CUDA C 矩阵乘优化

       CUDA C 矩阵乘的分块优化

       使用分块的矩阵乘法是比较常用的优化矩阵乘法的方式，作为初学CUDA的人来讲理解起来还是略微有点困难的。同时矩阵乘法在HPC工程师面试的过程中也是被经常提到的。在CUDA的sample的目录下就有矩阵乘的程序，本代码简化其程序，尽可能讲清楚其中代码实现的细节。

       为了简单起见，我们在此的矩阵使用了方阵，即：矩阵A、B的高宽都为N，那么结果矩阵C的高宽自然也是N。

一、未优化的矩阵乘

     矩阵A （NxN），矩阵B（NxN），结果矩阵C （NxN）

每个线程处理矩阵A的一行和矩阵B的一列，如下图（C中一个红点代表一个元素）：

kernel代码如下：

#define N 8192#define BLOCK_SIZE 32__global__ void matrix_mul_kernel(int* A, int* B,int* C){        long row=blockIdx.y*blockDim.y+threadIdx.y;        long col=blockIdx.x*blockDim.x+threadIdx.x;        int i=0;        int csum=0;        for(i=0;i<N;i++)        {                csum+=A[row*N+i]*B[i*N+col];        }        C[row*N+col]=csum;}

Gird、block的大小定义，内核启动：

        dim3 ngrid(N/BLOCK_SIZE,N/BLOCK_SIZE);        dim3 nblock(BLOCK_SIZE,BLOCK_SIZE);        matrix_mul_kernel<<<ngrid,nblock>>>(d_a,d_b,d_c);

二、矩阵分块

       由于每个线程都要读取A的一行和B的一列，A的每一个行都要从全局存储中被读取N次，这样会极大影响性能。所以考虑矩阵分块，将数据块首先读取到shared memory中。然后在计算C矩阵的部分和。如下图：

       要计算C矩阵的一个块（图中C矩阵的灰色块），

        1、每一个block读取A的一个块subA（图中A矩阵的0号灰色块）和B的一个块subB（图中B矩阵的0号灰色块）到 shared memory中。

        2、block中每一个线程计算subA的一行与subB的一列，这样得到了C的部分和。

        3、计算完A和B 的0号块，再读取A和B的1号块，继续计算，依次类推计算2、3号块。

 

kernel代码：

<pre name="code" class="cpp">#define N 8192#define BLOCK_SIZE 32__global__ void matrix_mul_kernel(int* a, int* b,int* c){        int tx=threadIdx.x;        int ty=threadIdx.y;        int bx=blockIdx.x;        int by=blockIdx.y;        int astart=blockIdx.y*BLOCK_SIZE*N;//获取A矩阵中0号块的起始位置，对应图中的A矩阵0号块的左上角的红红色圆点        int bstart=blockIdx.x*BLOCK_SIZE;//获取B矩阵中0号块的起始位置，对应图中的B矩阵0号块的左上角的红红色圆点        int astep=BLOCK_SIZE;   //每两个块之间的步长        int bstep=BLOCK_SIZE*N; //每两个块之间的步长 （在内存中是按行存储，因此要乘以个N）        int csub=0;        __shared__ int A[BLOCK_SIZE][BLOCK_SIZE];//在shared memory 中创建subA所需空间        __shared__ int B[BLOCK_SIZE][BLOCK_SIZE];        int nblock=N/BLOCK_SIZE;        int k=0;        int i=0;        for(k=0;k<nblock;k++)        {                A[ty][tx]=a[astart+k*astep+ty*N+tx];//如果对这个是怎么计算的不理解看下面的注释a[astart+k*astep+ty*N+tx]                B[ty][tx]=b[bstart+k*bstep+ty*N+tx];                 __syncthreads();                for(i=0;i<BLOCK_SIZE;i++)                {                        csub+=A[ty][i]*B[i][tx];                }                __syncthreads();           }        int cstart=by*BLOCK_SIZE*N+BLOCK_SIZE*bx;        c[cstart+ty*N+tx]=csub;}

注解：a[(astart+k*astep)+(ty*N+tx)]，astart+k*astep计算出每一个块的起始元素的位置（对应图中的每一个块的左上角的红色点），ty*N+tx计算当前线程要处理的数据元素与块的起始元素（红点）之间的距离。

（完）