Lauching 2d блок потоков в Cuda падает
Я строю симуляцию n-body, используя CUDA для повышения производительности. В настоящее время я работаю над дальнейшим распараллеливанием системы, чтобы каждое взаимодействие между частицами проходило в отдельном потоке. Это уменьшает теоретическую сложность до 1, ограниченную только скоростью графического процессора.
Для этого я пытаюсь запустить ядро, используя набор блоков N^2 (где N в количестве частиц), используя (N/T, N/T) сетка и T*T блоков (где T - количество потоков в блоке). Мне удалось запустить сетку N*N, но всякий раз, когда я пытаюсь использовать многомерные блоки (потоков), ядро вылетает с:
error code invalid configuration arguments
Это с T=512 и N=5000, но уменьшение их до T=128 и N=1000 не дало эффекта. Вот некоторые характеристики и код:
Cuda SDK Версия: 7.5
GPU: GTX 970 4 ГБ
Версия CC: 5.2
Компиляция в MSVS 2013 64bit в Windows 7
Код запуска ядра
dim3 block(TPB, TPB);
dim3 grid;
grid.x = (numParticles + TPB - 1) / TPB;
grid.y = (numParticles + TPB - 1) / TPB;
doParticles<<< grid, block >>>(d_pos, d_vel, d_acc, d_mass, numParticles, dt);
Как я могу изменить этот код для достижения моей цели?
Я могу опубликовать некоторый код ядра и т. Д., Но не думаю, что это имеет значение, поскольку ядро даже не запускается. Дайте мне знать, будет ли полезна любая другая информация.
Заранее спасибо.
РЕДАКТИРОВАТЬ:
MCVE
главный
#define TPB 32
....
unsigned int numParticles = 1000;
p_type* h_pos;
p_type* h_vel;
p_type* h_acc;
p_type* h_mass;
p_type* d_pos;
p_type* d_vel;
p_type* d_acc;
p_type* d_mass;
int pointsPerParticleVec = 3;
size_t size = sizeof(p_type) * 3 * numParticles;
h_pos = (p_type*)malloc(size);
h_vel = (p_type*)malloc(size);
h_acc = (p_type*)malloc(size);
h_mass = (p_type*)malloc(size / 3);
d_pos = NULL;
d_vel = NULL;
d_acc = NULL;
cudaError_t err = cudaSuccess;
//allocate space on GPU
err = cudaMalloc((void **)&d_pos, size);
err = cudaMalloc((void **)&d_vel, size);
err = cudaMalloc((void **)&d_acc, size);
err = cudaMalloc((void **)&d_mass, size / 3);
//nothing really matters for this example just making sure no gargage values happen
for (int partIt = 0; partIt < numParticles; partIt++)
{
int index = partIt * 3;
h_pos[index] = 0;
h_pos[index + 1] = 0;
h_pos[index + 2] = 0;
h_vel[index] = 0;
h_vel[index + 1] = 0;
h_vel[index + 2] = 0;
h_acc[index] = 0;
h_acc[index + 1] = 0;
h_acc[index + 2] = 0;
h_mass[partIt] = 0;
}
err = cudaMemcpy(d_pos, h_pos, size, cudaMemcpyHostToDevice);
err = cudaMemcpy(d_vel, h_vel, size, cudaMemcpyHostToDevice);
err = cudaMemcpy(d_acc, h_acc, size, cudaMemcpyHostToDevice);
err = cudaMemcpy(d_mass, h_mass, size / 3, cudaMemcpyHostToDevice);
while (true) //display functionality removed for now
{
//do calculations
float dt = .1;
dim3 block(TPB, TPB);
dim3 grid;
grid.x = (numParticles + TPB - 1) / TPB;
grid.y = (numParticles + TPB - 1) / TPB;
doParticles << < grid, block >> >(d_pos, d_vel, d_acc, d_mass, numParticles, dt); //<<<<<<<<<<<<here is where it does not launch
err = cudaGetLastError();
if (err != cudaSuccess)
{
fprintf(stderr, "Failed to launch vectorAdd kernel (error code %s)!\n", cudaGetErrorString(err)); //see the error pop up here
exit(EXIT_FAILURE);
}
cudaDeviceSynchronize();
int numBlocks2 = (numParticles * 3 + TPB - 1) / TPB;
//add acceleration to velocity
ARR_ADD << <numBlocks2, TPB >> >(d_vel, d_acc, numParticles * 3);
cudaDeviceSynchronize();
//reset acceleration vector
ARR_SET << <numBlocks2, TPB >> >(d_acc, 0.0f, numParticles * 3);
//add velocity to position
POS_ADD << <numBlocks2, TPB >> >(d_pos, d_vel, numParticles * 3, dt);
//copy vector back to cpu (until opengl-cuda gets implemented)
cudaMemcpy(h_pos, d_pos, sizeof(p_type) * 3 * numParticles, cudaMemcpyDeviceToHost);
}
ядра
__device__ float fInvSqrt_D(const float& in)
{
long i;
float x2, y;
const float threehalfs = 1.5F;
x2 = in * 0.5F;
y = in;
i = *(long *)&y;
i = 0x5f3759df - (i >> 1);
y = *(float *)&i;
y = y * (threehalfs - (x2 * y * y));
y = y * (threehalfs - (x2 * y * y)); //extra precision
return abs(y);
}
__global__ void POS_ADD(p_type* getter, const p_type *giver, int N, float dt)
{
int index = blockDim.x * blockIdx.x + threadIdx.x;
if (index < N)
{
getter[index] = getter[index] + (giver[index]*dt);
}
}
__global__ void ARR_ADD(p_type* getter, const p_type *giver, int N)
{
int index = blockDim.x * blockIdx.x + threadIdx.x;
if (index < N)
{
getter[index] = getter[index] + giver[index];
}
}
__global__ void ARR_SET(p_type* getter, const p_type value, int N)
{
int index = blockDim.x * blockIdx.x + threadIdx.x;
if (index < N)
{
getter[index] = value;
}
}
__global__ void doParticles(p_type* pos, p_type* vel, p_type* acc, p_type* mass, int numParticles, float tstep)
{
int blockId = blockIdx.y * gridDim.x + blockIdx.x;
int threadIndex = blockId * blockDim.x + threadIdx.x;
int cRowPos = blockId % gridDim.y;
int notInRow = blockId - cRowPos;
int Y = blockId/gridDim.x + threadIdx.y; //slower changing iterator
int X = threadIndex - ((notInRow) * TPB); //fast changing iterator
int pIndex1 = X * 3;
int pIndex2 =Y * 3;
if (pIndex1 != pIndex2 && Y < numParticles)
{
p_type diffx = (pos[pIndex1] - pos[pIndex2]); //calculating difference between points
p_type diffy = (pos[pIndex1 + 1] - pos[pIndex2 + 1]);
p_type diffz = (pos[pIndex1 + 2] - pos[pIndex2 + 2]);
p_type distsqr = diffx*diffx + diffy*diffy + diffz*diffz;
if (distsqr < 0)
{
distsqr *= -1;
}
if (distsqr < 500)
{
distsqr = 500;
}
p_type attraction = (mass[X] * mass[Y]) / (distsqr); //gravity equation
p_type invsqrt = fInvSqrt_D((float)distsqr);
p_type normx = invsqrt*diffx;
p_type normy = invsqrt*diffy;
p_type normz = invsqrt*diffz;
p_type forcex = normx * -attraction;
p_type forcey = normy * -attraction;
p_type forcez = normz * -attraction;
acc[pIndex1] += (forcex * tstep) / mass[X];
acc[pIndex1 + 1] += (forcey * tstep) / mass[X];
acc[pIndex1 + 2] += (forcez * tstep) / mass[X];
}
}
И да, я знаю, что индексация в ядре doParticle нарушена. Я планирую исправить тот, который он запускает.:)
Еще раз спасибо.
1 ответ
Максимальное количество потоков в CUDA-блоках - 1024. Общее количество нитей в блоке является произведением размеров блоков нитей:
dim3 block(TPB, TPB);
Так что любая ценность TPB больше 32 здесь не сработает, и вы получите ошибку неверного аргумента конфигурации при попытке запустить любое такое ядро.
Так что уменьшите T или же TPB до 32, и вы сможете запустить ядро.