以下CUDA sample是分別用C++和CUDA實現的對圖像進行某種類似reverse的操作，并對其中使用到的CUDA函數進行了解說，各個文件內容如下：

common.hpp:

#ifndef FBC_CUDA_TEST_COMMON_HPP_
#define FBC_CUDA_TEST_COMMON_HPP_#include<random>
#include <opencv2/opencv.hpp>template< typename T >
static inline int check_Cuda(T result, const char * const func, const char * const file, const int line)
{if (result) {fprintf(stderr, "Error CUDA: at %s: %d, error code=%d, func: %s\n", file, line, static_cast<unsigned int>(result), func);cudaDeviceReset(); // Make sure we call CUDA Device Reset before exitingreturn -1;}
}template< typename T >
static inline int check(T result, const char * const func, const char * const file, const int line)
{if (result) {fprintf(stderr, "Error: at %s: %d, error code=%d, func: %s\n", file, line, static_cast<unsigned int>(result), func);return -1;}
}#define checkCudaErrors(val) check_Cuda((val), __FUNCTION__, __FILE__, __LINE__)
#define checkErrors(val) check((val), __FUNCTION__, __FILE__, __LINE__)#define CHECK(x) { \if (x) {} \else { fprintf(stderr, "Check Failed: %s, file: %s, line: %d\n", #x, __FILE__, __LINE__); return -1; } \
}#define PRINT_ERROR_INFO(info) { \fprintf(stderr, "Error: %s, file: %s, func: %s, line: %d\n", #info, __FILE__, __FUNCTION__, __LINE__); \return -1; }#define EPS_ 1.0e-4 // ε(Epsilon),非常小的數
#define PI 3.1415926535897932f
#define INF 2.e10fstatic inline void generator_random_number(float* data, int length, float a = 0.f, float b = 1.f)
{std::random_device rd; std::mt19937 generator(rd()); // 每次產生不固定的不同的值//std::default_random_engine generator; // 每次產生固定的不同的值std::uniform_real_distribution<float> distribution(a, b);for (int i = 0; i < length; ++i) {data[i] = distribution(generator);}
}template<typename T> // unsigned char, char, int , short
static inline void generator_random_number(T* data, int length, T a = (T)0, T b = (T)1)
{std::random_device rd; std::mt19937 generator(rd()); // 每次產生不固定的不同的值//std::default_random_engine generator; // 每次產生固定的不同的值std::uniform_int_distribution<int> distribution(a, b);for (int i = 0; i < length; ++i) {data[i] = static_cast<T>(distribution(generator));}
}static int save_image(const cv::Mat& mat1, const cv::Mat& mat2, int width, int height, const std::string& name)
{CHECK(mat1.type() == mat2.type());cv::Mat src1, src2, dst;cv::resize(mat1, src1, cv::Size(width / 2, height));cv::resize(mat2, src2, cv::Size(width / 2, height));dst = cv::Mat(height, width / 2 * 2, mat1.type());cv::Mat tmp = dst(cv::Rect(0, 0, width / 2, height));src1.copyTo(tmp);tmp = dst(cv::Rect(width / 2, 0, width / 2, height));src2.copyTo(tmp);cv::imwrite(name, dst);
}template<typename T>
static inline int compare_result(const T* src1, const T* src2, int length)
{CHECK(src1);CHECK(src2);int count{ 0 };for (int i = 0; i < length; ++i) {if (fabs(src1[i] - src2[i]) > EPS_) {if (typeid(float).name() == typeid(T).name() || typeid(double).name() == typeid(T).name())fprintf(stderr, "index: %d, val1: %f, val2: %f\n", i, src1[i], src2[i]);elsefprintf(stderr, "index: %d, val1: %d, val2: %d\n", i, src1[i], src2[i]);++count;}if (count > 100) return -1;}return 0;
}#endif // FBC_CUDA_TEST_COMMON_HPP_

funset.cpp:

#include "funset.hpp"
#include <random>
#include <iostream>
#include <vector>
#include <memory>
#include <string>
#include <algorithm>
#include "common.hpp"int test_image_reverse()
{std::string image_name{ "E:/GitCode/CUDA_Test/test_images/lena.png" };cv::Mat matSrc = cv::imread(image_name);CHECK(matSrc.data);cv::cvtColor(matSrc, matSrc, CV_BGR2GRAY);const int width{ 1511 }, height{ 1473 };const auto length = width * height;cv::resize(matSrc, matSrc, cv::Size(width, height));cv::Mat matTmp1;matSrc.convertTo(matTmp1, CV_32FC1);float elapsed_time1{ 0.f }, elapsed_time2{ 0.f }; // millisecondsconst std::vector<int> vec{ 5, 7};std::unique_ptr<float[]> dst1(new float[length]), dst2(new float[length]);std::for_each(dst1.get(), dst1.get() + length, [](float& n) {n = 0.f; });std::for_each(dst2.get(), dst2.get() + length, [](float& n) {n = 0.f; });int ret = image_reverse_cpu((float*)matTmp1.data, dst1.get(), length, vec, &elapsed_time1);if (ret != 0) PRINT_ERROR_INFO(image_reverse_cpu);ret = image_reverse_gpu((float*)matTmp1.data, dst2.get(), length, vec, &elapsed_time2);if (ret != 0) PRINT_ERROR_INFO(image_reverse_gpu);compare_result(dst1.get(), dst2.get(), length);cv::Mat matTmp2(height, width, CV_32FC1, dst2.get()), matDst;matTmp2.convertTo(matDst, CV_8UC1);save_image(matSrc, matDst, 400, 200, "E:/GitCode/CUDA_Test/test_images/image_reverse.png");fprintf(stderr, "test image reverse: cpu run time: %f ms, gpu run time: %f ms\n", elapsed_time1, elapsed_time2);return 0;
}

image_reverse.cpp:

#include "funset.hpp"
#include <chrono>
#include <algorithm>int image_reverse_cpu(const float* src, float* dst, int length, const std::vector<int>& vec, float* elapsed_time)
{auto start = std::chrono::steady_clock::now();for (int i = 0; i < length; ++i) {auto index1 = (i / vec[0]) % vec[1];auto index2 = vec[0] * (vec[1] - 2 * index1 - 1) + i;index2 = std::max(0, std::min(length - 1, index2));dst[index2] = src[i];}auto end = std::chrono::steady_clock::now();auto duration = std::chrono::duration_cast<std::chrono::nanoseconds>(end - start);*elapsed_time = duration.count() * 1.0e-6;return 0;
}

image_reverse.cu:

#include "funset.hpp"
#include <iostream>
#include <cuda_runtime.h> // For the CUDA runtime routines (prefixed with "cuda_")
#include <device_launch_parameters.h>
#include "common.hpp"/* __device__: 函數類型限定符,表明被修飾的函數在設備上執行，只能從設備上調用，
但只能在其它__device__函數或者__global__函數中調用；__device__函數不支持遞歸；
__device__函數的函數體內不能聲明靜態變量；__device__函數的參數數目是不可變化的;
不能對__device__函數取指針 */
__device__ static int min_(int a, int b)
{return a > b ? b : a;
}__device__ static int max_(int a, int b)
{return a > b ? a : b;
}/* __global__: 函數類型限定符;在設備上運行;在主機端調用,計算能力3.2及以上可以在
設備端調用;聲明的函數的返回值必須是void類型;對此類型函數的調用是異步的,即在
設備完全完成它的運行之前就返回了;對此類型函數的調用必須指定執行配置,即用于在
設備上執行函數時的grid和block的維度,以及相關的流(即插入<<<   >>>運算符);
a kernel,表示此函數為內核函數(運行在GPU上的CUDA并行計算函數稱為kernel(內核函
數),內核函數必須通過__global__函數類型限定符定義);*/
__global__ static void image_reverse(const float* src, float* dst, int length, int vec0, int vec1)
{/* gridDim: 內置變量,用于描述線程網格的維度,對于所有線程塊來說,這個變量是一個常數,用來保存線程格每一維的大小,即每個線程格中線程塊的數量.一個grid最多只有二維,為dim3類型；blockDim: 內置變量,用于說明每個block的維度與尺寸.為dim3類型,包含了block在三個維度上的尺寸信息;對于所有線程塊來說,這個變量是一個常數,保存的是線程塊中每一維的線程數量;blockIdx: 內置變量,變量中包含的值就是當前執行設備代碼的線程塊的索引;用于說明當前thread所在的block在整個grid中的位置,blockIdx.x取值范圍是[0,gridDim.x-1],blockIdx.y取值范圍是[0, gridDim.y-1].為uint3類型,包含了一個block在grid中各個維度上的索引信息;threadIdx: 內置變量,變量中包含的值就是當前執行設備代碼的線程索引;用于說明當前thread在block中的位置;如果線程是一維的可獲取threadIdx.x,如果是二維的還可獲取threadIdx.y,如果是三維的還可獲取threadIdx.z;為uint3類型,包含了一個thread在block中各個維度的索引信息 */auto index = threadIdx.x + blockIdx.x * blockDim.x;while (index < length) {auto index1 = (index / vec0) % vec1;auto index2 = vec0 * (vec1 - 2 * index1 - 1) + index;index2 = max_(0, min_(length - 1, index2));dst[index2] = src[index];index += blockDim.x * gridDim.x;}
}int image_reverse_gpu(const float* src, float* dst, int length, const std::vector<int>& vec, float* elapsed_time)
{/* cudaEvent_t: CUDA event types,結構體類型, CUDA事件,用于測量GPU在某個任務上花費的時間,CUDA中的事件本質上是一個GPU時間戳,由于CUDA事件是在GPU上實現的,因此它們不適于對同時包含設備代碼和主機代碼的混合代碼計時*/cudaEvent_t start, stop;// cudaEventCreate: 創建一個事件對象,異步啟動cudaEventCreate(&start);cudaEventCreate(&stop);// cudaEventRecord: 記錄一個事件,異步啟動,start記錄起始時間cudaEventRecord(start, 0);float *d_src{ nullptr }, *d_dst{ nullptr };// cudaMalloc: 在設備端分配內存cudaMalloc(&d_src, length * sizeof(float));cudaMalloc(&d_dst, length * sizeof(float));/* cudaMemcpy: 在主機端和設備端拷貝數據,此函數第四個參數僅能是下面之一:(1). cudaMemcpyHostToHost: 拷貝數據從主機端到主機端(2). cudaMemcpyHostToDevice: 拷貝數據從主機端到設備端(3). cudaMemcpyDeviceToHost: 拷貝數據從設備端到主機端(4). cudaMemcpyDeviceToDevice: 拷貝數據從設備端到設備端(5). cudaMemcpyDefault: 從指針值自動推斷拷貝數據方向,需要支持統一虛擬尋址(CUDA6.0及以上版本)cudaMemcpy函數對于主機是同步的 */cudaMemcpy(d_src, src, length * sizeof(float), cudaMemcpyHostToDevice);cudaMemcpy(d_dst, dst, length * sizeof(float), cudaMemcpyHostToDevice);/* <<< >>>: 為CUDA引入的運算符,指定線程網格和線程塊維度等,傳遞執行參數給CUDA編譯器和運行時系統,用于說明內核函數中的線程數量,以及線程是如何組織的;尖括號中這些參數并不是傳遞給設備代碼的參數,而是告訴運行時如何啟動設備代碼,傳遞給設備代碼本身的參數是放在圓括號中傳遞的,就像標準的函數調用一樣;不同計算能力的設備對線程的總數和組織方式有不同的約束;必須先為kernel中用到的數組或變量分配好足夠的空間,再調用kernel函數,否則在GPU計算時會發生錯誤,例如越界等;使用運行時API時,需要在調用的內核函數名與參數列表直接以<<<Dg,Db,Ns,S>>>的形式設置執行配置,其中：Dg是一個dim3型變量,用于設置grid的維度和各個維度上的尺寸.設置好Dg后,grid中將有Dg.x*Dg.y個block,Dg.z必須為1;Db是一個dim3型變量,用于設置block的維度和各個維度上的尺寸.設置好Db后,每個block中將有Db.x*Db.y*Db.z個thread;Ns是一個size_t型變量,指定各塊為此調用動態分配的共享存儲器大小,這些動態分配的存儲器可供聲明為外部數組(extern __shared__)的其他任何變量使用;Ns是一個可選參數,默認值為0;S為cudaStream_t類型,用于設置與內核函數關聯的流.S是一個可選參數,默認值0. */image_reverse << <512, 512 >> >(d_src, d_dst, length, vec[0], vec[1]);cudaMemcpy(dst, d_dst, length * sizeof(float), cudaMemcpyDeviceToHost);// cudaEventRecord: 記錄一個事件,異步啟動,stop記錄結束時間cudaEventRecord(stop, 0);// cudaEventSynchronize: 事件同步,等待一個事件完成,異步啟動cudaEventSynchronize(stop);// cudaEventElapseTime: 計算兩個事件之間經歷的時間,單位為毫秒,異步啟動cudaEventElapsedTime(elapsed_time, start, stop);// cudaEventDestroy: 銷毀事件對象,異步啟動cudaEventDestroy(start);cudaEventDestroy(stop);return 0;
}

結果圖如下：

執行結果如下：在CUDA核函數中，當index2會取到相同的值時，可能會導致c++與gpu對圖像的某個像素值取值不同，對此種情況的處理，后面待進一步分析。

GitHub：?https://github.com/fengbingchun/CUDA_Test

總結

以上是生活随笔為你收集整理的CUDA Samples: approximate image reverse的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。