19-09-2023
Тип | |
---|---|
Разработчик | |
Операционная система |
Windows XP и выше, OS X, Linux |
Аппаратная платформа | |
Последняя версия |
5.5 (15 августа 2013) |
Лицензия | |
Сайт |
nvidia.ru/object/cuda_home_new_ru.html |
CUDA (англ. Compute Unified Device Architecture) — программно-аппаратная архитектура параллельных вычислений, которая позволяет существенно увеличить вычислительную производительность благодаря использованию графических процессоров фирмы NVIDIA.
CUDA SDK позволяет программистам реализовывать на специальном упрощённом диалекте языка программирования Си алгоритмы, выполнимые на графических процессорах NVIDIA, и включать специальные функции в текст программы на Cи. Архитектура CUDA даёт разработчику возможность по своему усмотрению организовывать доступ к набору инструкций графического ускорителя и управлять его памятью.
Первоначальная версия CUDA SDK была представлена 15 февраля 2007 года. В основе интерфейса программирования приложений CUDA лежит язык Си с некоторыми ограничениями. Для успешной трансляции кода на этом языке, в состав CUDA SDK входит собственный Си-компилятор командной строки nvcc компании Nvidia. Компилятор nvcc создан на основе открытого компилятора Open64 и предназначен для трансляции host-кода (главного, управляющего кода) и device-кода (аппаратного кода) (файлов с расширением .cu) в объектные файлы, пригодные в процессе сборки конечной программы или библиотеки в любой среде программирования, например в NetBeans.
В архитектуре CUDA используется модель памяти грид, кластерное моделирование потоков и SIMD-инструкции. Применима не только для высокопроизводительных графических вычислений, но и для различных научных вычислений с использованием видеокарт nVidia. Ученые и исследователи широко используют CUDA в различных областях, включая астрофизику, вычислительную биологию и химию, моделирование динамики жидкостей, электромагнитных взаимодействий, компьютерную томографию, сейсмический анализ и многое другое. В CUDA имеется возможность подключения к приложениям, использующим OpenGL и Direct3D. CUDA - кроссплатформенное программное обеспечение для таких операционных систем как Linux, Mac OS X и Windows.
22 марта 2010 года nVidia выпустила CUDA Toolkit 3.0, который содержал поддержку OpenCL.[1]
Платформа CUDA Впервые появились на рынке с выходом чипа NVIDIA восьмого поколения G80 и стала присутствовать во всех последующих сериях графических чипов, которые используются в семействах ускорителей GeForce, Quadro и NVidia Tesla.
Первая серия оборудования, поддерживающая CUDA SDK, G8x, имела 32-битный векторный процессор одинарной точности, использующий CUDA SDK как API (CUDA поддерживает тип double
языка Си, однако сейчас его точность понижена до 32-битного с плавающей запятой). Более поздние процессоры GT200 имеют поддержку 64-битной точности (только для SFU), но производительность значительно хуже, чем для 32-битной точности (из-за того, что SFU всего два на каждый потоковый мультипроцессор, а скалярных процессоров - восемь). Графический процессор организует аппаратную многопоточность, что позволяет задействовать все ресурсы графического процессора. Таким образом, открывается перспектива переложить функции физического ускорителя на графический ускоритель (пример реализации — nVidia PhysX). Также открываются широкие возможности использования графического оборудования компьютера для выполнения сложных неграфических вычислений: например, в вычислительной биологии и в иных отраслях науки.
По сравнению с традиционным подходом к организации вычислений общего назначения посредством возможностей графических API, у архитектуры CUDA отмечают следующие преимущества в этой области:
Перечень устройств от производителя оборудования Nvidia с заявленной полной поддержкой технологии CUDA приведён на официальном сайте Nvidia: CUDA-Enabled GPU Products (англ.).
Фактически же, в настоящее время на рынке аппаратных средств для ПК поддержку технологии CUDA обеспечивают следующие периферийные устройства[4]:
Версия спецификации | GPU | Видеокарты |
---|---|---|
1.0 | G80, G92, G92b, G94, G94b | GeForce 8800GTX/Ultra, 9400GT, 9600GT, 9800GT, Tesla C/D/S870, FX4/5600, 360M, GT 420 |
1.1 | G86, G84, G98, G96, G96b, G94, G94b, G92, G92b | GeForce 8400GS/GT, 8600GT/GTS, 8800GT/GTS, 9600 GSO, 9800GTX/GX2, GTS 250, GT 120/30/40, FX 4/570, 3/580, 17/18/3700, 4700x2, 1xxM, 32/370M, 3/5/770M, 16/17/27/28/36/37/3800M, NVS420/50 |
1.2 | GT218, GT216, GT215 | GeForce 210, GT 220/40, FX380 LP, 1800M, 370/380M, NVS 2/3100M |
1.3 | GT200, GT200b | GeForce GTX 260, GTX 275, GTX 280, GTX 285, GTX 295, Tesla C/M1060, S1070, Quadro CX, FX 3/4/5800 |
2.0 | GF100, GF110 | GeForce (GF100) GTX 465, GTX 470, GTX 480, Tesla C2050, C2070, S/M2050/70, Quadro Plex 7000, Quadro 4000, 5000, 6000, GeForce (GF110) GTX 560 TI 448, GTX570, GTX580, GTX590 |
2.1 | GF104, GF114, GF116, GF108, GF106 | GeForce 610M, GT 430, GT 440, GT 640, GTS 450, GTX 460, GTX 550 Ti, GTX 560, GTX 560 Ti, 500M, Quadro 600, 2000 |
3.0 | GK104, GK106, GK107 | GeForce GTX 690, GTX 680, GTX 670, GTX 660 Ti, GTX 660, GTX 650 Ti, GTX 650, GeForce GTX 680MX, GeForce GTX 680M, GeForce GTX 675MX, GeForce GTX 670MX, GTX 660M, GeForce GT 650M, GeForce GT 645M, GeForce GT 640M |
3.5 | GK110, GK208 | Tesla K40, K20X, K20, GeForce GTX TITAN, GTX780Ti, GTX 780, Quadro K6000, GT 630, GT 640(Rev.2), GeForce 7**M |
|
|
|
|
|
Feature support (unlisted features are supported for all compute capabilities) |
Compute capability (version) | ||||||
---|---|---|---|---|---|---|---|
1.0 | 1.1 | 1.2 | 1.3 | 2.x | 3.0 | 3.5 | |
Integer atomic functions operating on 32-bit words in global memory |
Нет | Да | |||||
atomicExch() operating on 32-bit floating point values in global memory |
|||||||
Integer atomic functions operating on 32-bit words in shared memory |
Нет | Да | |||||
atomicExch() operating on 32-bit floating point values in shared memory |
|||||||
Integer atomic functions operating on 64-bit words in global memory |
|||||||
Warp vote functions | |||||||
Double-precision floating-point operations | Нет | Да | |||||
Atomic functions operating on 64-bit integer values in shared memory |
Нет | Да | |||||
Floating-point atomic addition operating on 32-bit words in global and shared memory |
|||||||
_ballot() | |||||||
_threadfence_system() | |||||||
_syncthreads_count(), _syncthreads_and(), _syncthreads_or() |
|||||||
Surface functions | |||||||
3D grid of thread block | |||||||
Warp shuffle functions | Нет | Да | |||||
Funnel shift | Нет | Да | |||||
Dynamic parallelism |
Technical specifications | Compute capability (version) | ||||||
---|---|---|---|---|---|---|---|
1.0 | 1.1 | 1.2 | 1.3 | 2.x | 3.0 | 3.5 | |
Maximum dimensionality of grid of thread blocks | 2 | 3 | |||||
Maximum x-, y-, or z-dimension of a grid of thread blocks | 65535 | 231-1 | |||||
Maximum dimensionality of thread block | 3 | ||||||
Maximum x- or y-dimension of a block | 512 | 1024 | |||||
Maximum z-dimension of a block | 64 | ||||||
Maximum number of threads per block | 512 | 1024 | |||||
Warp size | 32 | ||||||
Maximum number of resident blocks per multiprocessor | 8 | 16 | |||||
Maximum number of resident warps per multiprocessor | 24 | 32 | 48 | 64 | |||
Maximum number of resident threads per multiprocessor | 768 | 1024 | 1536 | 2048 | |||
Number of 32-bit registers per multiprocessor | 8 K | 16 K | 32 K | 64 K | |||
Maximum number of 32-bit registers per thread | 128 | 63 | 255 | ||||
Maximum amount of shared memory per multiprocessor | 16 KB | 48 KB | |||||
Number of shared memory banks | 16 | 32 | |||||
Amount of local memory per thread | 16 KB | 512 KB | |||||
Constant memory size | 64 KB | ||||||
Cache working set per multiprocessor for constant memory | 8 KB | ||||||
Cache working set per multiprocessor for texture memory | Device dependent, between 6 KB and 8 KB | ||||||
Maximum width for 1D texture reference bound to a CUDA array |
8192 | 65536 | |||||
Maximum width for 1D texture reference bound to linear memory |
227 | ||||||
Maximum width and number of layers for a 1D layered texture reference |
8192 x 512 | 16384 x 2048 | |||||
Maximum width and height for 2D texture reference bound to a CUDA array |
65536 x 32768 | 65536 x 65535 | |||||
Maximum width and height for 2D texture reference bound to a linear memory |
65000 x 65000 | 65000 x 65000 | |||||
Maximum width and height for 2D texture reference bound to a CUDA array supporting texture gather |
N/A | 16384 x 16384 | |||||
Maximum width, height, and number of layers for a 2D layered texture reference |
8192 x 8192 x 512 | 16384 x 16384 x 2048 | |||||
Maximum width, height and depth for a 3D texture reference bound to linear memory or a CUDA array |
2048 x 2048 x 2048 | 4096 x 4096 x 4096 | |||||
Maximum width (and height) for a cubemap texture reference |
N/A | 16384 | |||||
Maximum width (and height) and number of layers for a cubemap layered texture reference |
N/A | 16384 x 2046 | |||||
Maximum number of textures that can be bound to a kernel |
128 | 256 | |||||
Maximum width for a 1D surface reference bound to a CUDA array |
Not supported |
65536 | |||||
Maximum width and number of layers for a 1D layered surface reference |
65536 x 2048 | ||||||
Maximum width and height for a 2D surface reference bound to a CUDA array |
65536 x 32768 | ||||||
Maximum width, height, and number of layers for a 2D layered surface reference |
65536 x 32768 x 2048 | ||||||
Maximum width, height, and depth for a 3D surface reference bound to a CUDA array |
65536 x 32768 x 2048 | ||||||
Maximum width (and height) for a cubemap surface reference bound to a CUDA array |
32768 | ||||||
Maximum width (and height) and number of layers for a cubemap layered surface reference |
32768 x 2046 | ||||||
Maximum number of surfaces that can be bound to a kernel |
8 | 16 | |||||
Maximum number of instructions per kernel |
2 million | 512 million |
Architecture specifications | Compute capability (version) | |||||||
---|---|---|---|---|---|---|---|---|
1.0 | 1.1 | 1.2 | 1.3 | 2.0 | 2.1 | 3.0 | 3.5 | |
Number of cores for integer and floating-point arithmetic functions operations | 8[6] | 32 | 48 | 192 | 192 | |||
Number of special function units for single-precision floating-point transcendental functions | 2 | 4 | 8 | 32 | 32 | |||
Number of texture filtering units for every texture address unit or render output unit (ROP) | 2 | 4 | 8 | 32 | 32 | |||
Number of warp schedulers | 1 | 2 | 2 | 4 | 4 | |||
Number of instructions issued at once by scheduler | 1 | 1 | 2[7] | 2 | 2 |
Этот пример кода на C++ загрузки текстур из изображения в массив на GPU:
cudaArray* cu_array; texture<float, 2> tex; // Allocate array cudaMalloc( &cu_array, cudaCreateChannelDesc<float>(), width, height ); // Copy image data to array cudaMemcpy( cu_array, image, width*height, cudaMemcpyHostToDevice); // Bind the array to the texture cudaBindTexture( tex, cu_array); // Run kernel dim3 blockDim(16, 16, 1); dim3 gridDim(width / blockDim.x, height / blockDim.y, 1); kernel<<< gridDim, blockDim, 0 >>>(d_odata, width, height); cudaUnbindTexture(tex); __global__ void kernel(float* odata, int height, int width) { unsigned int x = blockIdx.x*blockDim.x + threadIdx.x; unsigned int y = blockIdx.y*blockDim.y + threadIdx.y; float c = texfetch(tex, x, y); odata[y*width+x] = c; }
Пример программы на языке Python, перемножающий элементы массива средствами GPU. Взаимодействие идёт с использованием PyCUDA [8]
import pycuda.driver as drv import numpy drv.init() dev = drv.Device(0) ctx = dev.make_context() mod = drv.SourceModule(""" __global__ void multiply_them(float *dest, float *a, float *b) { const int i = threadIdx.x; dest[i] = a[i] * b[i]; } """) multiply_them = mod.get_function("multiply_them") a = numpy.random.randn(400).astype(numpy.float32) b = numpy.random.randn(400).astype(numpy.float32) dest = numpy.zeros_like(a) multiply_them( drv.Out(dest), drv.In(a), drv.In(b), block=(400,1,1)) print dest-a*b
По состоянию на декабрь 2009 года, программная модель CUDA преподается в 269 университетах по всему миру. В России обучающие курсы по CUDA читаются в Московском физико-техническом институте,Санкт-Петербургском политехническом университете, Ярославском государственном университете им. П. Г. Демидова, Московском, Нижегородском, Санкт-Петербургском, Тверском, Казанском, Новосибирском, Новосибирском государственном техническом университете Омском и Пермском государственных университетах, Международном университете природы общества и человека «Дубна», Объединённом институте ядерных исследований, Московском институте электронной техники, Ивановском государственном энергетическом университете, Белгородский государственный университет , МГТУ им. Баумана, Московском Авиационном Институте, РХТУ им. Менделеева, Российском научном центре «Курчатовский институт», Межрегиональном суперкомпьютерном центре РАН, Таганрогском технологическом институте (ТТИ ЮФУ).[9] Кроме того, в декабре 2009 года было объявлено о начале работы первого в России научно-образовательного центра «Параллельные вычисления», расположенного в городе Дубна, в задачи которого входят обучение и консультации по решению сложных вычислительных задач на GPU.[9]
На Украине курсы по CUDA читаются в Киевском институте системного анализа.[9]
Это заготовка статьи о компьютерах. Вы можете помочь проекту, дополнив её. Это примечание по возможности следует заменить более точным. |
CUDA.