TP 0 : Prise en main de l’environnement CUDA

Mineure CalHau-2

Stéphane Vialle, CentraleSupélec & LRI, Stéphane.Vialle@centralesupelec.fr  

(auteur principal du sujet: Laércio Lima Pilla, CNRS & LRI, pilla@lri.fr)

Objectifs du TP :

Ce TP a pour objectif de permettre aux étudiants de se familiariser avec l’utilisation des serveurs de calculs distants du Data Center d’Enseignement (DCE) de CentraleSupélec et de s’habituer à la programmation et au débogage d’un code CUDA.

• Vous réaliserez l’allocation d'un serveur de calculs équipé d'un GPU, le transfert de fichiers (code et images) vers et depuis ce serveur, l’édition de fichiers sources, et la compilation de code CUDA.
  
• Vous apprendrez les spécificités de la programmation CUDA par la correction d'erreurs dans un code source, étape par étape.
  
• Enfin, vous mesurerez et comparerez les performances obtenues sur un GPU avec celles obtenues sur un CPU.

Plate-forme de développement : 

Les machines utilisées seront celles des clusters Cameron ou Tx du DCE de CentraleSupélec :

• Tx : chaque machine contient un CPU Intel XEON quad-core hyperthreadés, et un GPU NVIDIA GTX-2080Ti (architecture Turing)
• Cameron : chaque machine contient un CPU Intel XEON hexa-core hyperthreadés, et un GPU NVIDIA GTX-1080 (architecture Pascal)

L'environnement CUDA C et C++ est disponible sur chaque machine (et donc le compilateur "nvcc" et les drivers pour utiliser le GPU).

Vous utiliserez les comptes de TP "gpucs1_#i", où #i est une valeur entière entre 1 et 16.

Depuis votre poste de travail :

• vous vous connecterez par ssh sur la machine ghome.metz.supelec.fr en indiquant le login gpupps1_#i
  
• puis vous vous connecterez par ssh à la machine term2.grid.metz.supelec.fr,
• où vous réserverez UN nœud sur le cluster à l'aide d'une commande oarsub.
  

Travail à effectuer :

• Le programme que vous utiliserez contient deux codes de filtre : un filtre d'inversion des couleurs (inversion) et un de flou (box blur) en versions CPU (OpenMP) et GPU (CUDA).

• La partie CPU (cpu_kernel.cpp) est complète et sans erreur. Elle servira de calcul de référence (pour vérifier les résultats obtenus avec la version GPU et pour la comparaison des performances).

•  La partie GPU (gpu_kernel.cu) contient plusieurs erreurs qui seront corrigées pendant les étapes du TP.

• Parmi les fichiers et répertoires du TP, vous trouverez deux images de tets, et un programme pour comparer deux images et valider votre travail sur GPU.

• Pour compiler le programme, exécutez make.
• Pour compiler le programme de comparaison d'images : allez dans comparison et exécutez make.
  

• Vous pouvez vérifier des résultats avec les versions CPU et GPU  à l'aide du programme comparison/comparison <file 1> <file 2>

1. Récupérez le programme : 

2. Essayez de compiler le programme avec la commande make. Trouvez les erreurs dans la compilation du programme et corrigez les
   

3. Testez le programme sur l'image inputs/bridge.png avec le filtre inversion.

• Vérifiez les messages d’erreur pendant l’exécution. Examinez, dans le fichier gpu_kernel.cu, les lignes pointées par les messages d'erreur. Corrigez les problèmes.

4. Vérifier les images de sortie (sont-elles complètes ?). 

• Examinez le code, trouvez les problèmes et corrigez-les un par un jusqu'à obtenir des images complètes.

5. Vérifier les images de sortie (sont-elles strictement identiques ?).

• Refaites un filtrage en précisant d'utiliser le CPU et générez ainsi une image de référence.
  

• Utilisez le programme de comparaison (répertoire comparison) pour tester si les deux images sont identiques.
  

• Corigez les erreurs jusqu'à ce que les images CPU et GPU soient strictement identiques

6. Testez maintenant le programme sur l'image inputs/ducks.png avec le filtre de floutage : blur.
   
• Cherchez les erreurs dans le kernel blur, et corrigez-les jusqu'à ce que le programme s'exécute sur GPU et que la comparaison à l'image générée par le CPU n'indique plus aucune différence.
  

7. Testez les différentes versions du filtre de flou (CPU et GPU) avec les différentes images.

8. Notez les performances et calculez le speedup entre les versions CPU et GPU pour les différents images testées.

9. Réimplantez les kernels inversion et gpuBlur en utilisant de blocs 2D et une grille de blocs 2D (à la place du code avec un grille 1D des blocs 1D actuel).