CUDA Samples: image normalize(mean/standard deviation)

以下CUDA sample是分别用C++和CUDA实现的通过均值和标准差对图像进行类似归一化的操作，并对其中使用到的CUDA函数进行了解说，各个文件内容如下：

关于均值和标准差的计算公式可参考： http://blog.csdn.net/fengbingchun/article/details/73323475

funset.cpp:

#include "funset.hpp"
#include <random>
#include <iostream>
#include <vector>
#include <memory>
#include <string>
#include <algorithm>
#include "common.hpp"
#include <opencv2/opencv.hpp>int test_image_normalize()
{std::string image_name{ "E:/GitCode/CUDA_Test/test_images/lena.png" };cv::Mat matSrc = cv::imread(image_name);if (!matSrc.data) {fprintf(stderr, "read image fail: %s\n", image_name.c_str());return -1;}const int width{ 511 }, height{ 473 }, channels{ 3 };cv::resize(matSrc, matSrc, cv::Size(width, height));matSrc.convertTo(matSrc, CV_32FC3);std::vector<cv::Mat> matSplit;cv::split(matSrc, matSplit);CHECK(matSplit.size() == channels);std::unique_ptr<float[]> data(new float[matSplit[0].cols * matSplit[0].rows * channels]);size_t length{ matSplit[0].cols * matSplit[0].rows * sizeof(float) };for (int i = 0; i < channels; ++i) {memcpy(data.get() + matSplit[0].cols * matSplit[0].rows * i, matSplit[i].data, length);}float elapsed_time1{ 0.f }, elapsed_time2{ 0.f }; // millisecondsstd::unique_ptr<float[]> dst1(new float[matSplit[0].cols * matSplit[0].rows * channels]);std::unique_ptr<float[]> dst2(new float[matSplit[0].cols * matSplit[0].rows * channels]);int ret = image_normalize_cpu(data.get(), dst1.get(), width, height, channels, &elapsed_time1);if (ret != 0) PRINT_ERROR_INFO(image_normalize_cpu);ret = image_normalize_gpu(data.get(), dst2.get(), width, height, channels, &elapsed_time2);if (ret != 0) PRINT_ERROR_INFO(image_normalize_gpu);int count{ 0 }, num{ width * height * channels };for (int i = 0; i < num; ++i) {if (fabs(dst1[i] - dst2[i]) > 0.01/*EPS_*/) {fprintf(stderr, "index: %d, val1: %f, val2: %f\n", i, dst1[i], dst2[i]);++count;}if (count > 100) return -1;}std::vector<cv::Mat> merge(channels);for (int i = 0; i < channels; ++i) {merge[i] = cv::Mat(height, width, CV_32FC1, dst2.get() + i * width * height);}cv::Mat dst3;cv::merge(merge, dst3);dst3.convertTo(dst3, CV_8UC3, 255.f);cv::imwrite("E:/GitCode/CUDA_Test/test_images/image_normalize.png", dst3);//cv::resize(matSrc, matSrc, cv::Size(width, height));//cv::imwrite("E:/GitCode/CUDA_Test/test_images/image_src.png", matSrc);fprintf(stderr, "test image normalize: cpu run time: %f ms, gpu run time: %f ms\n", elapsed_time1, elapsed_time2);return 0;
}

image_normalize.cpp:

#include "funset.hpp"
#include <vector>
#include <chrono>
#include "common.hpp"int image_normalize_cpu(const float* src, float* dst, int width, int height, int channels, float* elapsed_time)
{auto start = std::chrono::steady_clock::now();const int offset{ width * height };for (int i = 0; i < channels; ++i) {const float* p1 = src + offset * i;float* p2 = dst + offset * i;float mean{ 0.f }, sd{ 0.f };for (int t = 0; t < offset; ++t) {mean += p1[t];sd += pow(p1[t], 2.f);p2[t] = p1[t];}mean /= offset;sd /= offset;sd -= pow(mean, 2.f);sd = sqrt(sd);if (sd < EPS_) sd = 1.f;for (int t = 0; t < offset; ++t) {p2[t] = (p1[t] - mean) / sd;}}auto end = std::chrono::steady_clock::now();auto duration = std::chrono::duration_cast<std::chrono::nanoseconds>(end - start);*elapsed_time = duration.count() * 1.0e-6;return 0;
}

image_normalize.cu:

#include "funset.hpp"
#include <iostream>
#include <memory>
#include <algorithm>
#include <cmath>
#include <cuda_runtime.h> // For the CUDA runtime routines (prefixed with "cuda_")
#include <device_launch_parameters.h>
#include "common.hpp"/* __global__: 函数类型限定符;在设备上运行;在主机端调用,计算能力3.2及以上可以在
设备端调用;声明的函数的返回值必须是void类型;对此类型函数的调用是异步的,即在
设备完全完成它的运行之前就返回了;对此类型函数的调用必须指定执行配置,即用于在
设备上执行函数时的grid和block的维度,以及相关的流(即插入<<<   >>>运算符);
a kernel,表示此函数为内核函数(运行在GPU上的CUDA并行计算函数称为kernel(内核函
数),内核函数必须通过__global__函数类型限定符定义);*/
__global__ static void image_normalize(const float* src, float* dst, int count, int offset)
{/* gridDim: 内置变量,用于描述线程网格的维度,对于所有线程块来说,这个变量是一个常数,用来保存线程格每一维的大小,即每个线程格中线程块的数量.一个grid最多只有二维,为dim3类型；blockDim: 内置变量,用于说明每个block的维度与尺寸.为dim3类型,包含了block在三个维度上的尺寸信息;对于所有线程块来说,这个变量是一个常数,保存的是线程块中每一维的线程数量;blockIdx: 内置变量,变量中包含的值就是当前执行设备代码的线程块的索引;用于说明当前thread所在的block在整个grid中的位置,blockIdx.x取值范围是[0,gridDim.x-1],blockIdx.y取值范围是[0, gridDim.y-1].为uint3类型,包含了一个block在grid中各个维度上的索引信息;threadIdx: 内置变量,变量中包含的值就是当前执行设备代码的线程索引;用于说明当前thread在block中的位置;如果线程是一维的可获取threadIdx.x,如果是二维的还可获取threadIdx.y,如果是三维的还可获取threadIdx.z;为uint3类型,包含了一个thread在block中各个维度的索引信息 */int index = threadIdx.x + blockIdx.x * blockDim.x;if (index > count - 1) return;const float* input = src + index * offset;float* output = dst + index * offset;float mean{ 0.f }, sd{ 0.f };for (size_t i = 0; i < offset; ++i) {mean += input[i];sd += pow(input[i], 2.f);output[i] = input[i];}mean /= offset;sd /= offset;sd -= pow(mean, 2.f);sd = sqrt(sd);if (sd < EPS_) sd = 1.f;for (size_t i = 0; i < offset; ++i) {output[i] = (input[i] - mean) / sd;}
}int image_normalize_gpu(const float* src, float* dst, int width, int height, int channels, float* elapsed_time)
{/* cudaEvent_t: CUDA event types,结构体类型, CUDA事件,用于测量GPU在某个任务上花费的时间,CUDA中的事件本质上是一个GPU时间戳,由于CUDA事件是在GPU上实现的,因此它们不适于对同时包含设备代码和主机代码的混合代码计时 */cudaEvent_t start, stop;// cudaEventCreate: 创建一个事件对象,异步启动cudaEventCreate(&start);cudaEventCreate(&stop);// cudaEventRecord: 记录一个事件,异步启动,start记录起始时间cudaEventRecord(start, 0);float *dev_src{ nullptr }, *dev_dst{ nullptr };size_t length{ width * height * channels * sizeof(float) };// cudaMalloc: 在设备端分配内存cudaMalloc(&dev_src, length);cudaMalloc(&dev_dst, length);/* cudaMemcpy: 在主机端和设备端拷贝数据,此函数第四个参数仅能是下面之一:(1). cudaMemcpyHostToHost: 拷贝数据从主机端到主机端(2). cudaMemcpyHostToDevice: 拷贝数据从主机端到设备端(3). cudaMemcpyDeviceToHost: 拷贝数据从设备端到主机端(4). cudaMemcpyDeviceToDevice: 拷贝数据从设备端到设备端(5). cudaMemcpyDefault: 从指针值自动推断拷贝数据方向,需要支持统一虚拟寻址(CUDA6.0及以上版本)cudaMemcpy函数对于主机是同步的 */cudaMemcpy(dev_src, src, length, cudaMemcpyHostToDevice);/* <<< >>>: 为CUDA引入的运算符,指定线程网格和线程块维度等,传递执行参数给CUDA编译器和运行时系统,用于说明内核函数中的线程数量,以及线程是如何组织的;尖括号中这些参数并不是传递给设备代码的参数,而是告诉运行时如何启动设备代码,传递给设备代码本身的参数是放在圆括号中传递的,就像标准的函数调用一样;不同计算能力的设备对线程的总数和组织方式有不同的约束;必须先为kernel中用到的数组或变量分配好足够的空间,再调用kernel函数,否则在GPU计算时会发生错误,例如越界等;使用运行时API时,需要在调用的内核函数名与参数列表直接以<<<Dg,Db,Ns,S>>>的形式设置执行配置,其中：Dg是一个dim3型变量,用于设置grid的维度和各个维度上的尺寸.设置好Dg后,grid中将有Dg.x*Dg.y个block,Dg.z必须为1;Db是一个dim3型变量,用于设置block的维度和各个维度上的尺寸.设置好Db后,每个block中将有Db.x*Db.y*Db.z个thread;Ns是一个size_t型变量,指定各块为此调用动态分配的共享存储器大小,这些动态分配的存储器可供声明为外部数组(extern __shared__)的其他任何变量使用;Ns是一个可选参数,默认值为0;S为cudaStream_t类型,用于设置与内核函数关联的流.S是一个可选参数,默认值0. */image_normalize << < channels, 512 >> >(dev_src, dev_dst, channels, width*height);cudaMemcpy(dst, dev_dst, length, cudaMemcpyDeviceToHost);// cudaFree: 释放设备上由cudaMalloc函数分配的内存cudaFree(dev_src);cudaFree(dev_dst);// cudaEventRecord: 记录一个事件,异步启动,stop记录结束时间cudaEventRecord(stop, 0);// cudaEventSynchronize: 事件同步,等待一个事件完成,异步启动cudaEventSynchronize(stop);// cudaEventElapseTime: 计算两个事件之间经历的时间,单位为毫秒,异步启动cudaEventElapsedTime(elapsed_time, start, stop);// cudaEventDestroy: 销毁事件对象,异步启动cudaEventDestroy(start);cudaEventDestroy(stop);return 0;
}

原图如下：

结果图如下：

执行结果如下：由运行时间可知，GPU要远慢于CPU，后面再对GPU实现进行优化。还有一个问题是，在Release下，执行正常，在Debug下，GPU，在调用核函数时，会在for循环中无故退出，具体原因还未知，后面待进一步分析。

GitHub： https://github.com/fengbingchun/CUDA_Test