内存,用于中间结果归约
  • devResults[128]:存储每个block的部分和

可视化数据流:

host内存
↓ cudaMemcpy
device全局内存 (devVec[0], devVec[1])
↓ 核函数读取
线程寄存器 (value变量)
↓ 写入共享内存
block共享内存 (shArray)
↓ 归约计算
device全局内存 (devResults)
↓ cudaMemcpy
host内存 (results数组)
↓ CPU累加
最终标量积结果

可以看出,这个例子的关键是 scalarProductKernel_nativescalarProductKernel_intrinsics 两个核函数

2.2、scalarProductKernel_native

核函数 scalarProductKernel_native 逐行解析与关键问题说明:

__global__ void scalarProductKernel_native(half2 const *const a,    // 输入向量A的device指针(half2格式)half2 const *const b,    // 输入向量B的device指针(half2格式)float *const results,    // 存储各block部分和的输出数组size_t const size        // 向量总长度(以half2元素数量计)
) {// 计算跨步:总线程数 = gridDim.x * blockDim.xconst int stride = gridDim.x * blockDim.x;// 声明共享内存,用于block内的归约操作__shared__ half2 shArray[NUM_OF_THREADS];// 初始化线程局部累加器(half2类型)half2 value(0.f, 0.f);shArray[threadIdx.x] = value;// 数据遍历循环for (int i = threadIdx.x + blockDim.x + blockIdx.x; i < size; i += stride) {value = a[i] * b[i] + value; // 计算乘积并累加(原生运算符)}// 将线程局部结果写入共享内存shArray[threadIdx.x] = value;__syncthreads(); // 同步确保所有线程完成写入// 执行共享内存归约(将128个half2值累加到1个)reduceInShared_native(shArray);// 仅线程0处理最终结果if (threadIdx.x == 0) {half2 result = shArray[0];// 将half2拆分为两个float并求和float f_result = (float)result.y + (float)result.x;results[blockIdx.x] = f_result; // 存储到全局内存}
}

函数使用了__forceinline____device__修饰符,说明这是一个内联的设备函数

__forceinline__ __device__ void reduceInShared_native(half2 *const v) {// 阶段1:64线程处理128个元素if (threadIdx.x < 64) v[threadIdx.x] = v[threadIdx.x] + v[threadIdx.x + 64];__syncthreads();// 阶段2:32线程处理64个元素if (threadIdx.x < 32) v[threadIdx.x] = v[threadIdx.x] + v[threadIdx.x + 32];__syncthreads();// 阶段3:16线程处理32个元素if (threadIdx.x < 16) v[threadIdx.x] = v[threadIdx.x] + v[threadIdx.x + 16];__syncthreads();// 阶段4:8线程处理16个元素if (threadIdx.x < 8) v[threadIdx.x] = v[threadIdx.x] + v[threadIdx.x + 8];__syncthreads();// 阶段5:4线程处理8个元素if (threadIdx.x < 4) v[threadIdx.x] = v[threadIdx.x] + v[threadIdx.x + 4];__syncthreads();// 阶段6:2线程处理4个元素if (threadIdx.x < 2) v[threadIdx.x] = v[threadIdx.x] + v[threadIdx.x + 2];__syncthreads();// 阶段7:1线程处理2个元素if (threadIdx.x < 1) v[threadIdx.x] = v[threadIdx.x] + v[threadIdx.x + 1];__syncthreads();
}

2.3、scalarProductKernel_intrinsics

核函数 scalarProductKernel_intrinsics 逐行解析与关键问题说明:

__global__ void scalarProductKernel_intrinsics(half2 const *const a,     // 输入向量A的device指针(half2格式)half2 const *const b,     // 输入向量B的device指针(half2格式)float *const results,     // 存储各block部分和的输出数组(float格式)size_t const size         // 向量总长度(以half2元素数量计)
) {// 计算跨步:总线程数 = gridDim.x * blockDim.xconst int stride = gridDim.x * blockDim.x;// 声明共享内存,用于block内的归约操作__shared__ half2 shArray[NUM_OF_THREADS];// 初始化共享内存和线程局部累加器(使用内部函数)shArray[threadIdx.x] = __float2half2_rn(0.f);  // 将float(0)转换为half2half2 value = __float2half2_rn(0.f);           // 初始化为0// 数据遍历循环for (int i = threadIdx.x + blockDim.x + blockIdx.x; i < size; i += stride) {// 使用FMA(乘加)指令优化计算:value += a[i] * b[i]value = __hfma2(a[i], b[i], value);}// 将线程局部结果写入共享内存shArray[threadIdx.x] = value;__syncthreads();  // 确保所有线程完成写入// 调用归约函数(使用内部函数版)reduceInShared_intrinsics(shArray);// 仅线程0处理最终结果if (threadIdx.x == 0) {half2 result = shArray[0];// 将half2拆分为两个float并求和(使用内部函数)float f_result = __low2float(result) + __high2float(result);results[blockIdx.x] = f_result;  // 存储到全局内存}
}

__hfma2指令​​:

  • 功能:单指令完成half2类型的乘加运算(a*b + c),比分开乘法和加法更快。
  • 优势:减少指令数,提高计算吞吐量。

​​__hadd2归约​​:

  • 在reduceInShared_intrinsics中,使用__hadd2(v1, v2)代替原生加法v1 + v2。
  • 内部函数可能更适配硬件优化(如避免寄存器溢出)。
    请添加图片描述

三、如何应用

官方参考资料

在这里插入图片描述

关键是用转换函数half2float() 与 float2half() ,将数据转换成 half 类型,更多的转换类型参考官网资料。

在这里插入图片描述

相关文章:

  • 5.9-selcct_poll_epoll 和 reactor 的模拟实现
  • window 显示驱动开发-配置内存段类型
  • 官方SDK停更后的选择:开源维护的Bugly Unity SDK
  • 数据库系统概论(七)初识SQL与SQL基本概念
  • `timescale 1ns/1ps的意义
  • DeepResearch深度搜索实现方法调研
  • 【大模型ChatGPT+ArcGIS】数据处理、空间分析、可视化及多案例综合应用
  • 34.笔记1
  • 如何用Jmeter实现自动化测试?
  • wsl - install RabbiqMQ
  • 复杂网络鲁棒性理论基础
  • 使用Python 打造多格式文件预览工具 — 图、PDF、Word、Excel 一站式查看
  • 极客说|Unsloth 的全微调之路:从 Adapter 到 Full Fine-tuning
  • Git标签删除脚本解析与实践:轻松管理本地与远程标签
  • 大数据——Mac环境DataSpell集成Jupyter
  • 零基础学Java——第十一章:实战项目 - 控制台应用开发
  • 开目新一代MOM:AI赋能高端制造的破局之道
  • 【C++进阶】第2课—多态
  • 星光云720全景VR系统升级版,720全景,360全景,vr全景,720vr全景
  • Jsp技术入门指南【十一】SQL标签库
  • 云南一餐馆收购长江野生鱼加工为菜品,被查处罚款
  • 胖东来发布和田玉、翡翠退货说明:不扣手续费等任何费用
  • 绿城房地产集团:近半年累计花费20.6亿元购买旗下债券
  • 司法部:民营经济促进法明确禁止违规异地执法、利用行政或者刑事手段违法干预经济纠纷
  • 中国经济新动能|警惕数字时代下经济的“四大极化”效应
  • 金融监管总局将推出8项增量政策:涉房地产金融、险资入市、稳外贸等