基于CUDA的GPU计算PI值

访问【WRITE-bug数字空间]_[完整的源代码和文档]

基于CUDA的GPU计算PI值。本项目采用CUDA编程模型并行计算PI值，研究GPU与CPU效率的比较，分析不同GPU线程块对性能的影响。

异构计算试验报告

---实验1：基于CUDA的GPU计算PI值

第一部分：实验环境

OS：Windows 10

CPU：intel(R) Core(TM) i7-10510U CPU@mailto:CPU@ 1.80Ghz

GPU:NVIDIA GeForce MX250

编译器： cl :v19.29.30133

nvcc:Cuda compilationn tools, release 11.4, V11.4.120

第二部分：实验内容

使用 CUDA 并行计算编程模型 PI 值，研究 GPU 与 CPU 对不同效率的比较和分析 GPU 线程分块对性能的影响

第三部分：实验原理

数学原理为

1 积分求解

编辑切换到中间

添加图片注释不得超过 140 字（可选）

2 幂级数求解

编辑切换到中间

添加图片注释不得超过 140 字（可选）

使用 CUDA 程序执行过程为编程模型

CUDAMALLOC -> CUDAMEMCPY(HTOD) ->KERNEL->CUDAMEMCPY(DTOH)

指定执行和函数 <<<grid，block>>> 控制线程和结构的数量

第四部分：性能分析

# define Ｎ　迭代次数

1 CPU VS GPU1.1 单核比较

N = (10001000100)=100M

CPU（thread = 1）：4.887（s）

GPU(grid = 1,block=1)：用时过长..无法测量

1.2 多核比较

首先要发挥最大的作用 CPU 由于机器的性能 CPU 是逻辑 8 因此，理论上是开放的 8 一个线程可以发挥最大的性能。所以我写了一个 8 计算线程并行程序，循环相同 N=（10001000100）次

编辑切换到中间

添加图片注释不得超过 140 字（可选）

可见新时间是 0.768s 快了不少

（PS：使用这里的程序 GCC 编译的，而 CUDA 程序 NVCC 调用的是 MSCV 的编译器，Windows 平台上 NVCC 不支持 GCC，但结果应该是一样的)

2 GPU 性能分析

接下来是找出来 GPU 最高性能。

首先在 grid = 1 下探究 block 线程数对性能的影响。这里可以直接使用 nvprof 分析，非常方便。

2.1 grid = (1,1,1) block = (10,1,1)

编辑切换到中间

添加图片注释不得超过 140 字（可选）

共用时间：34.556s 线程数：10

可以注意到，在这个过程中，主要时间消耗在计算上，因为没有内存可以复制，所以瓶颈只会出现在计算上

2.2 grid=(1,1,1) block=(100,1,1)

编辑切换到中间

添加图片注释不得超过 140 字（可选）

共用时间：2.58383s 线程数：100

2.3 grid=(1,1,1) block=(1000,1,1)

编辑切换到中间

添加图片注释不得超过 140 字（可选）

共用时间：1.543s 线程数：1000

每个 block 最大线程数限制是 这里不能增加1024 block 了