2026-01-21 18:02:30 +08:00

2.9 KiB

Raw Blame History

Lab4 快速开始指南

一、编译程序

cd /home/yly/dev/hpc-lab-code/lab4
xmake

二、运行实验并收集数据

./lab4.sh

这将：

检查 GPU 信息
运行所有 CUDA 程序
将结果保存到 experiment_data/ 目录

三、生成图表 (可选)

安装依赖

pip install matplotlib numpy

运行绘图脚本

./plot_results.py

图表将保存到 experiment_data/figures/ 目录

四、查看实验数据

所有数据文件位于 experiment_data/:

gpu_info.txt - GPU 硬件信息
vectoradd_results.txt - 向量加法测试结果
matrixmul_comparison.txt - CPU vs GPU 对比数据
blocksize_analysis.txt - BLOCK_SIZE 分析数据

五、填写实验报告

参考 实验报告模板.md，其中包含：

所有思考题的详细解答
需要填写的性能数据表格
图表分析指导

文件说明

源代码

vectoradd.cu - 向量加法 (实验 4.2)
MatrixMul_cpu.cu - CPU OpenMP 矩阵乘法
MatrixMul_kernel1.cu - CUDA 基础版本
MatrixMul_kernel2.cu - CUDA 共享内存优化
matrixmultiply_block_size_change.cu - BLOCK_SIZE 性能测试

脚本和配置

xmake.lua - 构建配置
lab4.sh - 实验数据收集脚本
plot_results.py - 自动生成图表
README.md - 详细实验说明
实验报告模板.md - 报告模板

常见问题

Q: 编译失败，提示找不到 CUDA

A: 确保 CUDA 已安装，并设置环境变量:

export CUDA_HOME=/usr/local/cuda
export PATH=$CUDA_HOME/bin:$PATH
export LD_LIBRARY_PATH=$CUDA_HOME/lib64:$LD_LIBRARY_PATH

Q: 运行时提示 "no CUDA-capable device is detected"

A: 检查 GPU 驱动:

nvidia-smi

Q: Python 脚本运行失败

A: 安装必要的依赖:

pip install matplotlib numpy

Q: 想单独运行某个程序

cd build/linux/x86_64/release
./vectoradd
./MatrixMul_cpu
./MatrixMul_kernel1
./MatrixMul_kernel2
./matrixmultiply_block_size_change

实验报告要点

必须回答的问题

思考题:

Kernel1 的数据划分策略
Kernel2 的优化策略和线程同步的必要性
Kernel2 的进一步优化空间

实验数据:

向量加法: 数据规模 vs 时间
矩阵乘法: CPU vs GPU 性能对比
BLOCK_SIZE: 对性能的影响

图表:

使用 plot_results.py 自动生成
或手动使用 Excel/Python/matplotlib

性能分析要点

加速比计算:

加速比 = 基准时间 / 优化后时间

FLOPS 计算:

矩阵乘法: 2 × M × N × K 次浮点运算
GFLOPS = 运算次数 / (时间秒 × 10^9)

关键指标:

运行时间 (ms)
GFLOPS (计算性能)
加速比 (相对提升)
带宽利用率

下一步

✓ 编译程序
✓ 运行实验
✓ 生成图表
⏭ 填写实验报告模板
⏭ 分析数据并得出结论
⏭ 提交实验报告

祝实验顺利！

2.9 KiB Raw Blame History Unescape Escape