cuda编程与gpu并行计算（六）：图稀疏矩阵转为CSR结构并传入gpu

虽然sepgraph有这部分代码，还是自己先试着实现一下，这样读起来也方便

行压缩格式Compressed Sparse Row (CSR)
CSR需要三种数据来表达：数值、列号、行转移。CSR不是三元组，而是整体的编码方式。

CSR

编码：
行优先遍历矩阵Matrix
values数组中保存矩阵中非零元素。
column indices数组保存values数组中对应位置非零元素的列索引。
row offsets数组的下标表示每一行第一个非零元素的行索引，元素值为values数组的下标，最后一个元素值为非零元素的个数。

解码:
遍历values数组，对其中的元素值x（下标记为index_X）去column indices数组中对应位置取出x在原矩阵中的列索引（记为col_index），然后在row offsets数组查找index_X，如果index_X在row offsets中，其在row offsets中的下标即为x在原矩阵中的行索引（记为row_index），如果index_X不在row offsets中，则使用上一个row_index值（因为编码时是逐行编码，且row offsets仅保存每行的第一个非零元素，所以当前x与上一x在同一行）。

此为前言，清楚逻辑，代码就好办了

#include<stdlib.h>
#include<time.h>
#include<iostream>
#include<stdio.h>
#include<string.h>
using namespace std;__global__ void csr(int* d_in_1,int* d_in_2,float* d_in_3){int i = blockIdx.x * blockDim.x + threadIdx.x; int start = d_in_1[i];int end = d_in_1[i + 1];for(int j = start;j < end ;j++){printf("(%d,%d) ",i,d_in_2[j]);}}//随机生成一个图的邻接矩阵
void fill_random(float*data, int m, int n) {srand((unsigned)(time(NULL))); //每次生成的随机数不一样for (int i = 0; i < m*n; i++) {data[i] = rand() % 100;  //生成100以内的随机数if (data[i] < 80) data[i] = 0;}
}void print_matrix(float*data, int m, int n) {for (int i = 0; i < m; i++) {for (int j = 0; j < n; j++) {int l = i + j * m;cout << data[l] << " ";}cout << endl;}cout << endl;
}void print_matrix(int*data, int m, int n) {for (int i = 0; i < m; i++) {for (int j = 0; j < n; j++) {int l = i + j * m;cout << data[l] << " ";}cout << endl;}cout << endl;
}void dense2csr(float*data, int*&rowPtr, int*&colInd, float*&val, int m, int n) {rowPtr = (int*)malloc(sizeof(int)*(m + 1));int* tcolInd = (int*)malloc(sizeof(int)*(m *n));float* tval = (float*)malloc(sizeof(float)*(m *n));int towtal = m * n;int nnv = 0;for (int i = 0; i < m; i++) {rowPtr[i] = nnv;//记录行偏移，其实也是前面一共已经有多少边for (int j = 0; j < n; j++) {int l = i + j * m;if (data[l] != 0) {tcolInd[nnv] = j;//记录列索引tval[nnv] = data[l];//记录边权nnv++;//找到一个边，行偏移加一}}}rowPtr[m] = nnv;colInd = (int*)malloc(sizeof(int)*(nnv));val = (float*)malloc(sizeof(float)*(nnv));memcpy(colInd, tcolInd, sizeof(float)*nnv);memcpy(val, tval, sizeof(float)*nnv);free(tcolInd);free(tval);
}int main() {int m = 5;int n = 5;float*A = (float*)malloc(sizeof(float)*m*n);fill_random(A, m, n);print_matrix(A, m, n);int*csrRowPtr;int*csrColInd;float*csrVal;dense2csr(A, csrRowPtr, csrColInd, csrVal, m, n);print_matrix(csrRowPtr, 1, m + 1);print_matrix(csrColInd, 1, csrRowPtr[m]);print_matrix(csrVal, 1, csrRowPtr[m]);const int ARRAY_SIZE = m + 1;const int ARRAY_BYTES_1 = ARRAY_SIZE * sizeof(int);const int ARRAY_BYTES_2 = csrRowPtr[ARRAY_SIZE - 1] * sizeof(int);const int ARRAY_BYTES_3 = csrRowPtr[ARRAY_SIZE - 1] * sizeof(float);// 生成cpu上的csr结构int h_in_1[m + 1];int h_in_2[csrRowPtr[m]];float h_in_3[csrRowPtr[m]];for(int i = 0;i < m + 1 ; i++){h_in_1[i] = csrRowPtr[i];}for(int i = 0;i < csrRowPtr[m]; i++){h_in_2[i] = csrColInd[i];h_in_3[i] = csrVal[i];}// 声明GPU上的CSR结构int* d_in_1;int* d_in_2;float* d_in_3;// 分配空间cudaMalloc((void**) &d_in_1,ARRAY_BYTES_1);cudaMalloc((void**) &d_in_2,ARRAY_BYTES_2);cudaMalloc((void**) &d_in_3,ARRAY_BYTES_3);// 转移全部cudaMemcpy(d_in_1,h_in_1,ARRAY_BYTES_1,cudaMemcpyHostToDevice);cudaMemcpy(d_in_2,h_in_2,ARRAY_BYTES_2,cudaMemcpyHostToDevice);cudaMemcpy(d_in_3,h_in_3,ARRAY_BYTES_3,cudaMemcpyHostToDevice);// 操作全部csr<<<1,ARRAY_SIZE>>>(d_in_1,d_in_2,d_in_3);// 释放内存cudaFree(d_in_1);cudaFree(d_in_2);cudaFree(d_in_3);return 0;
}

运行的结果如下

先输出一个随机生成的带权重有向稀疏图，在cpu中将其压缩为csr格式并输出，再传递到gpu上，并输出每一条边的起点和终点。

cuda编程与gpu并行计算（六）：图稀疏矩阵转为CSR结构并传入gpu相关推荐

CUDA编程学习3——并行计算初窥CUDA的软硬件架构
目录并行计算概述查看GPU相关信息软硬件架构基础物理层(物理结构) 逻辑层(kernel组织) 物理层和逻辑层的总结参考并行计算概述所谓并行计算的概念定义同时多个计算资源一起工作(逻辑 ...
pytorch 多GPU并行计算
并行计算分为两类: https://baijiahao.baidu.com/s?id=1632494497660364845&wfr=spider&for=pc 模型并行:将模型的多个 ...
CUDA 编程上手指南：CUDA C 编程及 GPU 基本知识
作者丨科技猛兽编辑丨极市平台本文原创首发于极市平台,转载请获得授权并标明出处. 推荐大家关注极市平台公众号,每天都会更新最新的计算机视觉论文解读.综述盘点.调参攻略.面试经验等干货~ 目录 1 C ...
CUDA编程之快速入门-----GPU加速原理和编程实现
转载:https://www.cnblogs.com/skyfsm/p/9673960.html CUDA(Compute Unified Device Architecture)的中文全称为计算统一 ...
CUDA编程——GPU架构，由sp，sm，thread，block，grid，warp说起
目录 1.从硬件看 2.从软件看 3.对应关系 4.SIMT和SIMD 掌握部分硬件知识,有助于程序员编写更好的CUDA程序,提升CUDA程序性能,本文目的是理清sp,sm,thread,block, ...
NVIDIA GPU SM和CUDA编程理解
SM硬件架构基础不同架构的变化可以参考: 从AI系统角度回顾GPU架构变迁--从Fermi到Ampere(V1.2) - 知乎英伟达GPU架构演进近十年,从费米到安培 - 知乎 Vol ...
cuda编程以及GPU基本知识
目录 CPU与GPU的基本知识 CPU特点 GPU特点 GPU vs. CPU 什么样的问题适合GPU? GPU编程 CUDA编程并行计算的整体流程 CUDA编程术语:硬件 CUDA编程术语:内存模型 ...
一文了解GPU并行计算CUDA
了解GPU并行计算CUDA 一.CUDA和GPU简介二.GPU工作原理与结构 2.1.基础GPU架构 2.2.GPU编程模型 2.3.软件和硬件的对应关系三.GPU应用领域四.GPU+CPU异构 ...
[人工智能-深度学习-40]：英伟达GPU CUDA 编程框架简介
作者主页(文火冰糖的硅基工坊):文火冰糖(王文兵)的博客_文火冰糖的硅基工坊_CSDN博客本文网址:https://blog.csdn.net/HiWangWenBing/article/detai ...

cuda编程与gpu并行计算（六）：图稀疏矩阵转为CSR结构并传入gpu

cuda编程与gpu并行计算（六）：图稀疏矩阵转为CSR结构并传入gpu相关推荐

最新文章

热门文章