GPU并行编程小结

http://peghoty.blog.163.com/blog/static/493464092013016113254852/

http://blog.csdn.net/augusdi/article/details/12833235

CUDA存储器模型：http://blog.csdn.net/endlch/article/details/44538801

CUDA限定符：http://blog.csdn.net/shouhuxianjian/article/details/42427285

思想即是将内存数据拷贝到显存，在显存上执行并行运算，将结果数据从显存拷贝回内存。

CUDA内有thrust库，类似于C++ stl库。

===========以下是原文=========

挖坑待填。

 以上是本机CUDA参数。

 需要了解的概念：线程束(wrap)，共享内存，常量内存，纹理内存(?，图形学相关，略)，流，原子操作。

寄存器

寄存器是GPU片上高速缓存， 执行单元可以以极低的延迟访问寄存器。寄存器的基本单元式寄存器文件，每个寄存器文件大小为32bit。局部存储器对于每个线程，局部存储器也是私有的。如果寄存器被消耗完。数据将被存储在局部存储器中。如果每个线程使用了过多的寄存器，或声明了大型结构体或数据，或者编译器无法确定数据的大小，线程的私有数据就有可能被分配到local memory中，一个线程的输入和中间变量将被保存在寄存器或者是局部存储器中。局部存储器中的数据被保存在显存中，而不是片上的寄存器或者缓存中，因此对local memory的访问速度很慢。

 

共享存储器

共享存储器(share memeory)也是GPU片内缓存存储器。它是一块可以被同一block中的所有线程访问的可读存储器。

使用关键字share添加到变量的声明中，这将使这个变量驻留在共享内存中。cuda c编译器对共享内存中的变量与普通变量将采取不同的处理方式。

对于在GPU上启动的每个线程块，cuda c编译器都将创建该变量的一个副本，线程块中的每一个线程都共享这块内存，但这个线程却无法看到也不能修改其他线程块的变量的副本。这就实现了一种非常好的方式，使得一个线程块中的多个线程能够在计算上进行通信和协作，而且，共享内存缓冲区驻留在物理GPU上，而不是驻留在GPU之外的系统内存中。

 

常量内存

__constant__将把变量的访问限制为只读。

在接受了这种限制之后，我们希望得到某种回报，与全局内存中读数据相比，从常量内存中读取相同的数据可以节约内存的带宽，主要有两个原因：

-对常量内存的单次读操作可以广播到其他的“领进”线程，这将节约15次读取操作。

-常量内存的数据缓存起来，因此对相同地址的连续读取操作将不会产生额外的内存通信量。

“邻近”是指半个warp中的线程。当处理常量内存时。nvidia硬件将把单次内存读取操作广播到每个半线程束。在半线程束中包含了16个线程，即线程束中数量的一半。

如果在半线程束中的每一个线程访问相同的常量内存地址。那么GPU只会发生一次读操作事件并在随后将数据广播到每个线程。

如果从常量内存中读取大量的数据，那么这种方式产生的内存流量只是全局内存时的1/16.然而，当使用常量内存时也可能产生负面影响。

如果半线程束的所有16个线程需要访问常量内存中不同的数据，那么这个16次读取操作会被串行化，从而需要16倍的时间来发出请求。

但如果从全局内存中读取，那么这些请求会同时发出。在这种情况下，从常量内存读取就慢于从全局内存中读取。

 

全局存储器

全局存储器(global memeory)位于显存（占据了大部分的显存)。

整个网格中的任意线程都能读写全局存储器的任意位置。在目前的架构中，全局存储器没有缓存。

 

=======补======

SM与线程束

通常，线程块的数量为GPU中央处理器数量的2倍时，将达到最优性能。

 

GPU拥有数百个核，其中，SM代表多流处理器，即计算核心，而每个SM又包含8个标准流处理器SP，以及其他。

隶属于同一个SM的8个SP共用同一套取指与发射单元，共用一块共享存储器。

kernel以block为单位执行。

一个block必须被分配到同一块SM中，block的每个thread会发送到一个SP上执行，但一个SM中同一时刻可以有多个活动线程块在等待执行。

同一个block的thread开始于相同的指令地址，理论上能够按不同的分支执行，但实际上由于8个SP共用一套取值与发射单元，同一warp的线程执行的指令是相同的。
如果一个warp的线程跳转如分支语句的同一分支，那么实际执行时间就是这个分支执行时间；
否则，SM需要把每一个分支的指令发射到每个SP，执行时间是执行多个分支的所用时间之和。
故CUDA程序尽量避免分支，尽量warp内不分支。

线程束(warp)：一个线程束由32个连续的线程组成。（简单地说，warp包含32个线程是因为每发射一条warp指令，SM中的8个SP就会将这条指令执行4遍）。warp才是真正的执行单位。

杂

原子操作。同时对global内存写操作，可分批进行，改成先线程块对shared内存写操作，结束后shared内存写入global内存。

__syncthreads()实现了线程块内的线程同步，当任意线程运行到BAR标记处后，暂停运行，直到整个block中所有的thread都运行到BAR标记处后才继续执行。
__syncthreads()勿置于分支语句内。

流：名义上多个流，实际上可能就是kenel（GPU运算）和copy（CPU与GPU间数据传送）两个流。每个流都是一个队列，事件被push入队列中等待执行。

for循环的任务切分的时候，有两种方式划分任务。

1.划分成k段，每段由某个线程执行。

2.按模k同余进行划分，for循环每次的递增量为块大小。

一般第2种方式更优，因为是并行执行，故第二种方式保证每次执行的的时候，不同线程访问的数据位置相邻。

并行算法

归约运算: 每次折半。以求和为例，第一次前1/2 + 后1/2；第二次 前1/4 + 后1/4 .。。

int i = blockDim.x/2;
while(i != 0) {
    if (cacheIndex < i)
        cache[cacheIndex] += cache[cacheIndex + i];
    __syncthreads();
    i /= 2;    
}
if (cacheIndex == 0) 
    c[blockIdx.x] = cache[0];

更好的优化算法：循环展开等

前缀和运算(Scan):

for(d = 1; (1 << d) < n; d++) 
   for all k in parallel 
     if( k >= (1 << d) )
        x[out][k] = x[in][k – (1 << (d-1))] + x[in][k]
     else
     x[out][k] = x[in][k]

或

for(d = 1; (1 << d) < n; d++)
   for all k in parallel
     tmp = x[k]
     if( k >= (1 << d)  )
        tmp = x[k – (1 << (d-1))] + x[k]
     __syncthreads();//同步
     x[k] = tmp

以上两算法运行所需空间至少是原空间的两倍，思想为倍增思想。

还有更高效的Scan算法。

for d:=0 to log2(n-1) do
    for k from 0 to n-1 by 2^(d+1) in parallel do
        x[k+2^(d+1)-1]:=x[k+2^(d+1)-1] + x[k+2^(d+1)-1]

x[n-1]:=0
for d:=log2(n-1) downto 0 do
    for k from 0 to n-1 by 2^(d+1) in parallel do
        t:=x[k+2^d-1]
        x[k+2^d-1]:=x[k+2^(d+1)-1]
        x[k+2^(d+1)-1]:=t+x[k+2^(d+1)-1]

书上还有更高效的scan_best_kernel算法，略。

排序算法:

基于比较的排序：排序网络

基于非比较的排序：并行基数排序。前置技能：Scan。

并行基数排序算法：
按二进制位考虑。
以00101101为例。排完序后应当是12473568。
二进制翻转: 11010010
统计前缀和: 12233344
如果当前位是0，则写入对应位置。
第1个数写入首位置，第2个数写入第二个位置，第4个数写入第三个位置，第7个数写入第四个位置。
再对当前位是1的进行写入，位置下标 + 4(0的个数)。

矩阵乘法优化:

矩阵运算A*B = C， A为m*p的矩阵，B为p*n的矩阵。

优化1:

将C分块，每个线程块处理C中的某一块，例如d*d的一小块。

那么每个线程块需要完成d*p的矩阵与p*d的矩阵相乘的运算。

为了高效访存，每个线程块再对d*p和p*d的矩阵的p进行划分，看成多个矩阵块相乘后累加。

每个小块为d*q和q*d的大小，开在shared memory内，节约了大量global memory带宽。

（虽然循环次数会增加，但访存效率得到了高效提升）
优化2：

利用寄存器资源优化，效率更高，但略为繁琐。

矩阵转置优化:

无优化：拷贝至GPU内存，置换后拷贝回CPU内存。缺点：输入时每个block按行读入，满足合并访问条件；输出时数据间隔过大，不满足合并访问条件。

优化1：

分块，每个块是一个小方阵矩阵，如16*16。

输入时，每个线程块操作一个16*16方阵，通过shared memory完成16*16小方阵转置。

之后将大矩阵按块转置输出至global memory，每个线程块内无需再转置，满足合并访问条件。 

shared memory数组大小设置成16*17而不是16*16，这样每行中处于同一列的数据就会被存储在不同的shared memory bank中，避免了bank conflict。

优化2：

上述无优化与优化1均存在分区冲突问题。优化2算法进行了for循环操作，暂未深入研究。

CUDA程序优化

grid和block的维度设计

grid的尺寸大一点较好。

为了有效利用执行单元，每个block的线程数应当是32的整数倍，最好让线程数量保持在64 ~ 256之间。

block维度和每个维度上的尺寸的主要作用是避免做整数除法和求模运算。实际中视具体情况而定。

如果问题规模对划分方式不敏感，应该让blockDim.x为16或16的整数倍，提高访问global memory和shared memory的效率。

存储器访问优化

灵活运用各种存储器的特性，实现最大可用带宽。

指令流优化

等

 CUDA作业

 作业1 简单CUDA应用，矩阵乘法

#include <bits/stdc++.h>
//#include "cuda_runtime.h"
//#include "device_launch_parameters.h"

using namespace std;
#define N 2000

const int block = 1<<12;
const int thread = 1<<10;

long long a[N][N];
long long b[N][N];
long long c[N][N];
void init() {
    for(int i = 0; i < N; i++)
        for(int j = 0; j < N; j++)
            a[i][j] = i*i+j, b[i][j] = i+j*j, c[i][j] = 0;
}

__global__ void init_cuda(long long *c) {
    int id = blockIdx.x*blockDim.x+threadIdx.x;
    if(id < N*N) c[id] = 0;
}

__global__ void mul_cuda(long long *a, long long *b, long long *c) {
    int id = blockIdx.x*blockDim.x+threadIdx.x;
    if(id < N*N) {
        int row = id/N, col = id-row*N;
        for(int k = 0; k < N; k++)
            c[id] += a[row*N+k]*b[k*N+col];
    }
}



int main(int argc, char** argv) {
    int cstart = clock();
    init();
    if(argv[1][0] == '0') {
        puts("not cuda");
        for(int i = 0; i < N; i++)
            for(int j = 0; j < N; j++)
                for(int k = 0; k < N; k++)
                    c[i][k] += a[i][j]*b[j][k];
    }
    else {
        puts("cuda");
        long long *dev_a, *dev_b, *dev_c;
        cudaMalloc( (void**)&dev_a, sizeof a );
        cudaMemcpy(dev_a, a, sizeof a, cudaMemcpyHostToDevice);

        cudaMalloc( (void**)&dev_b, sizeof b );
        cudaMemcpy(dev_b, b, sizeof b, cudaMemcpyHostToDevice);

        cudaMalloc( (void**)&dev_c, sizeof c );


        init_cuda<<<block, thread>>>(dev_c);
        mul_cuda<<<block, thread>>>(dev_a, dev_b, dev_c);

        cudaMemcpy(c, dev_c, sizeof c, cudaMemcpyDeviceToHost);
        cudaFree(dev_a);
        cudaFree(dev_b);
        cudaFree(dev_c);
    }
    printf("%lld, ", c[1233][1233]);
    printf("time: %d
", int(clock()-cstart));
    return 0;
}

作业2 卷积操作，常量内存

//compile command: nvcc cv.cu `pkg-config --cflags --libs opencv` -std=c++11
//execute command1:     ./a.out CC.jpg 3
//execute command2:     ./a.out CC.jpg 5
#include <bits/stdc++.h>

#include <opencv2/opencv.hpp>
//#include <opencv2/gpu/gpu.hpp>
using namespace cv;

Mat G3 = (Mat_<int>(3, 3) << -5, 3, -5,
                               3, 9,  3,
                              -5, 3, -5);

Mat G5 = (Mat_<int>(5, 5) << 0, -1, 1, -1, 0,
                            -1, 1, -1, 1,-1,
                            0,  -1, 8,-1, 0,
                            -1, 1, -1, 1,-1,
                            0, -1,  1,-1, 0);

void CPU_Sharpen(const Mat& myImage, Mat& Result, int ca){
    CV_Assert(myImage.depth() == CV_8U);  // accept only uchar images

    int begin = clock();
    Result.create(myImage.size(), myImage.type());
    const int nChannels = myImage.channels();
    Mat &G = ca == 3? G3: G5;
    int half = G.rows >> 1;

    for(int row = half; row < myImage.rows-half; ++row) {
        uchar* output = Result.ptr<uchar>(row);
        for(int col = half*nChannels; col < nChannels * (myImage.cols - half); ++col) {
            int tmp = 0;
            for(int i = 0; i < G.rows; ++i)
                for(int j = 0; j < G.cols; ++j)
                    tmp += G.at<int>(i, j)*( *(myImage.ptr<uchar>(row-half+i)+(col-half*nChannels+j*nChannels) ) );
            *output++ = saturate_cast<uchar>(tmp);
        }
    }
    for(int i = 0; i < half; i++) {
        Result.row(i).setTo(Scalar(140));
        Result.row(Result.rows - 1 - i).setTo(Scalar(140));
        Result.col(i).setTo(Scalar(140));
        Result.col(Result.cols - 1 - i).setTo(Scalar(140));
    }
    printf("Time used %.3fms
", ((int)clock()-begin)*1000.0/CLOCKS_PER_SEC);
}

/********************************************/

__constant__ int con_G3[3][3] = {
    {-5, 3, -5},
    { 3, 9,  3},
    {-5, 3, -5}
};
__constant__ int con_G5[5][5] = {
    {0, -1,  1,-1, 0},
    {-1, 1, -1, 1,-1},
    {0, -1,  8,-1, 0},
    {-1, 1, -1, 1,-1},
    {0, -1,  1,-1, 0}
};

__global__ void init_cuda(uchar *c, int col_num) {
    int col_id = blockIdx.x, row_id = threadIdx.x;
    int now = (row_id*col_num+col_id)*3;
    c[now] = c[now+1] = c[now+2] = 0;
}


//GPU,start from c, num * sizeof(uchar)
__global__ void test(uchar *c, int *sum, int num) {
    int x = 0;
    for(int i = 0; i < num; i++)
        x += c[i];
    *sum = x;
}

__global__ void con_cuda(uchar *s, uchar *t, int ca, int row_num, int col_num) {
    int col_id = blockIdx.x-1, row_id = threadIdx.x-1;
    const int half = ca >> 1;
    if(row_id >= half && row_id < row_num-half && col_id >= half && col_id < col_num-half) {
        const int* con_mat = ca == 3? con_G3[0]: con_G5[0];
        int res[3] = {0, 0, 0};
        for(int i = 0; i < ca; i++)
            for(int j = 0; j < ca; j++) {
                //s[row_num][col_num][3];
                int pos = (row_id-half+i)*col_num*3+(col_id-half+j)*3;
                res[0] += con_mat[i*ca+j]*s[pos];
                res[1] += con_mat[i*ca+j]*s[pos+1];
                res[2] += con_mat[i*ca+j]*s[pos+2];
            }
        res[0] = res[0] < 0? 0: (res[0] > 255? 255: res[0]);
        res[1] = res[1] < 0? 0: (res[1] > 255? 255: res[1]);
        res[2] = res[2] < 0? 0: (res[2] > 255? 255: res[2]);
        int pos = row_id*col_num*3+col_id*3;
        t[pos]   = res[0],
        t[pos+1] = res[1],
        t[pos+2] = res[2];
    }
}

/*******************************************/

void HANDLE(cudaError x) {
    if(x != cudaSuccess) {
        puts("error!");
        exit(0);
    }
}

int main(int argc, char** argv ) {
    if ( argc < 3 ) {
        printf("usage: a.out <Image_Path> <size of Mat>
");
        return -1;
    }

    Mat src_img = imread(argv[1], 1), ans_CPU, ans_GPU;
    int ca = argv[2][0]-'0';
    printf("%d %d
", src_img.rows, src_img.cols);

    /**********************************************************************************/

    printf("Run on CPU!
");
    CPU_Sharpen(src_img, ans_CPU, ca);
    std::string s = std::string("CC")+std::to_string(ca)+std::string("_With_CPU.jpg");
    imwrite(s, ans_CPU);
    imshow("after operation", ans_CPU);
    waitKey();

    /**********************************************************************************/

    printf("Run on GPU!
");
    int begin = clock();
    uchar *dev_src, *dev_result;
    int seg = src_img.cols*src_img.channels();
    HANDLE(cudaMalloc( (void**)&dev_src, src_img.rows*seg*sizeof(uchar)));
    HANDLE(cudaMalloc( (void**)&dev_result, src_img.rows*seg*sizeof(uchar)));
    /*Memcpy to dev_src*/
    for(int i = 0; i < src_img.rows; ++i)
        HANDLE(cudaMemcpy(dev_src+i*seg*sizeof(uchar), src_img.ptr<uchar>(i), sizeof(uchar)*seg, cudaMemcpyHostToDevice));
    /*Init for dev_result*/
    init_cuda<<<src_img.cols, src_img.rows>>>(dev_result, src_img.cols);
    /*Do convolution*/
    con_cuda<<<src_img.cols, src_img.rows>>>(dev_src, dev_result, ca, src_img.rows, src_img.cols);

    ans_GPU.create(src_img.size(), src_img.type());
    /*Memcpy to host*/
    for(int i = 0; i < ans_GPU.rows; ++i)
        cudaMemcpy(ans_GPU.ptr<uchar>(i), dev_result+i*seg*sizeof(uchar), sizeof(uchar)*seg, cudaMemcpyDeviceToHost);

    for(int i = 0; i < (ca >> 1); i++) {
        ans_GPU.row(i).setTo(Scalar(140));
        ans_GPU.row(ans_GPU.rows - 1 - i).setTo(Scalar(140));
        ans_GPU.col(i).setTo(Scalar(140));
        ans_GPU.col(ans_GPU.cols - 1 - i).setTo(Scalar(140));
    }
    /*Free*/
    cudaFree(dev_src);
    cudaFree(dev_result);
    printf("Time used %.3fms
", ((int)clock()-begin)*1000.0/CLOCKS_PER_SEC);
    imshow("after operation", ans_GPU);
    waitKey();
    return 0;
}

作业3 卷积操作，流

//compile command: nvcc cv.cu `pkg-config --cflags --libs opencv` -std=c++11
//execute command1:     ./a.out 1.jpg 3
//execute command2:     ./a.out 1.jpg 5
#include <bits/stdc++.h>

#include <opencv2/opencv.hpp>
//#include <opencv2/gpu/gpu.hpp>
using namespace cv;

/********************************************/

__constant__ int con_G3[3][3] = {
    {-5, 3, -5},
    { 3, 9,  3},
    {-5, 3, -5}
};
__constant__ int con_G5[5][5] = {
    {0, -1,  1,-1, 0},
    {-1, 1, -1, 1,-1},
    {0, -1,  8,-1, 0},
    {-1, 1, -1, 1,-1},
    {0, -1,  1,-1, 0}
};

__global__ void init_cuda(uchar *c, int col_num) {
    int col_id = blockIdx.x, row_id = threadIdx.x;
    int now = (row_id*col_num+col_id)*3;
    c[now] = c[now+1] = c[now+2] = 0;
}


//GPU,start from c, num * sizeof(uchar)
__global__ void test(uchar *c, int *sum, int num) {
    int x = 0;
    for(int i = 0; i < num; i++)
        x += c[i];
    *sum = x;
}

__global__ void con_cuda(uchar *s, uchar *t, int ca, int row_num, int col_num) {
    int col_id = blockIdx.x-1, row_id = threadIdx.x-1;
    const int half = ca >> 1;
    if(row_id >= half && row_id < row_num-half && col_id >= half && col_id < col_num-half) {
        const int* con_mat = ca == 3? con_G3[0]: con_G5[0];
        int res[3] = {0, 0, 0};
        for(int i = 0; i < ca; i++)
            for(int j = 0; j < ca; j++) {
                //s[row_num][col_num][3];
                int pos = (row_id-half+i)*col_num*3+(col_id-half+j)*3;
                res[0] += con_mat[i*ca+j]*s[pos];
                res[1] += con_mat[i*ca+j]*s[pos+1];
                res[2] += con_mat[i*ca+j]*s[pos+2];
            }
        res[0] = res[0] < 0? 0: (res[0] > 255? 255: res[0]);
        res[1] = res[1] < 0? 0: (res[1] > 255? 255: res[1]);
        res[2] = res[2] < 0? 0: (res[2] > 255? 255: res[2]);
        int pos = row_id*col_num*3+col_id*3;
        t[pos]   = res[0],
        t[pos+1] = res[1],
        t[pos+2] = res[2];
    }
}

/*******************************************/

void HANDLE_ERROR(cudaError x) {
    if(x != cudaSuccess) {
        puts("error!");
        exit(0);
    }
}

int main(int argc, char** argv ) {
    if ( argc < 3 ) {
        printf("usage: a.out <Image_Path> <size of Mat>
");
        return -1;
    }

    Mat src_img = imread(argv[1], 1), ans_CPU, ans_GPU;
    int ca = argv[2][0]-'0';
    printf("%d %d
", src_img.rows, src_img.cols);
    /**********************************************************************************/

    printf("Run on GPU!
");
    int begin = clock();
    /**********************************************************************************/

    uchar *dev_src, *dev_result;
    int seg = src_img.cols*src_img.channels();
    HANDLE_ERROR(cudaMalloc( (void**)&dev_src, src_img.rows*seg*sizeof(uchar)));
    HANDLE_ERROR(cudaMalloc( (void**)&dev_result, src_img.rows*seg*sizeof(uchar)));

    cudaStream_t stream0, stream1;
    HANDLE_ERROR( cudaStreamCreate( &stream0 ) );
    HANDLE_ERROR( cudaStreamCreate( &stream1 ) );
    for(int i = 0; i < src_img.rows; ++i)
        HANDLE_ERROR( cudaMemcpyAsync(dev_src+i*seg*sizeof(uchar), src_img.ptr<uchar>(i), sizeof(uchar)*seg, cudaMemcpyHostToDevice, stream0) );

    init_cuda<<<src_img.cols, src_img.rows, 0, stream0>>>(dev_result, src_img.cols);
    con_cuda<<<src_img.cols, src_img.rows, 0, stream0>>>(dev_src, dev_result, ca, src_img.rows, src_img.cols);

    ans_GPU.create(src_img.size(), src_img.type());

    for(int i = 0; i < ans_GPU.rows; ++i)
        HANDLE_ERROR( cudaMemcpyAsync(ans_GPU.ptr<uchar>(i), dev_result+i*seg*sizeof(uchar), sizeof(uchar)*seg, cudaMemcpyDeviceToHost, stream0) );

    for(int i = 0; i < (ca >> 1); i++) {
        ans_GPU.row(i).setTo(Scalar(140));
        ans_GPU.row(ans_GPU.rows - 1 - i).setTo(Scalar(140));
        ans_GPU.col(i).setTo(Scalar(140));
        ans_GPU.col(ans_GPU.cols - 1 - i).setTo(Scalar(140));
    }

    HANDLE_ERROR( cudaStreamSynchronize( stream0 ) );
    HANDLE_ERROR( cudaStreamSynchronize( stream1 ) );

    HANDLE_ERROR( cudaStreamDestroy( stream0 ) );
    HANDLE_ERROR( cudaStreamDestroy( stream1 ) );

    cudaFree(dev_src);
    cudaFree(dev_result);
    /********************without stream*********************/

//    uchar *dev_src, *dev_result;
//    int seg = src_img.cols*src_img.channels();
//    HANDLE_ERROR(cudaMalloc( (void**)&dev_src, src_img.rows*seg*sizeof(uchar)));
//    HANDLE_ERROR(cudaMalloc( (void**)&dev_result, src_img.rows*seg*sizeof(uchar)));
//    /*Memcpy to dev_src*/
//    for(int i = 0; i < src_img.rows; ++i)
//        HANDLE_ERROR(cudaMemcpy(dev_src+i*seg*sizeof(uchar), src_img.ptr<uchar>(i), sizeof(uchar)*seg, cudaMemcpyHostToDevice));
//    /*Init for dev_result*/
//    init_cuda<<<src_img.cols, src_img.rows>>>(dev_result, src_img.cols);
//    /*Do convolution*/
//    con_cuda<<<src_img.cols, src_img.rows>>>(dev_src, dev_result, ca, src_img.rows, src_img.cols);
//
//    ans_GPU.create(src_img.size(), src_img.type());
//    /*Memcpy to host*/
//    for(int i = 0; i < ans_GPU.rows; ++i)
//        HANDLE_ERROR( cudaMemcpy(ans_GPU.ptr<uchar>(i), dev_result+i*seg*sizeof(uchar), sizeof(uchar)*seg, cudaMemcpyDeviceToHost) );
//
//    for(int i = 0; i < (ca >> 1); i++) {
//        ans_GPU.row(i).setTo(Scalar(140));
//        ans_GPU.row(ans_GPU.rows - 1 - i).setTo(Scalar(140));
//        ans_GPU.col(i).setTo(Scalar(140));
//        ans_GPU.col(ans_GPU.cols - 1 - i).setTo(Scalar(140));
//    }

    /*Free*/
//    cudaFree(dev_src);
//    cudaFree(dev_result);
    printf("Time used %.3fms
", ((int)clock()-begin)*1000.0/CLOCKS_PER_SEC);
    imshow("after operation", ans_GPU);
    imwrite("Tigerwith5.jpg", ans_GPU);
    waitKey();
    return 0;
}

final project 图墙 + 图片融合

//compile command: nvcc final.cu `pkg-config --cflags --libs opencv` -std=c++11
//execute command1:     ./a.out CC.jpg 3
//execute command2:     ./a.out CC.jpg 5
#include <bits/stdc++.h>

#include <opencv2/opencv.hpp>
//#include <opencv2/gpu/gpu.hpp>
using namespace cv;

__global__ void init_cuda(uchar *c, int col_num) {
    int col_id = blockIdx.x, row_id = threadIdx.x;
    int now = (row_id*col_num+col_id)*3;
    c[now] = c[now+1] = c[now+2] = 0;
}


//GPU,start from c, num * sizeof(uchar)
__global__ void test(uchar *c, int *sum, int num) {
    int x = 0;
    for(int i = 0; i < num; i++)
        x += c[i];
    *sum = x;
}

__global__ void solve(uchar *s, uchar *t, uchar a, uchar b, uchar c, int R, int C) {
    int x = blockIdx.x-1, y = threadIdx.x-1;
    if(x < R&&y < C) {
        int g = 3*(x*C+y);
        if(t[g] == a&&t[g+1] == b&&t[g+2] == c) {
            t[g]   = s[g];
            t[g+1] = s[g+1];
            t[g+2] = s[g+2];
        }
        else {
            t[g]   = 0.35*s[g]  +0.65*t[g];
            t[g+1] = 0.35*s[g+1]+0.65*t[g+1];
            t[g+2] = 0.35*s[g+2]+0.65*t[g+2];
        }
    }
}

__global__ void zoom(uchar *s, uchar *t, int R, int C, int r, int c) {
    int x = blockIdx.x-1, y = threadIdx.x-1;
    if(x <= r && y <= c) {
        int row = x/(float)r*R, col = y/(float)c*C;
        //t[x][y] = s[row][col];
        t[ (x*c+y)*3 ]   = s[ (row*C+col)*3 ];
        t[ (x*c+y)*3+1 ] = s[ (row*C+col)*3+1 ];
        t[ (x*c+y)*3+2 ] = s[ (row*C+col)*3+2 ];
    }
}

/*******************************************/

void HANDLE(cudaError x) {
    if(x != cudaSuccess) {
        puts("error!");
        exit(0);
    }
}

const int N = 36;

int main(int argc, char** argv ) {
    Mat src_img[N], dst_img[N], ret1, ret2;
    int width = 1000000, height = 1000000;
    for(int i = 0; i < N; i++) {
        src_img[i] = imread(std::to_string(i+1)+std::string(".jpg"), 1);
        int r = src_img[i].rows, c = src_img[i].cols;
        if(height > r) height = r;
        if(width > c) width = c;
    }
    height *= 0.4;
    width *= 0.17;

    //resize
    int begin = clock();
    for(int i = 0; i < N; i++) {
        dst_img[i].create(Size(height, width), src_img[i].type());
        resize(src_img[i], dst_img[i], Size(height, width));
    }
    printf("Time used in resizing is%.3fms
", ((int)clock()-begin)*1000.0/CLOCKS_PER_SEC);

    int sq = sqrt(N+0.5);
    //std::cout << width << ' ' << height << std::endl;
    ret1.create(Size(height*sq, width*sq), src_img[0].type());
    //std::cout << ret1.rows << ' ' << ret1.cols << std::endl;

    //merge
    for(int i = 0; i < sq; i++)
        for(int j = 0; j < sq; j++){
            for(int r = 0; r < width; r++)
                memcpy(ret1.ptr<uchar>(i*width+r)+j*height*3, dst_img[i*sq+j].ptr<uchar>(r), height*3);
        }


    Mat ret = imread("0.jpg", 1);
    resize(ret, ret2, Size(height*6, width*6));
    //std::cout << ret2.rows << ' ' << ret2.cols << std::endl;
    //imshow("", ret2);
    //waitKey();

    uchar a = *ret2.ptr<uchar>(0), b = *(ret2.ptr<uchar>(0)+1), c = *(ret2.ptr<uchar>(0)+2);
    if(ret1.rows != ret2.rows || ret1.cols != ret2.cols) puts("gg");
    int R = ret2.rows, C = ret2.cols;
    std::cout << R << ' ' << C << std::endl;
    //CPU
    begin = clock();
    for(int i = 0; i < R; i++) {
        uchar *p1 = ret1.ptr<uchar>(i), *p2 = ret2.ptr<uchar>(i);
        bool tag = true;
        double x = 0;
        for(int j = 0; j < C; j++) {
            if(*(p2+j*3) == a&&*(p2+j*3+1) == b&&*(p2+j*3+2) == c) {
                x = 0;
                *(p2+j*3)   = *(p1+j*3);
                *(p2+j*3+1)   = *(p1+j*3+1);
                *(p2+j*3+2)   = *(p1+j*3+2);
                continue ;
            }

            if(*(p2+j*3+15) == a&&*(p2+j*3+16) == b&&*(p2+j*3+17) == c) {
                x = 0;
                *(p2+j*3)   = *(p1+j*3);
                *(p2+j*3+1)   = *(p1+j*3+1);
                *(p2+j*3+2)   = *(p1+j*3+2);
                continue ;
            }

            x = tag? x+0.06: x-0.06;
            if(x > 1) tag = false;
            if(x < 0.6) tag = true;
            *(p2+j*3)   = (1-x)*(*(p1+j*3))  +x*(*(p2+j*3));
            *(p2+j*3+1) = (1-x)*(*(p1+j*3+1))+x*(*(p2+j*3+1));
            *(p2+j*3+2) = (1-x)*(*(p1+j*3+2))+x*(*(p2+j*3+2));
        }
    }
    printf("Time used in CPU is %.3fms
", ((int)clock()-begin)*1000.0/CLOCKS_PER_SEC);

    imshow("", ret2);
    waitKey();
    imwrite("final.jpg", ret2);
    //GPU
    begin = clock();
    uchar *dev_src, *dev_result;
    HANDLE(cudaMalloc( (void**)&dev_src, R*C*3*sizeof(uchar)));
    HANDLE(cudaMalloc( (void**)&dev_result, R*C*3*sizeof(uchar)));
    for(int i = 0; i < R; ++i)
        cudaMemcpy(dev_src+i*C*3*sizeof(uchar), ret1.ptr<uchar>(i), C*3*sizeof(uchar), cudaMemcpyHostToDevice);
    for(int i = 0; i < R; ++i)
        cudaMemcpy(dev_result+i*C*3*sizeof(uchar), ret2.ptr<uchar>(i), C*3*sizeof(uchar), cudaMemcpyHostToDevice);
    solve<<<R, C>>>(dev_src, dev_result, a, b, c, R, C);
    for(int i = 0; i < R; ++i)
        cudaMemcpy(ret2.ptr<uchar>(i), dev_result+i*C*3*sizeof(uchar), C*3*sizeof(uchar), cudaMemcpyDeviceToHost);
    printf("Time used in GPU is %.3fms
", ((int)clock()-begin)*1000.0/CLOCKS_PER_SEC);

    imshow("", ret2);
    waitKey();
    cudaFree(dev_src);
    cudaFree(dev_result);
    imwrite("final2.jpg", ret2);

    /**********************************************************************************/

    printf("Run on CPU!
");
    CPU_Sharpen(src_img, ans_CPU, ca);
    std::string s = std::string("IMG")+std::to_string(ca)+std::string("_With_CPU.jpg");
    imwrite(s, ans_CPU);
    imshow("after operation", ans_CPU);
    waitKey();

    /**********************************************************************************/

    printf("Run on GPU!
");
    int begin = clock();
    uchar *dev_src, *dev_result;
    int seg = src_img.cols*src_img.channels();
    HANDLE(cudaMalloc( (void**)&dev_src, src_img.rows*seg*sizeof(uchar)));
    HANDLE(cudaMalloc( (void**)&dev_result, src_img.rows*seg*sizeof(uchar)));

    /*Memcpy to dev_src*/

    for(int i = 0; i < src_img.rows; ++i)
        HANDLE(cudaMemcpy(dev_src+i*seg*sizeof(uchar), src_img.ptr<uchar>(i), sizeof(uchar)*seg, cudaMemcpyHostToDevice));

    init_cuda<<<src_img.cols, src_img.rows>>>(dev_result, src_img.cols);

    con_cuda<<<src_img.cols, src_img.rows>>>(dev_src, dev_result, ca, src_img.rows, src_img.cols);

    ans_GPU.create(src_img.size(), src_img.type());

    for(int i = 0; i < ans_GPU.rows; ++i)
        cudaMemcpy(ans_GPU.ptr<uchar>(i), dev_result+i*seg*sizeof(uchar), sizeof(uchar)*seg, cudaMemcpyDeviceToHost);

    for(int i = 0; i < (ca >> 1); i++) {
        ans_GPU.row(i).setTo(Scalar(140));
        ans_GPU.row(ans_GPU.rows - 1 - i).setTo(Scalar(140));
        ans_GPU.col(i).setTo(Scalar(140));
        ans_GPU.col(ans_GPU.cols - 1 - i).setTo(Scalar(140));
    }

    cudaFree(dev_src);
    cudaFree(dev_result);
    printf("Time used %.3fms
", ((int)clock()-begin)*1000.0/CLOCKS_PER_SEC);
    imshow("after operation", ans_GPU);
    waitKey();

    return 0;
}

emmmm，可能有bug，有冗余代码。

效果：