关于 cuda：Python Multiprocessing with PyCUDA

Python Multiprocessing with PyCUDA

我遇到了一个问题，我想在多个 CUDA 设备上拆分，但我怀疑我当前的系统架构阻碍了我；

我设置的是一个 GPU 类，具有在 GPU 上执行操作的函数(奇怪)。这些操作的风格是

1 2	for iteration in range(maxval): result[iteration]=gpuinstance.gpufunction(arguments,iteration)

我原以为 N 个设备会有 N 个 gpuinstance，但我对多处理了解不够，无法看到应用此功能的最简单方法，以便异步分配每个设备，而且奇怪的是我的示例很少偶遇具体演示了处理后的整理结果。

谁能给我这方面的任何指点？

更新
感谢 Kaloyan 在多处理领域的指导；如果 CUDA 不是特别的症结所在，我会将您标记为已回答。对不起。

在使用此实现之前，gpuinstance 类使用 import pycuda.autoinit 启动了 CUDA 设备，但这似乎不起作用，只要每个(正确范围的)线程遇到 cuda 命令，就会抛出 invalid context 错误。然后我尝试在类的 __init__ 构造函数中手动初始化...

1
2
3
4

pycuda.driver.init()
self.mydev=pycuda.driver.Device(devid) #this is passed at instantiation of class
self.ctx=self.mydev.make_context()
self.ctx.push()

我的假设是在创建 gpuinstances 列表和线程使用它们之间保留上下文，因此每个设备都处于自己的上下文中。

(我还实现了一个析构函数来处理 pop/detach 清理)

问题是，只要线程尝试接触 CUDA，仍然会出现 invalid context 异常。

各位有什么想法吗？感谢能走到这一步。自动为"香蕉"工作的人投票！ :P

相关讨论

你需要先把你所有的香蕉都放在 CUDA 方面，然后考虑用 Python 完成这项工作的最佳方法[我知道无耻的代表嫖娼]。

CUDA 多 GPU 模型在 4.0 之前非常简单 - 每个 GPU 都有自己的上下文，每个上下文必须由不同的主机线程建立。所以伪代码中的想法是：

应用程序启动，进程使用 API 来确定可用 GPU 的数量(注意 Linux 中的计算模式之类的东西)

应用程序为每个 GPU 启动一个新的主机线程，传递一个 GPU id。每个线程隐式/显式调用等效的 cuCtxCreate() 传递它已分配的 GPU id

利润！

在 Python 中，这可能看起来像这样：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24

import threading
from pycuda import driver

class gpuThread(threading.Thread):
def __init__(self, gpuid):
threading.Thread.__init__(self)
self.ctx = driver.Device(gpuid).make_context()
self.device = self.ctx.get_device()

def run(self):
print"%s has device %s, api version %s" \\
% (self.getName(), self.device.name(), self.ctx.get_api_version())
# Profit!

def join(self):
self.ctx.detach()
threading.Thread.join(self)

driver.init()
ngpus = driver.Device.count()
for i in range(ngpus):
t = gpuThread(i)
t.start()
t.join()

这假设只建立一个上下文而不事先检查设备是安全的。理想情况下，您会检查计算模式以确保尝试安全，然后在设备繁忙时使用异常处理程序。但希望这能给出基本的想法。