我正在尝试使用 CUDA 内核异步分解和重塑数组的结构。 memcpy() 在内核中不起作用，cudaMemcpy()* 也不起作用；我很茫然。
谁能告诉我从 CUDA 内核中复制内存的首选方法？
值得注意的是，cudaMemcpy(void *to, void *from, size, cudaMemcpyDeviceToDevice) 不适用于我正在尝试做的事情，因为它只能从内核外部调用并且不能异步执行。
【问题讨论】：
cudaMemcpy 进行设备到设备复制。
标签： cuda
是的，有一个等效于 memcpy 的函数在 cuda 内核中工作。它被称为memcpy。举个例子：
__global__ void kernel(int **in, int **out, int len, int N)
{
int idx = threadIdx.x + blockIdx.x*blockDim.x;
for(; idx<N; idx+=gridDim.x*blockDim.x)
memcpy(out[idx], in[idx], sizeof(int)*len);
}
这样编译没有错误：
$ nvcc -Xptxas="-v" -arch=sm_20 -c memcpy.cu
ptxas info : Compiling entry function '_Z6kernelPPiS0_ii' for 'sm_20'
ptxas info : Function properties for _Z6kernelPPiS0_ii
0 bytes stack frame, 0 bytes spill stores, 0 bytes spill loads
ptxas info : Used 11 registers, 48 bytes cmem[0]
并发出 PTX：
.version 3.0
.target sm_20
.address_size 32
.file 1 "/tmp/tmpxft_00000407_00000000-9_memcpy.cpp3.i"
.file 2 "memcpy.cu"
.file 3 "/usr/local/cuda/nvvm/ci_include.h"
.entry _Z6kernelPPiS0_ii(
.param .u32 _Z6kernelPPiS0_ii_param_0,
.param .u32 _Z6kernelPPiS0_ii_param_1,
.param .u32 _Z6kernelPPiS0_ii_param_2,
.param .u32 _Z6kernelPPiS0_ii_param_3
)
{
.reg .pred %p<4>;
.reg .s32 %r<32>;
.reg .s16 %rc<2>;
ld.param.u32 %r15, [_Z6kernelPPiS0_ii_param_0];
ld.param.u32 %r16, [_Z6kernelPPiS0_ii_param_1];
ld.param.u32 %r2, [_Z6kernelPPiS0_ii_param_3];
cvta.to.global.u32 %r3, %r15;
cvta.to.global.u32 %r4, %r16;
.loc 2 4 1
mov.u32 %r5, %ntid.x;
mov.u32 %r17, %ctaid.x;
mov.u32 %r18, %tid.x;
mad.lo.s32 %r30, %r5, %r17, %r18;
.loc 2 6 1
setp.ge.s32 %p1, %r30, %r2;
@%p1 bra BB0_5;
ld.param.u32 %r26, [_Z6kernelPPiS0_ii_param_2];
shl.b32 %r7, %r26, 2;
.loc 2 6 54
mov.u32 %r19, %nctaid.x;
.loc 2 4 1
mov.u32 %r29, %ntid.x;
.loc 2 6 54
mul.lo.s32 %r8, %r29, %r19;
BB0_2:
.loc 2 7 1
shl.b32 %r21, %r30, 2;
add.s32 %r22, %r4, %r21;
ld.global.u32 %r11, [%r22];
add.s32 %r23, %r3, %r21;
ld.global.u32 %r10, [%r23];
mov.u32 %r31, 0;
BB0_3:
add.s32 %r24, %r10, %r31;
ld.u8 %rc1, [%r24];
add.s32 %r25, %r11, %r31;
st.u8 [%r25], %rc1;
add.s32 %r31, %r31, 1;
setp.lt.u32 %p2, %r31, %r7;
@%p2 bra BB0_3;
.loc 2 6 54
add.s32 %r30, %r8, %r30;
ld.param.u32 %r27, [_Z6kernelPPiS0_ii_param_3];
.loc 2 6 1
setp.lt.s32 %p3, %r30, %r27;
@%p3 bra BB0_2;
BB0_5:
.loc 2 9 2
ret;
}
BB0_3 处的代码块是一个字节大小的 memcpy 循环，由编译器自动发出。从性能的角度来看，使用它可能不是一个好主意，但它得到了完全的支持（并且在所有架构上已经存在很长时间了）。
四年后编辑添加，由于设备端运行时 API 是作为 CUDA 6 发布周期的一部分发布的，因此也可以直接调用类似的东西
cudaMemcpyAsync(void *to, void *from, size, cudaMemcpyDeviceToDevice)
在支持它的所有架构的设备代码中（Compute Capability 3.5 和使用单独编译和设备链接的更新硬件）。
【讨论】：
在我的测试中，最好的答案是编写自己的循环复制例程。就我而言：
__device__
void devCpyCplx(const thrust::complex<float> *in, thrust::complex<float> *out, int len){
// Casting for improved loads and stores
for (int i=0; i<len/2; ++i) {
((float4*) out)[i] = ((float4*) out)[i];
}
if (len%2) {
((float2*) out)[len-1] = ((float2*) in)[len-1];
}
}
memcpy 在内核中工作，但可能要慢得多。来自主机的cudaMemcpyAsync 是一个有效选项。
我需要通过 1,600 次复制调用将 800 个长度约为 33,000 的连续向量分区到不同缓冲区中的 16,500 长度。使用 nvvp 计时：
@talonmies 报告memcpy 逐字节复制，这在加载和存储方面效率低下。我的目标仍然是计算 3.0，所以我无法在设备上测试 cudaMemcpy。
编辑：在较新的设备上测试。设备运行时cudaMemcpyAsync(out, in, bytes, cudaMemcpyDeviceToDevice, 0) 相当于一个好的复制循环，比一个坏的复制循环更好。注意使用设备运行时 api 可能需要编译更改（sm>=3.5，单独编译）。编译参考programming guide和nvcc文档。
设备memcpy 坏了。主持人cudaMemcpyAsync 好的。设备cudaMemcpyAsync好。
【讨论】：
cudaMemcpy() 确实是异步运行的，但你是对的，它不能在内核中执行。
数组的新形状是基于某种计算确定的吗？然后，您通常会运行与数组中的条目相同数量的线程。每个线程将运行一个计算来确定数组中单个条目的源和目标，然后通过单个赋值将其复制到那里。 (dst[i] = src[j])。如果数组的新形状不是基于计算，那么从主机运行一系列cudaMemcpy() 和cudaMemCpyDeviceToDevice 可能会更有效。
【讨论】：