2023年的深度学习入门指南(9) - SIMD和通用GPU编程

深度学习从一开始就跟GPU有不解之缘，因为算力是深度学习不可或缺的一部分。

时至今日，虽然多任务编程早已经深入人心，但是很多同学还没有接触过CPU上的SIMD指令，更不用说GPGPU的编程。这一篇我们先给SIMD和GPU编程扫个盲，让大家以后用到的时候有个感性认识。

CPU世界

从多线程说起

曾经的编程语言是不支持多线程的，需要操作系统和库来提供多线程能力，比如pthread库。时至今日，默认不支持多线程的平台还是有的，比如wasm。
1995年问世的Java语言从1.0开始就支持多线程，虽然一直到5.0版本才对多线程有重大改进。C++语言从C++11开始语言支持多线程了。

我们来看一个用C++多线程来实现矩阵乘法的例子：

#include #include // 矩阵维度const int width = 4;// 矩阵int A[width][width] = {{1, 2, 3, 4},{5, 6, 7, 8},{9, 10, 11, 12},{13, 14, 15, 16}};int B[width][width] = {{1, 0, 0, 0},{0, 1, 0, 0},{0, 0, 1, 0},{0, 0, 0, 1}};int C[width][width] = {0};// 互斥锁std::mutex mtx;// 计算线程void calculate(int row) {for (int col = 0; col < width; col++) {if (row < width && col < width) {mtx.lock();C[row][col] = A[row][col] + B[row][col];mtx.unlock();}}}int main() {// 创建线程std::thread t1(calculate, 0);std::thread t2(calculate, 1);std::thread t3(calculate, 2);std::thread t4(calculate, 3);// 等待线程结束t1.join();t2.join();t3.join();t4.join();// 打印结果for (int i = 0; i < width; i++) {for (int j = 0; j < width; j++) {printf("%d ", C[i][j]);}printf("\n");}}

我们给它配上一个CMakeLists.txt:

cmake_minimum_required(VERSION 3.10)# Set the project name
project(MatrixAddO)# Set the C++ standard
set(CMAKE_CXX_STANDARD 11)
set(CMAKE_CXX_STANDARD_REQUIRED True)# Add the executable
add_executable(matrix_add matadd.cpp)

这个代码大家应该都比较熟悉，就不多解释了。现在支持C++11以上已经是标配了。

OpenMP

早在线程写进C++11标准之前，就有很多并发编程的框架了，比如MPI和OpenMP.

OpenMP是一套支持跨平台共享内存方式的多线程并发的编程API，使用C, C++和Fortran语言，可以在多种处理器体系和操作系统中运行。它由OpenMP Architecture Review Board (ARB)牵头提出，并由多家计算机硬件和软件厂商共同定义和管理。

OpenMP最早是1997年发布的，当时只支持Fortran语言。1998年开始支持C/C++.

我们来看看用OpenMP如何实现矩阵的并发计算：

#include 
#include 
#include std::vector<std::vector<int>>
matrixAdd(const std::vector<std::vector<int>> &A,const std::vector<std::vector<int>> &B) {int rows = A.size();int cols = A[0].size();std::vector<std::vector<int>> C(rows, std::vector<int>(cols));#pragma omp parallel for collapse(2)for (int i = 0; i < rows; i++) {for (int j = 0; j < cols; j++) {C[i][j] = A[i][j] + B[i][j];}}return C;
}int main() {std::vector<std::vector<int>> A = {{1, 2, 3}, {4, 5, 6}, {7, 8, 9}};std::vector<std::vector<int>> B = {{9, 8, 7}, {6, 5, 4}, {3, 2, 1}};std::vector<std::vector<int>> C = matrixAdd(A, B);for (const auto &row : C) {for (int val : row) {std::cout << val << " ";}std::cout << std::endl;}return 0;
}                                 

#pragma omp parallel for collapse(2) 是一个 OpenMP 编译指令，用于表示一个并行区域，其中嵌套的循环将并行执行。让我们详细解释这个指令的各个部分：

#pragma omp：这是一个编译指令，表示接下来的代码将使用 OpenMP 进行并行化。

parallel for：这是一个组合指令，表示接下来的 for 循环将在多个线程上并行执行。每个线程将处理循环的一部分，从而加速整个循环的执行。

collapse(2)：这是一个可选子句，用于指示嵌套循环的并行化。在这个例子中，collapse(2) 表示将两层嵌套的循环（即外层和内层循环）合并为一个并行循环。这样可以更好地利用多核处理器的性能，因为并行度增加了。

在我们的矩阵加法示例中，#pragma omp parallel for collapse(2) 指令应用于两个嵌套的 for 循环，它们分别遍历矩阵的行和列。使用此指令，这两个循环将合并为一个并行循环，从而在多核处理器上实现更高的性能。

需要注意的是，为了在程序中使用 OpenMP，你需要使用支持 OpenMP 的编译器（如 GCC 或 Clang），并在编译时启用 OpenMP 支持（如在 GCC 中使用 -fopenmp 标志）。

我们来写个支持OpenMP的CMakeLists.txt:

cmake_minimum_required(VERSION 3.10)# Set the project name
project(MatrixAddOpenMP)# Set the C++ standard
set(CMAKE_CXX_STANDARD 11)
set(CMAKE_CXX_STANDARD_REQUIRED True)# Find OpenMP
find_package(OpenMP REQUIRED)# Add the executable
add_executable(matrix_add main.cpp)# Link OpenMP to the executable
if(OpenMP_CXX_FOUND)target_link_libraries(matrix_add PUBLIC OpenMP::OpenMP_CXX)
endif()

可见，用了OpenMP的for循环，就可以变串行为并行。从而大大简化并行编程的难度。

SIMD

虽然多线程和OpenMP看起来都不错，都容易编程，但是，我们的优化并不是以简化编程为目的的。

虽然我们抱怨Intel是牙膏厂，每年的进步越来越有限。不过，还总是有新的指令增加到新的架构中来。这其中就有越来越强大的SIMD指令。

SIMD就是一条机器指令可以实现多条数据的操作。在Intel平台上，早在1997年就推出了64位的MMX指令集。1999年又有了128位的SSE指令集。2011年，又推出了256位的AVX(Advanced Vector Extensions)指令，我们来个例子看看：

#include 
#include  // 包含 AVX 指令集头文件void matrix_addition_avx(float* A, float* B, float* C, int size) {for (int i = 0; i < size; i++) {for (int j = 0; j < size; j += 8) { // 每次处理 8 个元素（AVX 可以处理 256 位，即 8 个单精度浮点数）__m256 vecA = _mm256_loadu_ps(&A[i * size + j]);__m256 vecB = _mm256_loadu_ps(&B[i * size + j]);__m256 vecC = _mm256_add_ps(vecA, vecB);_mm256_storeu_ps(&C[i * size + j], vecC);}}
}int main() {int size = 8; // 假设矩阵大小为 8x8float A[64] = { /* ... */ }; // 初始化矩阵 Afloat B[64] = { /* ... */ }; // 初始化矩阵 Bfloat C[64] = { 0 }; // 结果矩阵 Cmatrix_addition_avx(A, B, C, size);// 输出结果for (int i = 0; i < size; i++) {for (int j = 0; j < size; j++) {std::cout << C[i * size + j] << " ";}std::cout << std::endl;}return 0;
}

我们来解释一下使用SIMD的几条语句：

__m256 vecA = _mm256_loadu_ps(&A[i * size + j])：从矩阵 A 中加载 8 个浮点数（一次性处理 256 位数据），存储在一个名为 vecA 的 __m256 类型变量中。

__m256 vecB = _mm256_loadu_ps(&B[i * size + j])：同样地，从矩阵 B 中加载 8 个浮点数，存储在一个名为 vecB 的 __m256 类型变量中。

__m256 vecC = _mm256_add_ps(vecA, vecB)：使用 AVX 指令 _mm256_add_ps 对 vecA 和 vecB 中的浮点数分别进行逐元素加法，并将结果存储在名为 vecC 的 __m256 类型变量中。

_mm256_storeu_ps(&C[i * size + j], vecC)：将 vecC 中的 8 个加法结果存储回矩阵 C 的相应位置。

这段代码使用了 AVX 指令集，实现了对浮点矩阵的加法运算。请注意，为了充分利用 AVX 的并行处理能力，矩阵尺寸应该是 8 的倍数。如果矩阵尺寸不是 8 的倍数，需要添加额外的逻辑来处理剩余的元素。

后来，Intel又推出了AVX2指令集，不过对于我们上边的代码并没有太多优化，而主要优化是在整数方面。

上节我们学习的量化和解量化就用上了，我们这次使用AVX2提供的整数计算的加速来实现：

#include 
#include  // 包含 AVX2 指令集头文件void matrix_addition_avx2_int(int *A, int *B, int *C, int size) {for (int i = 0; i < size; i++) {for (int j = 0; j < size; j += 8) { // 每次处理 8 个元素（AVX2 可以处理 256 位，即 8 个 int32 整数）__m256i vecA = _mm256_loadu_si256((__m256i *)&A[i * size + j]);__m256i vecB = _mm256_loadu_si256((__m256i *)&B[i * size + j]);__m256i vecC = _mm256_add_epi32(vecA, vecB);_mm256_storeu_si256((__m256i *)&C[i * size + j], vecC);}}
}int main() {int size = 8; // 假设矩阵大小为 8x8int A[64] = { /* ... */ }; // 初始化矩阵 Aint B[64] = { /* ... */ }; // 初始化矩阵 Bint C[64] = {0}; // 结果矩阵 Cmatrix_addition_avx2_int(A, B, C, size);// 输出结果for (int i = 0; i < size; i++) {for (int j = 0; j < size; j++) {std::cout << C[i * size + j] << " ";}std::cout << std::endl;}return 0;
}

我们不惜折腾量化一把转换成整数的原因是，AVX中只有_mm_add_epi32指令，只能对两个128位整数向量的逐元素相加，而_mm256_add_epi32是256位，数据量加倍了。
不只是加法，AVX2 提供了一系列针对整数操作的新指令，例如乘法、位操作和打包/解包操作等。
AVX2指令的执行吞吐量(throughput)一般为1指令/周期,而AVX1为2指令/周期。所以在同频率下,AVX2的整数加法指令性能理论上可以提高一倍。
同时， 与其他AVX2指令结合使用，如_mm256_load_si256或_mm256_store_si256等，来从内存中加载或存储向量，这样可以提高内存访问的性能和带宽。

后来，Intel还推出了AVX512指令，基本上就把AVX1中的256换成512就可以了：

#include 
#include  // 包含 AVX-512 指令集头文件void matrix_addition_avx512(float *A, float *B, float *C, int size) {for (int i = 0; i < size; i++) {for (int j = 0; j < size; j += 16) { // 每次处理 16 个元素（AVX-512 可以处理 512 位，即 16 个单精度浮点数）__m512 vecA = _mm512_loadu_ps(&A[i * size + j]);__m512 vecB = _mm512_loadu_ps(&B[i * size + j]);__m512 vecC = _mm512_add_ps(vecA, vecB);_mm512_storeu_ps(&C[i * size + j], vecC);}}
}int main() {int size = 16; // 假设矩阵大小为 16x16float A[256] = { /* ... */ }; // 初始化矩阵 Afloat B[256] = { /* ... */ }; // 初始化矩阵 Bfloat C[256] = {0}; // 结果矩阵 Cmatrix_addition_avx512(A, B, C, size);// 输出结果for (int i = 0; i < size; i++) {for (int j = 0; j < size; j++) {std::cout << C[i * size + j] << " ";}std::cout << std::endl;}return 0;
}

但是，优化并不总是一根筋地往上堆指令就可以的，AVX512是一种非常耗电的指令集，此时我们需要实测权衡一下。

针对手机上用的ARM CPU，可以使用NEON指令来实现SIMD功能：

#include 
#include void matrix_addition_neon(float *A, float *B, float *C, int size) {for (int i = 0; i < size; i++) {for (int j = 0; j < size; j += 4) { // 每次处理 4 个元素（NEON 可以处理 128 位，即 4 个单精度浮点数）float32x4_t vecA = vld1q_f32(&A[i * size + j]);float32x4_t vecB = vld1q_f32(&B[i * size + j]);float32x4_t vecC = vaddq_f32(vecA, vecB);vst1q_f32(&C[i * size + j], vecC);}}
}int main() {int size = 4; // 假设矩阵大小为 4x4float A[16] = { /* ... */ }; // 初始化矩阵 Afloat B[16] = { /* ... */ }; // 初始化矩阵 Bfloat C[16] = {0}; // 结果矩阵 Cmatrix_addition_neon(A, B, C, size);// 输出结果for (int i = 0; i < size; i++) {for (int j = 0; j < size; j++) {printf("%f ", C[i * size + j]);}printf("\n");}return 0;
}

对于初接触汇编级优化的同学，可能感觉很新鲜。不过，挑战更大的在后面，我们要进入GPU的世界了。

GPU世界

欢迎来到异构计算的世界。之前我们的代码不管怎么写，都是在CPU上运行的。
从这一时刻开始，不管什么技术，我们都是由CPU和GPU两部分代码共同组合的了。

我们先从目前看仍然是主力的CUDA开始。

CUDA

CUDA 1.0于2007年发布。目前CUDA版本为12.1。

目前广泛适配的是CUDA 11.x，现在较新的版本为CUDA 11.8。因为CUDA 11.x才支持A100为代表的安培架构的GPU。3060，3070，3080，3090也是安培架构的GPU。

2080, 2060, 1660这一系列的是图灵架构，对应的是CUDA 10.x版本。

1060，1080这一系列对应的是帕斯卡架我，对应的是CUDA 8.0版本。

在CUDA中，运行在GPU上的代码我们叫做核函数。
我们先完整地看下这个代码，然后再解释。

#include "cuda_runtime.h"
#include "device_launch_parameters.h"
#include // 矩阵加法的CUDA核函数
__global__ void matrixAdd10(int* A, int* B, int* C, int width) {int row = blockIdx.y * blockDim.y + threadIdx.y;int col = blockIdx.x * blockDim.x + threadIdx.x;if (row < width && col < width) {C[row * width + col] = A[row * width + col] + B[row * width + col];}
}int main() {// 矩阵维度int width = 4;// 分配CPU内存int* A, * B, * C;A = (int*)malloc(width * width * sizeof(int));B = (int*)malloc(width * width * sizeof(int));C = (int*)malloc(width * width * sizeof(int));// 初始化A和B矩阵for (int i = 0; i < width; i++) {for (int j = 0; j < width; j++) {A[i * width + j] = i;B[i * width + j] = j;}}// 为GPU矩阵分配内存int* d_A, * d_B, * d_C;cudaMalloc((void**)&d_A, width * width * sizeof(int));cudaMalloc((void**)&d_B, width * width * sizeof(int));cudaMalloc((void**)&d_C, width * width * sizeof(int));// 将矩阵从CPU内存复制到GPU内存cudaMemcpy(d_A, A, width * width * sizeof(int), cudaMemcpyHostToDevice);cudaMemcpy(d_B, B, width * width * sizeof(int), cudaMemcpyHostToDevice);// 配置CUDA核函数参数dim3 threads(width, width);dim3 grid(1, 1);matrixAdd10 <<<grid, threads >>> (d_A, d_B, d_C, width);// 等待CUDA核函数执行完毕cudaDeviceSynchronize();// 将结果从GPU内存复制到CPU内存cudaMemcpy(C, d_C, width * width * sizeof(int), cudaMemcpyDeviceToHost);// 验证结果for (int i = 0; i < width; i++) {for (int j = 0; j < width; j++) {if (C[i * width + j] != i + j) {printf("错误!");return 0;}}}printf("矩阵加法成功!");// 释放CPU和GPU内存free(A); free(B); free(C);cudaFree(d_A); cudaFree(d_B); cudaFree(d_C);
}

其实，CPU部分的main函数还是比较好懂的。核函数这边就有点不知所措了，比如下面这两行：

    int row = blockIdx.y * blockDim.y + threadIdx.y;int col = blockIdx.x * blockDim.x + threadIdx.x;

这两行代码用于计算当前 CUDA 线程在二维矩阵中的位置。在 CUDA 编程模型中，我们通常将问题划分为多个线程块 (block)，每个线程块包含多个线程。线程块和线程可以是一维、二维或三维的。在这个矩阵加法的例子中，我们使用二维线程块和二维线程。

blockIdx 和 blockDim 分别表示线程块索引和线程块的尺寸，它们都是 dim3 类型的变量。threadIdx 表示线程的索引，也是一个 dim3 类型的变量。x 和 y 分别表示这些变量的横向和纵向分量。

int row = blockIdx.y * blockDim.y + threadIdx.y;

这行代码计算当前线程在二维矩阵中的行号。blockIdx.y 表示当前线程所在的线程块在纵向（行方向）上的索引，blockDim.y 表示每个线程块在纵向上包含的线程数，threadIdx.y 表示当前线程在所在线程块中纵向的索引。将这些值组合在一起，可以计算出当前线程在整个矩阵中的行号。

int col = blockIdx.x * blockDim.x + threadIdx.x;

这行代码计算当前线程在二维矩阵中的列号。blockIdx.x 表示当前线程所在的线程块在横向（列方向）上的索引，blockDim.x 表示每个线程块在横向上包含的线程数，threadIdx.x 表示当前线程在所在线程块中横向的索引。将这些值组合在一起，可以计算出当前线程在整个矩阵中的列号。

通过这两行代码，我们可以为每个线程分配一个特定的矩阵元素，让它执行相应的加法操作。这种并行计算方式可以显著提高矩阵加法的计算速度。

这段代码需要使用NVidia CUDA工具包中的nvcc来编译了，我们将其存为matrix_add.cu:

nvcc -o matrix_add matrix_add.cu
./matrix_add

OpenCL

CUDA是一门NVidia专有的技术，在其它GPU上用不了。所以其它厂商一直在想办法提供类似的技术。这其中，曾经最被看好的就是OpenCL。OpenCL由Apple最初提出并由Khronos Group牵头制定和管理标准。
OpenCL是一种用于编写跨平台的异构计算程序的框架，支持使用C99, C++14和C++17语言编写代码，可以在多种处理器和操作系统上运行，如CPU, GPU, DSP, FPGA等。
OpenCL的第一个版本于2008年发布。

我们来看下用OpenCL写的计算矩阵加法的节选。
首先也是运行在GPU上的核函数，然后通过enqueueNDRangeKernel将其放入执行队列中。

#include 
#include 
#include const char* kernelSource = R"CLC(
__kernel void matrix_add(__global const int* A, __global const int* B, __global int* C, int rows, int cols) {int i = get_global_id(0);int j = get_global_id(1);int index = i * cols + j;if (i < rows && j < cols) {C[index] = A[index] + B[index];}
}
)CLC";int main() {std::vector<std::vector<int>> A = {{1, 2, 3},{4, 5, 6},{7, 8, 9}};std::vector<std::vector<int>> B = {{9, 8, 7},{6, 5, 4},{3, 2, 1}};int rows = A.size();int cols = A[0].size();std::vector<int> A_flat(rows * cols), B_flat(rows * cols), C_flat(rows * cols);for (int i = 0; i < rows; ++i) {for (int j = 0; j < cols; ++j) {A_flat[i * cols + j] = A[i][j];B_flat[i * cols + j] = B[i][j];}}std::vector<cl::Platform> platforms;cl::Platform::get(&platforms);cl_context_properties properties[] = {CL_CONTEXT_PLATFORM, (cl_context_properties)(platforms[0])(), 0};cl::Context context(CL_DEVICE_TYPE_GPU, properties);cl::Program program(context, kernelSource, true);cl::CommandQueue queue(context);cl::Buffer buffer_A(context, CL_MEM_READ_ONLY, sizeof(int) * rows * cols);cl::Buffer buffer_B(context, CL_MEM_READ_ONLY, sizeof(int) * rows * cols);cl::Buffer buffer_C(context, CL_MEM_WRITE_ONLY, sizeof(int) * rows * cols);queue.enqueueWriteBuffer(buffer_A, CL_TRUE, 0, sizeof(int) * rows * cols, A_flat.data());queue.enqueueWriteBuffer(buffer_B, CL_TRUE, 0, sizeof(int) * rows * cols, B_flat.data());cl::Kernel kernel(program, "matrix_add");kernel.setArg(0, buffer_A);kernel.setArg(1, buffer_B);kernel.setArg(2, buffer_C);kernel.setArg(3, rows);kernel.setArg(4, cols);cl::NDRange global_size(rows, cols);queue.enqueueNDRangeKernel(kernel, cl::NullRange, global_size);queue.enqueueReadBuffer(buffer_C, CL_TRUE, 0, sizeof(int) * rows * cols, C_flat.data());std::vector<std::vector<int>> C(rows, std::vector<int>(cols));for (int i = 0; i < rows; ++i) {for (int j = 0; j < cols; ++j) {C[i][j] = C_flat[i * cols + j];}}...

Direct3D

在Windows上，我们都知道微软的主要用于游戏开发的DirectX。
Direct X作为Windows直接访问硬件的游戏加速接口，早在1995年就推出了。不过Direct X 1.0的时候还不支持3D，只支持2D。因为第一个广泛使用的3D加速卡3dfx Voodoo卡1996年才推出。
Direct3D 1.0于1996年问世。不过这时候只是对标OpenGL的框架，跟GPGPU关系还远着呢。

一直要到2009年，Windows 7时代的Direct3D 11.0，才正式可以支持计算着色器。Direct 3D 12.0于2015年和Windows 10同时代推出。

在Direct3D 12中，GPU指令是通过HLSL语言来写的：

// MatrixAddition.hlsl[numthreads(16, 16, 1)]
void main(uint3 dt : SV_DispatchThreadID, uint3 gt : SV_GroupThreadID, uint3 gi : SV_GroupID) {// 确保我们在矩阵范围内if (dt.x >= 3 || dt.y >= 3) {return;}// 矩阵 A 和 B 的值float A[3][3] = {{1, 2, 3},{4, 5, 6},{7, 8, 9}};float B[3][3] = {{9, 8, 7},{6, 5, 4},{3, 2, 1}};// 计算矩阵加法float result = A[dt.y][dt.x] + B[dt.y][dt.x];// 将结果写入输出缓冲区RWStructuredBuffer output;output[dt.y * 3 + dt.x] = result;
}

然后是CPU上的操作，要建立一个计算着色器，因为细节比较多，我就略去了，只写主干：

#include 
#include 
#include // 创建一个简单的计算着色器的 PSO
ID3D12PipelineState* CreateMatrixAdditionPSO(ID3D12Device* device) {ID3DBlob* csBlob = nullptr;D3DCompileFromFile(L"MatrixAddition.hlsl", nullptr, nullptr, "main", "cs_5_0", 0, 0, &csBlob, nullptr);D3D12_COMPUTE_PIPELINE_STATE_DESC psoDesc = {};psoDesc.pRootSignature = rootSignature; // 假设已创建好根签名psoDesc.CS = CD3DX12_SHADER_BYTECODE(csBlob);ID3D12PipelineState* pso = nullptr;device->CreateComputePipelineState(&psoDesc, IID_PPV_ARGS(&pso));csBlob->Release();return pso;
}// 执行矩阵加法计算
void RunMatrixAddition(ID3D12GraphicsCommandList* commandList, ID3D12Resource* outputBuffer) {commandList->SetPipelineState(matrixAdditionPSO);commandList->SetComputeRootSignature(rootSignature);commandList->SetComputeRootUnorderedAccessView(0, outputBuffer->GetGPUVirtualAddress());// 分发计算着色器，设置线程组的数量commandList->Dispatch(1, 1, 1);// 确保在继续之前完成计算操作commandList->ResourceBarrier(1, &CD3DX12_RESOURCE_BARRIER::UAV(outputBuffer));
}int main() {// 初始化 DirectX 12 设备、命令队列、命令分配器等...// ...// 创建根签名、PSO 和计算着色器相关资源// ...// 创建输出缓冲区ID3D12Resource* outputBuffer = nullptr;device->CreateCommittedResource(&CD3DX12_HEAP_PROPERTIES(D3D12_HEAP_TYPE_DEFAULT),D3D12_HEAP_FLAG_NONE,&CD3DX12_RESOURCE_DESC::Buffer(3 * 3 * sizeof(float)),D3D12_RESOURCE_STATE_UNORDERED_ACCESS,nullptr,IID_PPV_ARGS(&outputBuffer));// 创建并执行命令列表ID3D12GraphicsCommandList* commandList = nullptr;device->CreateCommandList(0, D3D12_COMMAND_LIST_TYPE_DIRECT, commandAllocator, nullptr, IID_PPV_ARGS(&commandList));RunMatrixAddition(commandList, outputBuffer);// 关闭命令列表并执行commandList->Close();ID3D12CommandList* commandLists[] = {commandList};commandQueue->ExecuteCommandLists(_countof(commandLists), commandLists);// 同步 GPU 和 CPU// ...// 从输出缓冲区中读取结果float result[3][3] = {};void* mappedData = nullptr;outputBuffer->Map(0, nullptr, &mappedData);memcpy(result, mappedData, sizeof(result));outputBuffer->Unmap(0, nullptr);// 输出结果for (int i = 0; i < 3; ++i) {for (int j = 0; j < 3; ++j) {std::cout << result[i][j] << " ";}std::cout << std::endl;}// 清理资源// ...
}

Vulkan

Vulkan由Khronos Group牵头制定和管理标准，是OpenGL的继任者。它最早的技术来自于AMD。
Vulkan是一种用于编写跨平台的图形和计算程序的框架，支持使用C和C++语言编写代码，可以在多种处理器和操作系统上运行，如CPU, GPU, DSP, FPGA等。

Vulkan的1.0版本于2016年发布。

默认情况下，Vulkan使用带计算管线的glsl:

#version 450
#extension GL_ARB_separate_shader_objects : enablelayout (local_size_x = 16, local_size_y = 16, local_size_z = 1) in;layout (binding = 0) readonly buffer InputA {float dataA[];
};layout (binding = 1) readonly buffer InputB {float dataB[];
};layout (binding = 2) writeonly buffer Output {float dataC[];
};void main() {uint index = gl_GlobalInvocationID.x + gl_GlobalInvocationID.y * gl_NumWorkGroups.x * gl_WorkGroupSize.x;dataC[index] = dataA[index] + dataB[index];
}

然后，在主机程序中，完成以下步骤：

• 初始化Vulkan实例和物理/逻辑设备。
• 创建一个Vulkan计算管道，加载和编译计算着色器。
• 为输入矩阵A和B以及输出矩阵C创建Vulkan缓冲区。
• 将输入矩阵数据复制到输入缓冲区。
• 创建描述符集布局和描述符池，以描述着色器中的资源绑定。
• 创建描述符集，并将输入/输出缓冲区绑定到描述符集中。
• 创建一个Vulkan命令缓冲区，以记录计算着色器调度的命令。
• 开始记录命令缓冲区，并调用vkCmdBindPipeline和vkCmdBindDescriptorSets将计算管道和描- 述符集绑定到命令缓冲区。
• 使用vkCmdDispatch调度计算着色器执行矩阵加法。
• 结束命令缓冲区记录，将命令缓冲区提交到Vulkan队列。
• 等待队列执行完成，并将输出缓冲区的数据复制回主机内存。
• 清理Vulkan资源。

具体代码就不详细列出了。
大致的代码结构为：

// Vulkan实例、设备、命令池、队列
VkInstance instance;
VkDevice device;
VkCommandPool commandPool;
VkQueue queue;// 矩阵维度
const int width = 4;// 顶点缓冲区对象
VkBuffer vertexBuffer;
VkDeviceMemory vertexBufferMemory;// 结果缓冲区对象
VkBuffer resultBuffer;
VkDeviceMemory resultBufferMemory;// 着色器模块和管线
VkShaderModule shaderModule;
VkPipeline pipeline;// 创建顶点缓冲区
// 向缓冲区填充矩阵A和B
// ...// 创建结果缓冲区
// 向缓冲区映射内存 
void* resultData;
vkMapMemory(device, resultBufferMemory, 0, sizeof(int) * 4 * 4, 0, &resultData);// 创建着色器模块(矩阵加法着色器)  
const char* shaderCode = "上面的glsl"; 
shaderModule = createShaderModule(shaderCode);// 创建图形管线
// ...// 记录命令
VkCommandBuffer commandBuffer; 
VkCommandBufferAllocateInfo commandBufferAllocateInfo = ...;
vkAllocateCommandBuffers(commandPool, &commandBufferAllocateInfo, &commandBuffer);// 开始记录命令
vkBeginCommandBuffer(commandBuffer, &beginInfo);// 绑定顶点缓冲区和结果缓冲区
vkCmdBindVertexBuffers(commandBuffer, 0, 1, &vertexBuffer, &offset);
vkCmdBindBuffer(commandBuffer, 1, 0, resultBuffer, &offset);// 绘制
vkCmdDraw(commandBuffer, 4, 1, 0, 0); // 结束记录命令  
vkEndCommandBuffer(commandBuffer);// 提交命令并执行
VkSubmitInfo submitInfo = ...;
vkQueueSubmit(queue, 1, &submitInfo, VK_NULL_HANDLE);
vkQueueWaitIdle(queue); // 读取结果矩阵
for (int i = 0; i < width; i++) {for (int j = 0; j < width; j++) {int result = ((int*)resultData)[i * width + j];printf("%d ", result);}printf("\n");
}// 释放Vulkan资源
...

WebGPU

WebGPU是刚刚要被Chrome浏览器支持的用于前端的GPU技术。
WebGPU是一种用于编写跨平台的图形和计算程序的框架，支持使用JavaScript和WebAssembly语言编写代码，可以在多种浏览器和操作系统上运行，如Chrome, Firefox, Safari等。WebGPU是由W3C的GPU for the Web工作组制定和管理标准，是WebGL的继任者。
前面我们看到，源于NVidia技术的CUDA，源于Apple技术的OpenCL，源于微软技术的DirectX，还有源于AMD技术的Vulkan在桌面和服务端百花争艳。在移动端自然也是少不了龙争虎斗。

第一个提出WebGPU想法的是苹果，2016年2月，苹果公司提出了一个名为Web Metal的提案，旨在将Metal API的概念移植到Web平台上。
2017年2月，微软公司提出了一个名为Web D3D的提案，旨在将Direct3D 12 API的概念移植到Web平台上。
2017年8月，Mozilla公司提出了一个名为Obsidian的提案，旨在创建一个基于Vulkan API的抽象层。

几家争执不下，谷歌公司提出了一个名为NXT的提案，旨在创建一个基于Vulkan, Metal和Direct3D 12 API的抽象层。
2018年4月，W3C工作组决定将NXT作为规范草案的起点，并将其重命名为WebGPU。

既然是一个抽象层，着色器语言不管使用SPIR-V，Vulkan的GLSL，DirectX的HLSL或者苹果的Metal Shading Language就都不合适了。
于是2019年，WebGPU社区组提出了一个新的着色器语言的提案，名为WebGPU Shading Language (WGSL)，旨在创建一个基于SPIR-V的文本格式，以提供一种安全、可移植、易于使用和易于实现的着色器语言。

下面的代码展示下流程，这个时刻还有浏览器正式支持。等子弹飞一会儿浏览器正式上线了之后，我们在后面会专门讲。

看下图：WebGPU的规范还没release呢。WGSL的规范也同样没有最后release。

js
// 获取WebGPU adapter和设备 
const adapter = await navigator.gpu.requestAdapter();
const device = await adapter.requestDevice();// 矩阵维度
const width = 4;// 创建缓冲区 - 用作顶点缓冲区和结果缓冲区
const vertexBuffer = device.createBuffer({size: width * width * 4 * Int32Array.BYTES_PER_ELEMENT, usage: GPUBufferUsage.VERTEX | GPUBufferUsage.STORAGE 
});// 获得缓冲区映射 - 填充矩阵A和B
const vertexBufferMapping = await vertexBuffer.map();
new Int32Array(vertexBufferMapping).fill(/* A和B矩阵 */);
vertexBuffer.unmap();// 着色器代码
const shaderCode = `kernel void addMatrices(device int* a [[buffer(0)]], device int* b [[buffer(1)]], device int* c [[buffer(2)]]) {const int width = 4;int tid = threadIdx.x * 4 + threadIdx.y;if (tid < width * width) {c[tid] = a[tid] + b[tid]; }}
`;  // 创建着色器模块
const shaderModule = device.createShaderModule({ code: shaderCode 
});// 运行着色器 - 执行矩阵加法
const pipeline = device.createComputePipeline({compute: {module: shaderModule, entryPoint: "addMatrices" }
});
const passEncoder = device.createCommandEncoder();
const computePass = passEncoder.beginComputePass();   
computePass.setPipeline(pipeline);
computePass.setBuffer(0, vertexBuffer);  
computePass.setBuffer(1, vertexBuffer);
computePass.setBuffer(2, vertexBuffer);  
computePass.dispatch(1); 
computePass.endPass();
device.queue.submit([passEncoder.finish()]);// 读取结果 
const result = new Int32Array(await vertexBuffer.mapRead()
);
// 打印结果矩阵
... // 释放资源

小结

虽然还没有讲细节，但是本篇为我们打开了SIMD和GPU编程的一扇门。

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！