C++如何使用cuBLAS加速矩阵乘法运算

这篇文章主要讲解了"C++如何使用cuBLAS加速矩阵乘法运算"，文中的讲解内容简单清晰，易于学习与理解，下面请大家跟着小编的思路慢慢深入，一起来研究和学习"C++如何使用cuBLAS加速矩阵乘法运算"吧！

test.cpp

#include "cuda_runtime.h"#include "cublas_v2.h"#include #include using namespace std;// cuBLAS实现矩阵乘法int **matMult_cuBLAS(int **A, int **B, int rowSizeA, int colSizeA, int colSizeB, cublasHandle_t cuHandle){    // 结果矩阵    int** C = new int*[rowSizeA];    for(int i = 0; i < rowSizeA; i++){        C[i] = new int[colSizeB];    }    for (int i = 0; i < rowSizeA; i++){        for (int j = 0; j < colSizeB; j++){            C[i][j] = 0;        }    }    // 在内存中为将要计算的矩阵开辟空间    float *h_A = (float*)malloc (rowSizeA * colSizeA * sizeof(float));    float *h_B = (float*)malloc (colSizeA * colSizeB * sizeof(float));    float *h_C = (float*)malloc (rowSizeA * colSizeB * sizeof(float));    // 初始化计算矩阵h_A和h_B    for (int i = 0; i < rowSizeA; i++) {        for (int j = 0; j < colSizeA; j++) {            h_A[i * colSizeA + j] = (float)A[i][j];        }    }    for (int i = 0; i < colSizeA; i++) {        for (int j = 0; j < colSizeB; j++) {            h_B[i * colSizeB + j] = (float)B[i][j];        }    }    // 在显存中为将要计算矩阵与结果矩阵开辟空间    float *d_A, *d_B, *d_C;    cudaMalloc (        (void**)&d_A,    // 指向开辟的空间的指针        rowSizeA * colSizeA * sizeof(float)    //　需要开辟空间的字节数    );    cudaMalloc (        (void**)&d_B,            colSizeA * colSizeB * sizeof(float)        );    cudaMalloc (        (void**)&d_C,        rowSizeA * colSizeB * sizeof(float)        );    // 将矩阵数据传递进显存中已经开辟好了的空间    cublasSetVector (        rowSizeA * colSizeA,    // 要存入显存的元素个数        sizeof(float),    // 每个元素大小        h_A,    // 主机端起始地址        1,    // 连续元素之间的存储间隔        d_A,    // GPU 端起始地址        1    // 连续元素之间的存储间隔    );    cublasSetVector (colSizeA * colSizeB, sizeof(float), h_B, 1, d_B, 1);    // 传递进矩阵相乘函数中的参数，具体含义请参考函数手册．    float a=1; float b=0;    // 矩阵相乘．该函数必然将数组解析成列优先数组    cublasSgemm (        cuHandle,    // blas 库对象         CUBLAS_OP_T,    // 矩阵 A 属性参数        CUBLAS_OP_T,    // 矩阵 B 属性参数        rowSizeA,    // A, C 的行数         colSizeB,    // B, C 的列数        colSizeA,    // A 的列数和 B 的行数        &a,    // 运算式的 \alpha 值        d_A,    // A 在显存中的地址        colSizeA,    // lda        d_B,    // B 在显存中的地址        colSizeB,    // ldb        &b,    // 运算式的 \beta 值        d_C,    // C 在显存中的地址(结果矩阵)        rowSizeA    // ldc    );        // 从 显存 中取出运算结果至 内存中去    cublasGetVector (        rowSizeA * colSizeB,    //  要取出元素的个数        sizeof(float),    // 每个元素大小        d_C,    // GPU 端起始地址        1,    // 连续元素之间的存储间隔        h_C,    // 主机端起始地址        1    // 连续元素之间的存储间隔    );    for (int i = 0; i < rowSizeA; i++) {        for (int j = 0; j < colSizeB; j++) {            C[i][j] = (int)h_C[j * rowSizeA + i];        }    }        // 清理掉使用过的内存    free (h_A); free (h_B); free (h_C); cudaFree (d_A);    cudaFree (d_B); cudaFree (d_C);    return C;}// 构造一个随机二维数组（矩阵）int** uniformMat(int rowSize, int colSize, int minValue, int maxValue) {    int** mat = new int* [rowSize];    for (int i = 0; i < rowSize; i++)        mat[i] = new int[colSize];    // srand(1024);    srand((unsigned)time(NULL));  //随机数种子采用系统时钟    for (int i = 0; i < rowSize; i++) {        for (int j = 0; j < colSize; j++) {            mat[i][j] = (int)(rand() % (maxValue - minValue + 1)) + minValue;        }    }    return mat;}int main(void) {       // 创建并初始化 CUBLAS 库对象    // 若是CUBLAS对象在主函数中初始化，cuBLAS方法在其他函数中调用，需要将cuHandle传入该函数，并在该函数内创建status对象    cublasHandle_t cuHandle;    cublasStatus_t status = cublasCreate(&cuHandle);    if (status != CUBLAS_STATUS_SUCCESS)    {        if (status == CUBLAS_STATUS_NOT_INITIALIZED) {            cout << "CUBLAS 对象实例化出错" << endl;        }        getchar ();        return EXIT_FAILURE;    }    // 矩阵大小定义    int rowSizeA = 3; // 矩阵A的行数    int colSizeA = 4; // 矩阵A的列数和矩阵B的行数    int colSizeB = 2; // 矩阵B的列数    // 构造一个3行4列的矩阵A，矩阵元素在(0,4)内随机选取    int **A = uniformMat(rowSizeA, colSizeA, 0, 4);    // 构造一个4行2列的矩阵B，矩阵元素在(5,9)内随机选取    int **B = uniformMat(colSizeA, colSizeB, 5, 9);    // 输出矩阵A和B    cout << "矩阵 A :" << endl;    for (int i = 0; i < rowSizeA; i++) {        for (int j = 0; j < colSizeA; j++) {            cout << A[i][j] << " ";        }        cout << endl;    }    cout << endl;    cout << "矩阵 B :" << endl;    for (int i = 0; i < colSizeA; i++) {        for (int j = 0; j < colSizeB; j++) {            cout << B[i][j] << " ";        }        cout << endl;    }    cout << endl;    // 使用cuBLAS进行矩阵乘法运算：C = A * B    int **C = matMult_cuBLAS(A, B, rowSizeA, colSizeA, colSizeB, cuHandle);    // 输出矩阵C，即运算结果    cout << "矩阵 C :" << endl;    for (int i = 0; i < rowSizeA; i++) {        for (int j = 0; j < colSizeB; j++) {            cout << C[i][j] << " ";        }        cout << endl;    }    cout << endl;    // 释放 CUBLAS 库对象    cublasDestroy (cuHandle);    return 0;}

在终端输入：

nvcc -lcublas test.cpp -o t
./t

运算结果：

矩阵 A :
1 3 2 0
2 1 2 1
4 3 2 4

矩阵 B :
6 8
7 5
7 6
7 6

矩阵 C :
41 35
40 39
87 83

感谢各位的阅读，以上就是"C++如何使用cuBLAS加速矩阵乘法运算"的内容了，经过本文的学习后，相信大家对C++如何使用cuBLAS加速矩阵乘法运算这一问题有了更深刻的体会，具体使用情况还需要大家实践验证。这里是，小编将为大家推送更多相关知识点的文章，欢迎关注！