کودا
کودا به انگلیسی (CUDA) که مخفف عبارت انگلیسی Compute Unified Device Architecture است یک سکوی پردازش موازی و مدل برنامهنویسی است که توسط شرکت انویدیا بهوجود آمدهاست و در واحدهای پردازش گرافیکی این شرکت پشتیبانی میشود. کودا به توسعه دهنده گان نرمافزار اجازه میدهد تا از یک GPU که ویژگی CUDA-enabled دارد برای هدف پردازش استفاده کنند، رویکردی که واحد پردازش گرافیکی همه منظوره (GPGPU) شناخته میشود. کودا به توسعهدهنده گان امکان دسترسی مستقیم به حافظه و مجموعه دستورالعمل در واحد پردازش گرافیکی را میدهد.
توسعهدهنده(ها) | انویدیا |
---|---|
انتشار ابتدایی | ۲۳ ژوئن ۲۰۰۷ |
انتشار پایدار | ۷٫۰
۱۷ مارس ۲۰۱۵ |
سیستمعامل | ویندوز ایکسپی و نسخههای بعدی مک اواس اکس، لینوکس |
بنسازه رایانش | واحد پردازش گرافیکی |
گونه | GPGPU |
پروانه | رایگانافزار |
وبگاه |
سکوی کودا برای کار با زبانهای برنامهنویسی مانند C و ++C و فرترن طراحی شدهاست. این دسترسی باعث میشود تا برای متخصصان استفاده از منابع GPU آسانتر شود برخلاف راه کارهای API دیگر چون DIRECT3D و OpenGL که نیاز به توانایی حرفهای در برنامهنویسی گرافیک داشتند. همچین کودا از چارچوبهایی چون OpenACC و OpenCL پشتیبانی میکند.
پیش زمینه
GPU به عنوان یک پردازنده خاص، درخواستهایهای بلادرنگ با کیفیت بالا گرافیک سه بعدی که از نظر وظایف محاسباتی فشرده هستند را مختصاتدهی میکند. از سال ۲۰۱۲ میلادی GPUها به سیستمهای چند هسته ای قدرتمندی ارتقا یافتند که قادر به دستکاری بلوکهای بزرگی از دادهها هستند. این طراحی بسیار از هدف عامه CPUها برای الگوریتمها در مواقعی که پردازش موازی روی بلوکهای داده انجام میشود مؤثرتر است. به عنوان مثال:
- الگوریتم ارسال برچسب
- الگوریتم مرتبسازی سریع روی لیستهای بزرگ
- تبدیل موجک سریع دوبعدی
- شبیهسازی دینامیک مولکولی
قابلیتهای برنامهنویسی
کودا توسط کتابخانههای مجهز شده کودا ،دستوردهنده کامپایلر مانند OpenACC و همینطور توسعههایی استاندارد صنعتی از زبانهایی شامل C، ++C و فرترن برای توسعهدهندگان قابل دسترسی است. برنامهنویسان C++/C از '++CUDA C/C' استفاده میکنند که کامپایل شده با "nvcc" است.nvcc یک کامپایلر C++/C بر پایه LLVM شرکت انویدیا است. برنامه نویسان فرترن نیز میتوانند از 'CUDA Fortran' استفاده کنند که کامپایل شده با PGI CUDA Fortran Complier شرکت The Portland Group است. علاوه بر کتابخانهها، دستوردهندههای کامپایلر و ++CUDA C/C و CUDA Fortran، سکو کودا از سایر رابطهای محاسباتی شامل موارد زیر پشتیبانی میکند.
- OpenCL گروه Khronos
- DirectCompute مایکروسافت
- محاسبات سایه زنی OpenGL
- C++ AMP
همچنین لفافه سوم شخص (Third party wrappers) برای زبانهایی مانند پرل (Perl)، پایتون (Python)، آر (R) ،فرترن (FORTRAN)، جاوا (Java)، روبی (Ruby)، هسکل (Haskell)، متلب (Matlab) ،آی دی ال (IDL)، لوآ (Lua) و نیز بهطور پیشفرض متمتیکا (Mathematica) در دسترس هستند.
در صنعت بازیهای کامپیوتری ،GPUها تنها برای رندر کردن گرافیک نیست بلکه در محاسبات فیزیکی بازی (اثرات فیزیکی شبیه دود، آتش، ترشحات و آوار) نیز هستند. مثالهایی نظیر فیز-اکس و گلوله شامل این مورد هستند. کودا همچنین برای کاربردهای شتابدهی غیر گرافیکی در زیستشناسی محاسباتی ،رمزنگاری و حوزههای دیگر نیز استفاده میشود.
کودا هم یک API سطح پایین و هم یک API سطح بالا فراهم میکند. SDK اولیه کودا در ۱۵ فوریه ۲۰۰۷ برای ویندوز مایکروسافت و لینوکس انتشار عمومی شد. پشتیبانی در سیستمعامل مک در نسخه دوم اضافه شد که جای نسخه تست ۱۴ فوریه ۲۰۰۸ را میگیرد. کودا با تمامی GPUهای از سری G8x به بعد شامل جیفورس ،کوادرو و تسلا (گرافیک) کار میکند. کودا با بیشتر سیستمعاملهای استاندارد کار میکند. انویدیا میگوید برنامههایی که برای سری G8x توسعهیافتهاند همچنین بدون تغییر روی نسلهای آینده کارتهای گرافیک بسته به سازگاری دودویی کارخواهند کرد.
مزایا
کودا چندین برتری در برابر محاسبات عمومی سنتی روی GPUها (در کل منظور GPGPU) که از واسطهای گرافیکی استفاده میکنند، دارد.
- خواندن پراکنده یعنی کد میتواند از آدرسهای دلخواه در حافظه بخواند.
- حافظه مجازی یکپارچه (کودا نسخه ۴٫۰ به بعد)
- حافظه یکپارچه (کودا نسخه ۶٫۰ به بعد)
- حافظه مشترک کودا ناحیهای که یک حافظه سریع مشترک است، نشان میدهد که میتواند میان نخها به اشتراک گذاشته شود. این حافظه میتواند به عنوان یک حافظه نهان مدیریت شده تحت دسترسی کاربر استفاده شود و پهنای باند بیشتری داریم یعنی امکان استفاده را از جستجو بافتی.
- دانلودهای سریع تر و مجدد خوانی (بازخوانی)
- پشتیبانی کامل برای اعداد صحیح و عملیات بیتی، شامل جستجوی بافتی صحیح
GPUهای پشتیبانی شده
جدول قدرت محاسبه (نسخههای پشتیبانی شده کودا) مرتب شده با GPU و کارت گرافیک که همچنین از طریق انویدیا مستقیماً قابل دسترسی است.
قدرت محاسبه (نسخه) | ریزمعماری | GPU | کارت |
---|---|---|---|
۱٫۰ | تسلا | G80 | GeForce 8800 Ultra, GeForce 8800 GTX, GeForce 8800 GTS(G80), Quadro FX 5600, Quadro FX 4600, Quadro Plex 2100 S4, Tesla C870, Tesla D870, Tesla S870 |
۱٫۱ | G92, G94, G96, G98, G84, G86 | GeForce GTS 250, GeForce 9800 GX2, GeForce 9800 GTX, GeForce 9800 GT, GeForce 8800 GTS(G92), GeForce 8800 GT, GeForce 9600 GT, GeForce 9500 GT, GeForce 9400 GT, GeForce 8600 GTS, GeForce 8600 GT, GeForce 8500 GT, GeForce G110M, GeForce 9300M GS, GeForce 9200M GS, GeForce 9100M G, GeForce 8400M GT, GeForce G105M, Quadro FX 4700 X2, Quadro FX 3700, Quadro FX 1800, Quadro FX 1700, Quadro FX 580, Quadro FX 570, Quadro FX 470, Quadro FX 380, Quadro FX 370, Quadro FX 370 Low Profile, Quadro NVS 450, Quadro NVS 420, Quadro NVS 290, Quadro NVS 295, Quadro Plex 2100 D4, Quadro FX 3800M, Quadro FX 3700M, Quadro FX 3600M, Quadro FX 2800M, Quadro FX 2700M, Quadro FX 1700M, Quadro FX 1600M, Quadro FX 770M, Quadro FX 570M, Quadro FX 370M, Quadro FX 360M, Quadro NVS 320M, Quadro NVS 160M, Quadro NVS 150M, Quadro NVS 140M, Quadro NVS 135M, Quadro NVS 130M, Quadro NVS 450, Quadro NVS 420, Quadro NVS 295 | |
۱٫۲ | GT218, GT216, GT215 | GeForce GT 340*, GeForce GT 330*, GeForce GT 320*, GeForce 315*, GeForce 310*, GeForce GT 240, GeForce GT 220, GeForce 210, GeForce GTS 360M, GeForce GTS 350M, GeForce GT 335M, GeForce GT 330M, GeForce GT 325M, GeForce GT 240M, GeForce G210M, GeForce 310M, GeForce 305M, Quadro FX 380 Low Profile, NVIDIA NVS 300, Quadro FX 1800M, Quadro FX 880M, Quadro FX 380M, NVIDIA NVS 300, NVS 5100M, NVS 3100M, NVS 2100M, ION | |
۱٫۳ | GT200, GT200b | GeForce GTX 280, GeForce GTX 275, GeForce GTX 260, Quadro FX 5800, Quadro FX 4800, Quadro FX 4800 for Mac, Quadro FX 3800, Quadro CX, Quadro Plex 2200 D2, Tesla C1060, Tesla S1070, Tesla M1060 | |
۲٫۰ | فرمی | GF100, GF110 | GeForce GTX 590, GeForce GTX 580, GeForce GTX 570, GeForce GTX 480, GeForce GTX 470, GeForce GTX 465, GeForce GTX 480M, Quadro 6000, Quadro 5000, Quadro 4000, Quadro 4000 for Mac, Quadro Plex 7000, Quadro 5010M, Quadro 5000M, Tesla C2075, Tesla C2050/C2070, Tesla M2050/M2070/M2075/M2090 |
۲٫۱ | GF104, GF106 GF108, GF114, GF116, GF117, GF119 | GeForce GTX 560 Ti, GeForce GTX 550 Ti, GeForce GTX 460, GeForce GTS 450, GeForce GTS 450*, GeForce GT 640 (GDDR3), GeForce GT 630, GeForce GT 620, GeForce GT 610, GeForce GT 520, GeForce GT 440, GeForce GT 440*, GeForce GT 430, GeForce GT 430*, GeForce GT 420*, GeForce GTX 675M, GeForce GTX 670M, GeForce GT 635M, GeForce GT 630M, GeForce GT 625M, GeForce GT 720M, GeForce GT 620M, GeForce 710M, GeForce 610M, GeForce GTX 580M, GeForce GTX 570M, GeForce GTX 560M, GeForce GT 555M, GeForce GT 550M, GeForce GT 540M, GeForce GT 525M, GeForce GT 520MX, GeForce GT 520M, GeForce GTX 485M, GeForce GTX 470M, GeForce GTX 460M, GeForce GT 445M, GeForce GT 435M, GeForce GT 420M, GeForce GT 415M, GeForce 710M, GeForce 410M, Quadro 2000, Quadro 2000D, Quadro 600, Quadro 410, Quadro 4000M, Quadro 3000M, Quadro 2000M, Quadro 1000M, NVS 5400M, NVS 5200M, NVS 4200M | |
۳٫۰ | کپلر | GK104, GK106, GK107 | GeForce GTX 770, GeForce GTX 760, GeForce GT 740, GeForce GTX 690, GeForce GTX 680, GeForce GTX 670, GeForce GTX 660 Ti, GeForce GTX 660, GeForce GTX 650 Ti BOOST, GeForce GTX 650 Ti, GeForce GTX 650, GeForce GTX 880M, GeForce GTX 780M, GeForce GTX 770M, GeForce GTX 765M, GeForce GTX 760M, GeForce GTX 680MX, GeForce GTX 680M, GeForce GTX 675MX, GeForce GTX 670MX, GeForce GTX 660M, GeForce GT 750M, GeForce GT 650M, GeForce GT 745M, GeForce GT 645M, GeForce GT 740M, GeForce GT 730M, GeForce GT 640M, GeForce GT 640M LE, GeForce GT 735M, GeForce GT 730M, Quadro K5000, Quadro K4200, Quadro K4000, Quadro K2000, Quadro K2000D, Quadro K600, Quadro K420, Quadro K500M, Quadro K510M, Quadro K610M, Quadro K1000M, Quadro K2000M, Quadro K1100M, Quadro K2100M, Quadro K3000M, Quadro K3100M, Quadro K4000M, Quadro K5000M, Quadro K4100M, Quadro K5100M, Tesla K10 |
۳٫۲ | Tegra K1 | Jetson TK1 (SoC) | |
۳٫۵ | GK110, GK208 | GeForce GTX TITAN Z, GeForce GTX TITAN Black, GeForce GTX TITAN, GeForce GTX 780 Ti, GeForce GTX 780, GeForce GT 640 (GDDR5), GeForce GT 630 v2, GeForce GT 730, GeForce GT 720, Quadro K6000, Quadro K5200, Tesla K40, Tesla K20x, Tesla K20 | |
۳٫۷ | GK210 | Tesla K80 | |
۵٫۰ | مکسول | GM107, GM108 | GeForce GTX 750 Ti, GeForce GTX 750, GeForce GTX 960M, GeForce GTX 950M, GeForce 940M, GeForce 930M, GeForce GTX 860M, GeForce GTX 850M, GeForce 845M, GeForce 840M, GeForce 830M, Quadro K2200, Quadro K1200, Quadro K620, Quadro M2000M, Quadro M1000M, Quadro M600M, Quadro K620M |
۵٫۲ | GM200, GM204, GM206 | GeForce GTX TITAN X, GeForce GTX 980 Ti, GeForce GTX 980, GeForce GTX 970, GeForce GTX 960, GeForce GTX 950, GeForce GTX 980M, GeForce GTX 970M, GeForce GTX 965M, Quadro M6000, Quadro M5000, Quadro M4000, Quadro M5000M, Quadro M4000M, Quadro M3000M, | |
۵٫۳ | Tegra X1 |
'*' - OEM- محصولات به تنهایی
دستگاههایی که کودا را پشتیبانی میکنند:
|
|
|
جهت مطالعه تخصصی در مورد نسخههای مختلف و مقایسه دقیق آنها به مقاله زبان اصلی مقاله زبان اصلی مراجعه کنید.
نمونه کد
این نمونه کد به زبان ++C یک بافت را از یک عکس به یک آرایه در GPU بارگذاری(Load) میکند.
texture<float, 2, cudaReadModeElementType> tex;
void foo()
{
cudaArray* cu_array;
// Allocate array
cudaChannelFormatDesc description = cudaCreateChannelDesc<float>();
cudaMallocArray(&cu_array, &description, width, height);
// Copy image data to array
cudaMemcpyToArray(cu_array, image, width*height*sizeof(float), cudaMemcpyHostToDevice);
// Set texture parameters (default)
tex.addressMode[0] = cudaAddressModeClamp;
tex.addressMode[1] = cudaAddressModeClamp;
tex.filterMode = cudaFilterModePoint;
tex.normalized = false; // do not normalize coordinates
// Bind the array to the texture
cudaBindTextureToArray(tex, cu_array);
// Run kernel
dim3 blockDim(16, 16, 1);
dim3 gridDim((width + blockDim.x - 1)/ blockDim.x, (height + blockDim.y - 1) / blockDim.y, 1);
kernel<<< gridDim, blockDim, 0 >>>(d_data, height, width);
// Unbind the array from the texture
cudaUnbindTexture(tex);
} //end foo()
__global__ void kernel(float* odata, int height, int width)
{
unsigned int x = blockIdx.x*blockDim.x + threadIdx.x;
unsigned int y = blockIdx.y*blockDim.y + threadIdx.y;
if (x < width && y < height) {
float c = tex2D(tex, x, y);
odata[y*width+x] = c;
}
}
منابع
- Wikipedia contributors, "CUDA" , Wikipedia, The Free Encyclopedia, https://en.wikipedia.org/wiki/CUDA