宝塔服务器面板，一键全能部署及管理，送你10850元礼包，点我领取

前言：

因为要对一个矩阵进行优化加速，原有的openblas矩阵计算方法只是适合在做CPU端的加速，如果在线上有了GPU，这就使得使用GPU加速成为可能，并且也许会获得比较不错的性能结果。所以进行了尝试，进行矩阵的加速运算。

第一部分：

  • 相关背景和硬件信息介绍；使用的GPU为1080Ti，使用的cuda版本是8.0版本；驱动版本是384.111；相较于openblas需要自行编译，cublas 一般是在安装好cuda后就会有了；

  • 关于行优先和列优先问题，正常的c/C++都是行优先，之前用过openblas，openblas默认的是列优先，不过openblas有设置为行优先的选项。（参见原有openblas文章的第一弹和第二弹）。现在使用的cublas是列优先的，并没有行列那个优先的设置选项；

第二部分：

  • cublas计算库，包括：对矩阵自身的操作（点乘，求和，极大值和极小值等），矩阵与向量的计算,矩阵与矩阵的计算等；
C = alpha * op(A) * op(B) +beta*C

以cublas中矩阵乘法作为示例，计算方法如下：

cublasStatus_t cublasSgemm(cublasHandle_t handle,//句柄，无含义cublasOperation_t transa,//是否对A转置，即是否更换优先方式行/列cublasOperation_t transb,//是否对B转置,即是否更换优先方式行/列int m, int n, int k,const float  *alpha,const float  *A, int lda,//leading dimension of two-dimensional array used to store the matrix A.const float  *B, int ldb,//leading dimension of two-dimensional array used to store the matrix B.const float  *beta,float *C, int ldc////leading dimension of two-dimensional array used to store the matrix C.)

上面的接口参数中，比较好理解的是，m：这代表op(A)的行或是c的行；n，这个代表的是op（B）的列或是C的列，其中k，代表的是op（A）的列或是op（B）的行；其中alpha和beta如上面的公式可见，beta是修正偏差，只需要将alpha=1，beta=0，即可；比较难以理解的是lda，ldb，ldc这三个参数。参考api表示两维矩阵的leading dimension（主维度）；很奇怪为什么会需要这个选项，假设我要计算下面这样的矩阵乘法：

A=[0,1,2,3,4,5,6,7,8,9]A=[0,1,2,3,4,5,6,7,8,9], B=[0,1,2,3,4,5]B=[0,1,2,3,4,5]

A=⎡⎣⎢⎢⎢⎢⎢⎢0246813579⎤⎦⎥⎥⎥⎥⎥⎥5∗2∗[031425]2∗3(1)(1)A=[0123456789]5∗2∗[012345]2∗3

如果我们是要计算上面的结果，数据按照行排列，看起来是只需要给矩阵一个设定，告诉矩阵是5∗25∗2和2∗32∗3,就能够获得计算结果一个5∗35∗3的矩阵。

如下是代码cublas代码：

#include <stdio.h>
#include <stdlib.h>
#include <cuda_runtime.h>
#include "cublas_v2.h"
#include <iostream>
int main(void){int const m = 5;int const n = 3;int const k = 2;float *A ,*B,*C;float *d_A,*d_B,*d_C;A = (float*)malloc(sizeof(float)*m*k);  //在内存中开辟空间B = (float*)malloc(sizeof(float)*n*k);  //在内存中开辟空间C = (float*)malloc(sizeof(float)*m*n); //在内存中开辟空间for(int i = 0; i< m*k; i++){A[i] = i;std::cout <<A[i]<<"\t";}std::cout <<"\n";for(int i = 0; i< n*k; i++){B[i] = i;std::cout <<B[i]<<"\t";}std::cout <<"\n";float alpha = 1.0;float beta = 0.0;cudaMalloc((void**)&d_A,sizeof(float)*m*k);cudaMalloc((void**)&d_B,sizeof(float)*n*k);cudaMalloc((void**)&d_C,sizeof(float)*m*n);for (int i = 0; i< m*n;i++){std::cout <<C[i]<<"\t";}std::cout <<"\n";cudaMemcpy(d_A,A,sizeof(float)*m*k,cudaMemcpyHostToDevice);cudaMemcpy(d_B,B,sizeof(float)*n*k,cudaMemcpyHostToDevice);for (int i = 0; i< m*k;i++){std::cout <<A[i]<<"\t";}cublasHandle_t handle;cublasCreate(&handle);cublasSgemm(handle, CUBLAS_OP_N, CUBLAS_OP_N, m, n, k, &alpha, d_A, m, d_B, k, &beta, d_C, m);//<测试一>//cublasSgemm(handle, CUBLAS_OP_T, CUBLAS_OP_N, m, n, k, &alpha, d_A, k, d_B, k, &beta, d_C, m);//<测试二>cudaMemcpy(C,d_C,sizeof(float)*m*n,cudaMemcpyDeviceToHost);for (int i = 0; i< m*n;i++){std::cout <<C[i]<<"\t";}free(A);free(B);free(C);cudaFree(d_A);cudaFree(d_B);cudaFree(d_C);cublasDestroy(handle);
}

好了废话不多说了，直接说一下其中主维度的意思。因为cublas需要兼容Forthan等语言，使用了列优先的方式，并不像以前的openblas给出了选项，能够自行选择是行优先还是列优先。cublas默认的就是列优先，但是通过转置是能够转出行优先的效果的；

如果对A和B都选择了，不转置，那么相当于使用了默认的列排列，通过主维度lda，ldb，ldc确定了当选取了排列方式后，每列（行）排的数据。以A为例，列排列则先在每列排（lda = m = 5）个，然后同样的，B，选择列优先则先在每列排（ldb=k=2）个；

cublasSgemm(handle, CUBLAS_OP_N, CUBLAS_OP_N, m, n, k, &alpha, d_A, m, d_B, k, &beta, d_C, m);

A=⎡⎣⎢⎢⎢⎢⎢⎢0123456789⎤⎦⎥⎥⎥⎥⎥⎥5∗2∗[012345]2∗3=⎡⎣⎢⎢⎢⎢⎢⎢5678915202530352534435261⎤⎦⎥⎥⎥⎥⎥⎥5∗3(测试一)(测试一)A=[0516273849]5∗2∗[024135]2∗3=[5152562034725438305293561]5∗3

如果对A进行了转置，即相当于对A更换了行优先操作，那么相对应的lda也应该发生变化，（lda=m=5），变成（lda=k=2），如果不这样进行转换的话，那么就无法保证转换后的维度是对的。也就是如下的结果：

cublasSgemm(handle, CUBLAS_OP_T, CUBLAS_OP_N, m, n, K, &alpha, d_A, k, d_B, k, &beta, d_C, m);

A=⎡⎣⎢⎢⎢⎢⎢⎢0246813579⎤⎦⎥⎥⎥⎥⎥⎥5∗2∗[012345]2∗3=⎡⎣⎢⎢⎢⎢⎢⎢13579313233343523415977⎤⎦⎥⎥⎥⎥⎥⎥5∗3(测试二)(测试二)A=[0123456789]5∗2∗[024135]2∗3=[13531323523417335994377]5∗3

  • 至此，关于矩阵计算问题就是这样了。需要根据自己选择来决定主维度的个数即lda，ldb，ldc；

第三部分：CPU和GPU的测试结果

  • 如下是使用cublas和openblas的一些测试结果，仅供参考：
    如下是149服务器上的测试结果：其中SGEMV=Matrix*vector，SGEMM = Matrix*Matrix，time_tocom表示比对次数；
    GPU：cublas
    SGEMV = 600000x512x1, 17.067844 s time_tocom = 1000x
    SGEMV = 1000000x512x1, 20.887469 s time_tocom = 1000x
    SGEMM = 1000000x512x1, 22.155032 s time_tocom = 1000x
    SGEMM = 1000000x512x5, 56.694733 s time_tocom = 1000x
    SGEMM = 4000000x512x5, 24.452547 s time_tocom = 100x
    CPU：openblas（其中openblas_set_num_threads(16)）
    SGEMV = 600000x512x1, 69.089791 s time_tocom = 1000x
    SGEMV = 1000000x512x1, 134.489344 s time_tocom = 1000x
    SGEMM = 1000000x512x1, 220.625023 s time_tocom = 1000x
    SGEMM = 1000000x512x5, 282.610201 s time_tocom = 1000x
    SGEMM = 4000000x512x5, 100.310772 s time_tocom = 100x
    1：参考博客：说明的很好的博客，作者也做了一些有趣的测试：

https://blog.csdn.net/sinat_24143931/article/details/79487357

2： https://blog.csdn.net/u011197534/article/details/78378536