![Contextの作成
1 #!/usr/bin/env python
2 # -*- coding: utf-8 -*-
3
create_some_context() 4
5
import pyopencl as cl
import numpy
実行時にデバイスと 6
7 # Contextの作成
プラットフォームを 8 ctx = cl.create_some_context()
9
選択 10 # CommandQueueの作成
11 queue = cl.CommandQueue(ctx)
[onoue@localhost test]$ python sample.py
Choose device(s):
[0] <pyopencl.Device 'Tesla C2050' on 'NVIDIA CUDA' at 0xfd4000>
[1] <pyopencl.Device 'GeForce GT 240' on 'NVIDIA CUDA' at 0xc85df0>
Choice, comma-separated [0]:0](https://image.slidesharecdn.com/gpgpu201205python-120526014831-phpapp01/85/PyOpenCL-GPGPU-22-320.jpg)
![Programの作成
13 # Programの作成
カーネル関数は 14 prg = cl.Program(ctx, """//CL//
15 __kernel void sum(
OpenCL C言語で実装 16 __global const float *a,
17 __global const float *b,
18 __global float *c
Pythonソース内に 19
20
)
{
21 int gid = get_global_id(0);
カーネル関数を 22 c[gid] = a[gid] + b[gid];
23 }
文字列で埋め込む 24 """).build()](https://image.slidesharecdn.com/gpgpu201205python-120526014831-phpapp01/85/PyOpenCL-GPGPU-23-320.jpg)
![カスタムリダクション
チューニングされたカーネルを必要な部分
の実装のみで利用可能
9 sum_square_expr = '+'.join('x{0}[i] * x{0}[i]'.format(i) for i in range(n))
10 arguments = ', '.join('__global float* x{0}'.format(i) for i in range(n))
11 kernel = ReductionKernel(
12 context,
13 numpy.int32,
14 neutral='0',
15 reduce_expr='a + b',
16 map_expr='({0} <= 1.f) ? 1 : 0'.format(sum_square_expr),
17 arguments=arguments)](https://image.slidesharecdn.com/gpgpu201205python-120526014831-phpapp01/85/PyOpenCL-GPGPU-31-320.jpg)
![参考資料
CUDA プログラミング入門（白山工業 森野編）
http://www.youtube.com/user/NVIDIAJapan
はじめてのCUDAプログラミング
ー脅威の開発環境[GPU+CUDA]を使いこなす！
http://www.amazon.co.jp/dp/4777514773
PyCUDAの紹介 - PythonとAWSですぐ始めるGPUコンピューティング
http://www.slideshare.net/likr/pycuda](https://image.slidesharecdn.com/gpgpu201205python-120526014831-phpapp01/85/PyOpenCL-GPGPU-39-320.jpg)
PyOpenCLによるGPGPU入門
- 2. お前、誰よ 尾上 洋介（@_likr） 関西大学大学院 総合情報学研究科 M2 ナップザック問題とかやってる PythonとかOCamlも好き
- 4. GPGPUとは GPGPU : General Purpose Computing on GPU GPUによる汎目的計算 2003年頃から利用が開始 スパコンなどでも利用 今後モバイルにも普及が進む（？）
- 6. OpenCLとは ヘテロジニアス並列環境のためのフレームワーク マルチコアCPU、GPU、DSP、FPGA Host Device CPU Processor Bus Memory Memory
- 7. Why OpenCL ? 各社のGPUが対応 NVIDIA、AMD、Intel (Ivy Bridge) 非プラットフォーム依存（建前上は） ピュアなC/C++
- 9. Agenda 1. 概要 2. GPGPUの基礎 3. PyOpenCLによるGPGPU入門 4. PyOpenCLのArray 5. PythonによるOpenCLアプリケーション開発
- 10. GPGPUの基礎
- 11. ヘテロジニアス環境 異なる種類のプロセッサを組み合わせた ハイブリッドシステム 独立したメモリ領域 Host GPU CPU SM PCIe Memory Memory
- 12. GPUのアーキテクチャ Streaming Multiprocessor(SM) GPU GPUの処理実行単位 SM Streaming Processor(SP) Shared Memory CUDAコア SP Registers GPU全体のリソースと Global Memory SM毎のリソース NVIDIA GPUの構成(簡易)
- 13. GPUのメモリ階層 SP毎 SM毎 全体 高速 Register Shared Memory Constant Memory 低速 Local Memory Global Memory
- 14. ワークグループとワークアイテム ワークアイテムが処理の 最小単位（≒スレッド） ワークグループは ワークアイテムの集まり ワークグループごとに SMで処理される ワークアイテム、 ワークグループは OpenCL Specification 1.1より 3次元のIDを持つ
- 15. 高速なGPU処理のために データ並列 スレッド間の同期を減 らす メモリ転送を減らす 条件分岐を減らす グローバルメモリアク セスを減らす … アクセスが高速なメモ リを使う 処理特性の理解が重要
- 18. プラットフォームとデバイス 各社から提供される NVIDIA OpenCL OpenCLプラットフォームは GPU 1 1台のマシンに同居可能 GPU 2 各プラットフォームには 1個以上のデバイス Intel OpenCL 実行時にプラットフォームと CPU デバイスを選択 GPU
- 19. インストール 1. OpenCL環境のインストール NVIDIA、AMD、Intel、Apple… 2. 依存ライブラリのインストール $ easy_install numpy $ easy_install mako 3. PyOpenCLのインストール $ easy_install pyopencl
- 20. OpenCLプログラムの登場人物 Context Context CommandQueue Host デバイスの制御 Command Queue Buffer GPU上のメモリ GPU Kernel GPUで実行されるプログラム Program Buffer Program Kernelの集まり Kernel
- 21. 基本手順 1. Context、CommandQueue、 Programの作成 Host GPU 2. GPUのメモリ確保 CPU SM 3. GPUへのデータ転送 PCIe Memory Memory 4. GPUでの計算 5. GPUからのデータ転送
- 22. Contextの作成 1 #!/usr/bin/env python 2 # -*- coding: utf-8 -*- 3 create_some_context() 4 5 import pyopencl as cl import numpy 実行時にデバイスと 6 7 # Contextの作成 プラットフォームを 8 ctx = cl.create_some_context() 9 選択 10 # CommandQueueの作成 11 queue = cl.CommandQueue(ctx) [onoue@localhost test]$ python sample.py Choose device(s): [0] <pyopencl.Device 'Tesla C2050' on 'NVIDIA CUDA' at 0xfd4000> [1] <pyopencl.Device 'GeForce GT 240' on 'NVIDIA CUDA' at 0xc85df0> Choice, comma-separated [0]:0
- 23. Programの作成 13 # Programの作成 カーネル関数は 14 prg = cl.Program(ctx, """//CL// 15 __kernel void sum( OpenCL C言語で実装 16 __global const float *a, 17 __global const float *b, 18 __global float *c Pythonソース内に 19 20 ) { 21 int gid = get_global_id(0); カーネル関数を 22 c[gid] = a[gid] + b[gid]; 23 } 文字列で埋め込む 24 """).build()
- 24. デバイス側メモリの確保 ホストとデバイス 26 # ホスト側メモリ確保 それぞれでメモリ 27 a = numpy.random.rand(50000).astype(numpy.float32) 28 b = numpy.random.rand(50000).astype(numpy.float32) 29 a_plus_b = numpy.empty_like(a) 30 領域を確保 31 # デバイス側メモリ確保 32 mf = cl.mem_flags 33 size = a.nbytes 34 a_buf = cl.Buffer(ctx, mf.READ_ONLY, size) ホスト側には 35 36 b_buf = cl.Buffer(ctx, mf.READ_ONLY, size) dest_buf = cl.Buffer(ctx, mf.WRITE_ONLY, size) numpy.ndarrayを使用
- 25. メモリ転送とカーネル呼び出し ホストのメモリはデバイスから直接操作不可 デバイスのメモリはホストから直接操作不可 カーネル関数呼び出し時に ワークアイテム、ワークグループのサイズを指定 38 # デバイスへのメモリ転送 39 cl.enqueue_copy(queue, a_buf, a) 40 cl.enqueue_copy(queue, b_buf, b) 41 42 # カーネル呼び出し 43 prg.sum(queue, a.shape, None, a_buf, b_buf, dest_buf) 44 45 # デバイスからのメモリ転送 46 cl.enqueue_copy(queue, a_plus_b, dest_buf)
- 26. PyOpenCLのArray
- 28. サンプルコード 11 # numpyのarrayをpyopenclのarrayに変換 12 a_host = numpy.random.rand(5000).astype(numpy.float32) 13 a = pyopencl.array.to_device(queue, a_host) 14 15 # ゼロクリアされたarrayの生成 16 b = pyopencl.array.zeros(queue, (5000,), numpy.float32) 17 18 # 値がランダムなarrayの生成 19 c = clrandom.rand(queue, (5000,), numpy.float32) 20 21 # 演算 22 a += 2 23 a /= 3 24 a += c 25 print a.get() 26 27 # 数学関数 28 print clmath.sin(c).get() 29 30 # リダクション 31 print pyopencl.array.sum(b)
- 29. リダクション 10 1 8 -1 0 -2 3 5 総和 10 -1 11 4 最小値 最大値 21 3 … 24
- 31. カスタムリダクション チューニングされたカーネルを必要な部分 の実装のみで利用可能 9 sum_square_expr = '+'.join('x{0}[i] * x{0}[i]'.format(i) for i in range(n)) 10 arguments = ', '.join('__global float* x{0}'.format(i) for i in range(n)) 11 kernel = ReductionKernel( 12 context, 13 numpy.int32, 14 neutral='0', 15 reduce_expr='a + b', 16 map_expr='({0} <= 1.f) ? 1 : 0'.format(sum_square_expr), 17 arguments=arguments)
- 34. デモ1 OpenGL連携 PyOpenGL / PyOpenCL による流体シミュレーション
- 37. 最後に
- 39. 参考資料 CUDA プログラミング入門（白山工業 森野編） http://www.youtube.com/user/NVIDIAJapan はじめてのCUDAプログラミング ー脅威の開発環境[GPU+CUDA]を使いこなす！ http://www.amazon.co.jp/dp/4777514773 PyCUDAの紹介 - PythonとAWSですぐ始めるGPUコンピューティング http://www.slideshare.net/likr/pycuda
- 40. 参考資料 改訂新版 OpenCL入門 1.2対応 マルチコアCPU・GPUのための並列プログラミング http://www.amazon.co.jp/dp/4844331728 The OpenCL Specification Version 1.2 http://www.khronos.org/registry/cl/specs/opencl-1.2.pdf PyOpenCL http://mathema.tician.de/software/pyopencl PyOpenCLハンズオン in kyoto.py 資料 http://pykyoto201109-pyopencl.s3-website-ap-northeast-1.amazonaws.com/pyopencl.html
- 41. ご清聴ありがとうございました