PyCUDA¶
简介¶
Nvidia的CUDA为我们提供了一种便捷的方式来直接操纵GPU进行并行编程,但是基于C语言的CUDA实现较为复杂,开发周期较长。而python 作为一门广泛使用的语言,具有简单易学、语法简单、开发迅速等优点。PyCUDA可以通过将python和C语言结合的方式进行CUDA编程。
PyCUDA安装以及使用说明¶
思源一号上的PyCUDA¶
先创建一个目录PyCUDAtest并进入该目录:
mkdir PyCUDAtest
cd PyCUDAtest
申请计算资源并通过conda安装PyCUDA
srun -p 64c512g -n 10 --pty /bin/bash
module load miniconda3
conda create -n PyCUDAtest
source activate PyCUDAtest
conda install -c conda-forge pycuda
在该目录下创建如下测试文件test.py:
import pycuda.driver as drv
import pycuda.autoinit
from pycuda.compiler import SourceModule
import numpy
# 定义核函数
mod = SourceModule(
"""
__global__ void add_vectors(float *a, float *b, float *c, int n)
{
int idx = threadIdx.x + blockIdx.x * blockDim.x;
if (idx < n)
{
c[idx] = a[idx] + b[idx];
}
}
"""
)
# 定义向量大小
n = 10000
# 生成随机向量数据
a = numpy.random.randn(n).astype(numpy.float32)
b = numpy.random.randn(n).astype(numpy.float32)
# 分配输出内存空间
c = numpy.zeros_like(a)
# 将输入输出数据复制到 GPU
a_gpu = drv.mem_alloc(a.nbytes)
b_gpu = drv.mem_alloc(b.nbytes)
c_gpu = drv.mem_alloc(c.nbytes)
drv.memcpy_htod(a_gpu, a)
drv.memcpy_htod(b_gpu, b)
# 定义块和网格大小
blocksize = 256
gridsize = (n + blocksize - 1) // blocksize
# 执行核函数
add_vectors = mod.get_function("add_vectors")
add_vectors(
a_gpu, b_gpu, c_gpu, numpy.int32(n), block=(blocksize, 1, 1), grid=(gridsize, 1)
)
# 将结果从 GPU 复制回 CPU
drv.memcpy_dtoh(c, c_gpu)
# 检查计算结果是否正确
assert numpy.allclose(c, a + b), "result not correct"
# 输出结果
print("a:", a)
print("b:", b)
print("c:", c)
在该目录下创建如下作业提交脚本pycudatest.slurm:
#!/bin/bash
#SBATCH --job-name=pycudatest # 作业名
#SBATCH --partition=a100 # a100 队列
#SBATCH -N 1
#SBATCH --ntasks-per-node=1
#SBATCH --cpus-per-task=1 # 1:1 的 GPU:CPU 配比
#SBATCH --gres=gpu:1 # 1 块 GPU
#SBATCH --output=%j.out
#SBATCH --error=%j.err
ulimit -s unlimited
ulimit -l unlimited
module load miniconda3
source activate PyCUDAtest
module load cuda/11.5.0
python3 test.py
使用如下命令提交作业:
sbatch pycudatest.slurm
作业完成后在.out文件中可看到如下结果:
a: [ 0.32799047 -0.03553623 -1.6576846 ... -0.44243634 -1.1451671
-1.1334891 ]
b: [-0.46226323 0.76997334 -0.06620226 ... 0.6974032 2.1895697
1.2849816 ]
c: [-0.13427275 0.7344371 -1.7238868 ... 0.25496686 1.0444026
0.15149248]
pi2.0上的PyCUDA¶
此步骤和上文完全相同;
申请计算资源并通过conda安装PyCUDA
srun -p cpu -N 1 --ntasks-per-node 40 --pty /bin/bash
module load miniconda3
conda create -n PyCUDAtest
source activate PyCUDAtest
conda install -c conda-forge pycuda
此步骤和上文完全相同;
在该目录下创建如下作业提交脚本mpi4pytest.slurm:
#!/bin/bash
#SBATCH --job-name=pycudatest # 作业名
#SBATCH --partition=dgx2 # dgx2 队列
#SBATCH -N 1
#SBATCH --ntasks-per-node=1
#SBATCH --cpus-per-task=1 # 1:1 的 GPU:CPU 配比
#SBATCH --gres=gpu:1 # 1 块 GPU
#SBATCH --output=%j.out
#SBATCH --error=%j.err
ulimit -s unlimited
ulimit -l unlimited
module load miniconda3
source activate PyCUDAtest
module load cuda/11.6.2-gcc-8.3.0
python3 test.py
此步骤和上文完全相同;
此步骤和上文完全相同;
参考资料¶
最后更新:
2024 年 11 月 19 日