CPU和GPU的选择问题

ZzConstantly ZzConstantly 墨衍会员 · AI 创作全网分发 墨衍智能分发 通过墨衍一键同步至各平台 可同步平台 CSDN微信公众号微博知乎掘金百家号博客园抖音小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年,写一次发全网 我也要 + 加入社区
为cuda练手,写了个图片rgb转灰度的程序,大约400*400的图像,在gpu上用时1.3ms,在cpu上用时很短(clock测不出来)。想请教一下大家,这是什么原因。是不是只有在kernel运算很复杂时,gpu才能发挥作用?
代码如下,系统是ubuntu server 12.04,本机显卡为Quadro K600, cpu为8核3.70GHz的至强处理器(因为在服务器上远程调用的),谢谢指教!
#include <stdio.h>
#include <opencv2/opencv.hpp>
#include <string>
#include <iostream>
#include <opencv/cv.h>
#include <opencv/highgui.h>
#include "cuda.h"
#include <time.h>
#define DIM 16

using namespace cv;

texture<float> texR;
texture<float> texG;
texture<float> texB;
texture<float> texOut;
__global__ void kernel(float *dev_out)
{
int idx=threadIdx.x+blockIdx.x*blockDim.x;
int idy=threadIdx.y+blockIdx.y*blockDim.y;
int offset=idx+idy*blockDim.x*gridDim.x;
float dev_r,dev_g,dev_b;
dev_r=tex1Dfetch(texR,offset);
dev_g=tex1Dfetch(texG,offset);
dev_b=tex1Dfetch(texB,offset);

dev_out[offset]=dev_r*0.5+dev_g*0.5+dev_b*0.5;

}
int main()
{
//image path
char* path="//home//ubunserver//yoona.jpg";
IplImage *image=cvLoadImage(path,0);

int width=image->width;
int height=image->height;

int imagesize=width*height;

float *r,*g,*b;
float *out;
//r,g,b,out均为cuda端的数组
cudaMalloc((void**)&r,sizeof(float)*imagesize);
cudaMalloc((void**)&g,sizeof(float)*imagesize);
cudaMalloc((void**)&b,sizeof(float)*imagesize);
cudaMalloc((void**)&out,sizeof(float)*imagesize);
//texR,texG,texB均为纹理内存
cudaBindTexture(NULL,texR,r,sizeof(float)*imagesize);
cudaBindTexture(NULL,texG,g,sizeof(float)*imagesize);
cudaBindTexture(NULL,texB,b,sizeof(float)*imagesize);

//cuda端计时器
cudaEvent_t sta,sto;
cudaEventCreate(&sta);
cudaEventCreate(&sto);

//cpu端数组
float *host_r,*host_g,*host_b,*host_out;
host_r=(float*)malloc(sizeof(float)*imagesize);
host_g=(float*)malloc(sizeof(float)*imagesize);
host_b=(float*)malloc(sizeof(float)*imagesize);
host_out=(float*)malloc(sizeof(float)*imagesize);
//分别取图像rgb
for (int x=0;x<height;x++){
for (int y=0;y<width;y++){
host_b[x*width+y]=(float)((uchar*)(image->imageData+x*image->width+y))[0];
host_g[x*width+y]=(float)((uchar*)(image->imageData+x*image->width+y))[1];
host_r[x*width+y]=(float)((uchar*)(image->imageData+x*image->width+y))[2];
}
}

cudaEventRecord(sta,0);

cudaMemcpy(r,host_r,sizeof(float)*imagesize,cudaMemcpyHostToDevice);
cudaMemcpy(g,host_g,sizeof(float)*imagesize,cudaMemcpyHostToDevice);
cudaMemcpy(b,host_b,sizeof(float)*imagesize,cudaMemcpyHostToDevice);
cudaMemcpy(out,0,sizeof(float)*imagesize,cudaMemcpyHostToDevice);

dim3 blockDim(DIM,DIM);
dim3 gridDim((width+DIM-1)/DIM,(height+DIM-1)/DIM);
kernel<<<blockDim,gridDim>>>(out);
cudaMemcpy(host_out,out,sizeof(float)*imagesize,cudaMemcpyDeviceToHost);

cudaEventRecord(sto,0);
cudaEventSynchronize(sto);
float elapsedTime;
cudaEventElapsedTime(&elapsedTime,sta,sto);
printf("cuda time: %3.1f ms\n",elapsedTime);

cudaFree(r);
cudaFree(g);
cudaFree(b);
cudaFree(out);

//cpu端计时
clock_t start,stop;
start=clock();
for (int i=0;i<height;i++)
for(int j=0;j<width;j++){
host_out[i*width+j]=host_r[i*width+j]*0.5+host_g[i*width+j]*0.5+0.5*host_b[i*width+j];
}
stop=clock();
printf("time: %3.1f ms\n",double(stop-start)/CLOCKS_PER_SEC*1000);

//图片显示
IplImage *grey_image=cvCreateImage(cvSize(width,height),IPL_DEPTH_8U,1);
cvCvtColor(image, grey_image, CV_BGR2GRAY);
for (size_t i=0;i<height;i++){
uchar* ptr=(uchar*)(grey_image->imageData+i*width);
for (size_t j=0;j<width;j++){
ptr[j]=host_out[i*width+j];
}
}
/*
for (int i=0;i<width;i++){
for (int j=0;j<height;j++){
grey_image[i*width+j]=(unsigned char)(host_out[i*width+j]);
}
}
*/
cvNamedWindow("w1");
cvShowImage("w1",grey_image);
cvWaitKey(10000);
cvDestroyAllWindows();
cvReleaseImage(&grey_image);
free(host_r);
free(host_g);
free(host_b);
free(host_out);

return 0;
}
...全文

相关推荐

4、数据库系统中混合 CPU/GPU 查询计划的优化探索

本文探讨了在数据库系统中利用 GPU 强大的并行计算能力进行 CPU/GPU 混合查询处理的优化方法。重点分析了混合查询处理中的五个关键问题,并提出了一种基于自调优决策模型的调度框架,用于选择最优处理单元和算法,从而构建响应时间最小的混合查询计划。文章还介绍了从逻辑查询计划生成混合查询计划的算法,并展望了未来的研究方向。

sun99

【雷达信号处理】数字下变频(DDC)(Matlab代码实现)

内容概要:本文介绍了基于MATLAB的雷达信号处理中数字下变频(DDC)技术的实现方法,重点阐述了DDC在雷达接收机前端信号处理中的关键作用。通过将高频回波信号下变频至基带,便于后续进行数字化处理与目标信息提取。文中提供了完整的MATLAB代码实现,涵盖混频、低通滤波、抽取等核心步骤,帮助读者理解DDC的工作原理与工程实现细节。; 适合人群:具备一定信号与系统、数字信号处理基础知识,从事雷达、通信或电子工程相关领域的研究生、科研人员及工程技术人员。; 使用场景及目标:①用于教学演示,加深对数字下变频原理的理解;②作为雷达或通信系统仿真项目的基础模块;③辅助科研人员快速搭建信号处理链路,进行算法验证与性能分析。; 阅读建议:建议结合数字信号处理教材中的混频、奈奎斯特采样及多速率信号处理理论进行学习,动手运行并调试代码,尝试调整参数(如本振频率、滤波器阶数、抽取因子)以观察对输出信号的影响,从而深入掌握DDC的设计要点与实际应用。

小念念_

福建省福州新区矢量面数据-02坐标-geojson格式.json

福州新区区划面数据,geojson格式,02坐标

samLi0620

量化数据笔记第2篇:外盘期货历史高频tick数据涵盖主流交易所的活跃合约,以逐笔成交记录为主 字段通常包含品种代码、交易所、日期、精确到毫秒的时间戳、成交价格、成交量、持仓量变化,以及盘口买卖一档挂单

量化数据笔记第2篇:外盘期货历史高频tick数据涵盖主流交易所的活跃合约,以逐笔成交记录为主。字段通常包含品种代码、交易所、日期、精确到毫秒的时间戳、成交价格、成交量、持仓量变化,以及盘口买卖一档挂单价与挂单量。数据保留了原始行情序列,反映微观价格变动与流动性瞬时变化。 数据源:CMES金融数据库

cmes_love

【多机器人路径规划】基于优先级规划与Petri网融合的多机器人路径规划框架研究(Matlab代码实现)

内容概要:本文提出了一种基于优先级规划与Petri网融合的多机器人路径规划框架,旨在解决多机器人系统在共享环境中进行路径规划时可能出现的冲突与死锁问题。该方法结合了优先级规划的高效性与Petri网在建模并发与冲突方面的优势,通过建立形式化的Petri网模型对机器人运动状态进行精确描述,并引入优先级机制动态调整路径执行顺序,从而实现无冲突、无死锁的安全路径规划。研究通过Matlab代码实现了算法仿真,验证了该框架在复杂网格环境下的可行性与有效性,能够有效提升多机器人系统的运行效率与安全性。 适合人群:具备一定自动化、机器人或控制理论基础的科研人员,以及从事智能物流、智能制造、多智能体系统等相关方向的研究生与工程技术人员。 使用场景及目标:①应用于仓储机器人、AGV调度、自动化码头等多移动机器人协同作业场景;②解决多机器人路径规划中的死锁预防、冲突消解与资源竞争问题;③为开发高效、可靠的多智能体路径规划系统提供理论支持与实现参考。 阅读建议:此资源以Matlab代码实现为核心,建议读者在理解Petri网基本原理和优先级调度机制的基础上,结合提供的代码进行仿真实验,通过调整优先级规则与网络结构,深入掌握算法的设计思路与优化方法。

荔枝科研社
评论 3
收藏 已收藏
分享
返回顶部
ZzConstantly
CUDA 591 成员 2,925 内容