主页 / 问题

问题[cuda]

Martin Hope
Володимир Дідик
Asked: 2024-11-05 03:51:47 +0000 UTC
  • 7

在 CUDA 环境中进行编程。 （6 场讲座） https://www.youtube.com/watch?v=Oqebkc0NO_8

我把6个讲座都看完了，但还是没有弄清楚GPU核的程序存放在GPU内存的什么地方，以及它的大小有什么限制。我们到处都只谈论数据存储器。数据被发送到那里，数据被发送到船舶。 adra程序本身不发送到GPU吗？有 0 条与此相关的信息。

请有人分享您的知识。

cuda
Martin Hope
alvahtin
Asked: 2024-03-07 03:18:14 +0000 UTC
  • 6

我正在尝试使用适用于 Linux 的 CUDA 代码创建一个动态库。我正在尝试编译：

nvcc CudaLib.cu -shared -o CudaLib.so -arch=native

我收到错误：

创建共享对象时不能使用 move R_X86_64_32S for ".rodata"；使用 -fPIC 选项重新编译

显然编译时需要-fPIC参数，但nvcc中不支持该参数。如果你写

nvcc CudaLib.cu -shared -fPIC -o CudaLib.so -arch=native

那么就会出现错误：

未知选项“-fPIC”

cuda
Martin Hope
Alexander Pozharskii
Asked: 2020-01-14 04:27:05 +0000 UTC
  • 1

实际上，任务是尽可能准确地复制theano 上 SpatialMaxPooling 和 SpatialMaxUnpooling 层的行为。

在这种情况下，SpatialMaxUnpooling 只填充对应于相应 SpatialMaxPooling 中最大值索引的那些“单元格”。

例如 - 这是输入图像

池化前的图片

SpatialMaxPooling 将存储每个 2x2 区域中具有最大值的像素及其索引。

而 SpatialMaxUnpooling - 只会将值设置为与索引对应的那些像素。也就是说，输出将是

去池化后的图像

我发布了以下实现：

def pooling2d_2x2(self, x):
    reshaped = x.reshape([
        x.shape[0], x.shape[1], x.shape[2] // 2, 2, x.shape[3] // 2, 2
    ])
    max_values, max_indices = T.max_and_argmax(reshaped, (3,5,))
    return max_values, max_indices

def unpooling2d_2x2(self, pooled, indices):
    tmp_shape = [pooled.shape[0], pooled.shape[1], pooled.shape[2], 2, pooled.shape[3], 2]
    # Resize image
    resized = pooled.repeat(2, 2).repeat(2, 3)
    pooled_reshaped = resized.reshape(tmp_shape)
    # Resize indices
    indices_repeaten = indices.repeat(2, 2).repeat(2, 3).reshape(tmp_shape)
    # Calculate output
    result = pooled_reshaped * 0.0
    result = T.set_subtensor(result[:, :, :, 0, :, 0],
                             pooled_reshaped[:, :, :, 0, :, 0] * T.eq(indices_repeaten[:, :, :, 0, :, 0], 0))
    result = T.set_subtensor(result[:, :, :, 0, :, 1],
                             pooled_reshaped[:, :, :, 0, :, 1] * T.eq(indices_repeaten[:, :, :, 0, :, 1], 1))
    result = T.set_subtensor(result[:, :, :, 1, :, 0],
                             pooled_reshaped[:, :, :, 1, :, 0] * T.eq(indices_repeaten[:, :, :, 1, :, 0], 2))
    result = T.set_subtensor(result[:, :, :, 1, :, 1],
                             pooled_reshaped[:, :, :, 1, :, 1] * T.eq(indices_repeaten[:, :, :, 1, :, 1], 3))
    result_shape = [pooled.shape[0], pooled.shape[1], pooled.shape[2] * 2, pooled.shape[3] * 2]
    return result.reshape(result_shape)

但她在速度上并不出色（顺便说一句，我不会拒绝建议 - 如何配置文件）。因此问题 - 这里可以改进什么？

cuda