Reference

函数执行环境标识符

由于 GPU 是异构模型，所以需要区分 host 端和 device 端上的代码，在 CUDA 中是通过函数类型限定词开区别 host 和 device 上的函数，主要的三个函数类型限定词如下：

• __global__：在 device 端执行，host 端中调用（某些 GPU 允许从 device 端调用），返回类型必须是 void，不支持可变参数参数，不能成为类成员函数
• __device__：在 device 端执行，device 端调用，不能与 __global__ 同时使用
• __host__：在 host 端执行，host 端调用，一般省略不写，不能与 __global__ 同时使用，但可与 __device__ 同时使用（此时会在 device 端和 host 端都编译）

三个标识符标识的函数执行位置与调用位置如下表所示

用拓扑结构图来表示有：

使用 __global__ 修饰的函数被称为核函数（Kernel Function），在调用时需要用 <<<grid, block>>> 来分配 block 数与线程数，在核函数加载后，会按如下步骤执行：

1. 将 grid 分配到一个 device
2. 根据 <<<grid, block>>> 内的执行设置的 grid，将 block 分配到流式多处理器（SM）上，一个 block 内的线程一定会在同一个 SM 内，一个 SM 内可有多个 block
3. 根据 <<<grid, block>>> 内的执行设置的 block，Wrap 调度器会调用线程，其会将 32 个线程分为一组，称为一个 Wrap
4. 每个 Wrap 会被分配到 32 个 core 上运行

同时，核函数是异步的，即 host 端不会等待核函数执行完就执行下一步

如下给出了一个简单的 CUDA 程序

#include <stdio.h>

//定义核函数
__global__ void hello_from_gpu() {
    printf("Hello World from the GPU!\n");
}

int main() {
    //调用核函数
    hello_from_gpu<<<1, 1>>>(); 
    //同步函数
    cudaDeviceSynchronize();
    return 0;
}

对于 grid 和 block 的大小设置并没有统一标准，通常根据实际需要自行配置，对于 dim-1 的 grid 和 dim-1 的 block，推荐设置如下

dim3 blockSize(128);
dim3 gridSize((N + blockSize.x - 1) / blockSize.x);

当某个线程执行到同步函数时，会进入等待状态，直到同一 block 中所有线程都执行到这个函数为止，相当于一个线程同步点，确保一个 block 中所有线程都达到同步，然后线程进入运行状态

在 CUDA 中，由于核函数是异步的，host 端不会等待核函数执行完就执行下一步，为避免核函数未执行完出现错误，可以使用以下三种同步函数来停住 host 端线程，等待 CUDA 中的操作完成

• cudaDeviceSynchronize()：停止 host 端执行，直到 device 端完成 CUDA 的任务，包括核函数、数据拷贝等
• cudaThreadSynchronize()：与 cudaDeviceSynchronize() 作用类似，但其不能被核函数调用