cuda编程笔记（11）--学习cuBLAS的简单使用

cuBLAS 是 NVIDIA 提供的 GPU 加速 BLAS 库；使用时需要#include <cublas_v2.h>

如果使用VS，需要添加cublas.lib的链接；如果用命令编译，-l记得加上cublas

cuBLAS 的核心基础概念

cublasStatus_t

• 类型：枚举类型

• 作用：表示 cuBLAS API 的返回状态（错误码）。

• 常用值：

  常量	含义
  CUBLAS_STATUS_SUCCESS	成功
  CUBLAS_STATUS_NOT_INITIALIZED	cuBLAS 库未初始化
  CUBLAS_STATUS_ALLOC_FAILED	GPU 设备内存分配失败
  CUBLAS_STATUS_INVALID_VALUE	传入参数无效
  CUBLAS_STATUS_ARCH_MISMATCH	硬件不支持请求的功能（如 Tensor Core）
  CUBLAS_STATUS_EXECUTION_FAILED	核函数执行失败

返回值检查（典型模式）：

cublasStatus_t status = cublasCreate(&handle);
if (status != CUBLAS_STATUS_SUCCESS) {printf("cuBLAS initialization failed!\n");
}

 cublasHandle_t

• 类型：指向 cuBLAS 库上下文的句柄（类似于会话）。

• 作用：

  • 所有 cuBLAS 函数都需要它。

  • cuBLAS 使用 上下文模型，通过 handle 管理状态。

• 生命周期：

  • 通过 cublasCreate() 创建。

  • 用完后调用 cublasDestroy() 销毁。

cublasOperation_t

• 类型：枚举类型

• 作用：指定矩阵是否需要 转置。

• 值：

  常量	含义
  CUBLAS_OP_N	不转置（Normal）
  CUBLAS_OP_T	转置（Transpose）
  CUBLAS_OP_C	共轭转置（Conjugate）

使用场景：cublasSgemm() 等矩阵乘法接口。
例如：

cublasOperation_t transA = CUBLAS_OP_N;
cublasOperation_t transB = CUBLAS_OP_T;  // B 矩阵转置

cublasCreate()

cublasStatus_t cublasCreate(cublasHandle_t *handle);

• 作用：

  • 初始化 cuBLAS 库。

  • 创建 cuBLAS 句柄。

• 参数：

  • handle：指向 cublasHandle_t 的指针，返回创建的句柄。

• 返回值：

  • CUBLAS_STATUS_SUCCESS 表示成功。

cublasDestroy()

cublasStatus_t cublasDestroy(cublasHandle_t handle);

• 作用：

  • 释放 cublasHandle_t 占用的资源。

• 参数：

  • handle：之前用 cublasCreate() 创建的句柄。

• 返回值：

  • 成功返回 CUBLAS_STATUS_SUCCESS。

矩阵乘法（GEMM）

函数原型

cublasStatus_t cublasSgemm(cublasHandle_t handle,cublasOperation_t transa,cublasOperation_t transb,int m, int n, int k,const float *alpha,const float *A, int lda,const float *B, int ldb,const float *beta,float *C, int ldc
);

参数说明

• transa, transb:

  • CUBLAS_OP_N: 不转置

  • CUBLAS_OP_T: 转置

• 矩阵维度：

  • m × k 矩阵 A

  • k × n 矩阵 B

  • m × n 矩阵 C

• alpha, beta: 标量，计算公式：

C = alpha * op(A) * op(B) + beta * C

lda, ldb, ldc: leading dimension（行主序时是行数）

最小示例：矩阵乘法 C = A × B

#include <cublas_v2.h>
#include <cuda_runtime.h>
#include <iostream>
#include <vector>#define M 4
#define N 4
#define K 4int main() {// 创建 cuBLAS handlecublasHandle_t handle;cublasCreate(&handle);// Host 矩阵std::vector<float> h_A(M*K), h_B(K*N), h_C(M*N);for (int i = 0; i < M*K; i++) h_A[i] = 1.0f;for (int i = 0; i < K*N; i++) h_B[i] = 2.0f;float *d_A, *d_B, *d_C;cudaMalloc(&d_A, M*K*sizeof(float));cudaMalloc(&d_B, K*N*sizeof(float));cudaMalloc(&d_C, M*N*sizeof(float));cudaMemcpy(d_A, h_A.data(), M*K*sizeof(float), cudaMemcpyHostToDevice);cudaMemcpy(d_B, h_B.data(), K*N*sizeof(float), cudaMemcpyHostToDevice);const float alpha = 1.0f;const float beta = 0.0f;// 调用 cuBLAS GEMMcublasSgemm(handle,CUBLAS_OP_N, CUBLAS_OP_N,M, N, K,&alpha,d_A, M,d_B, K,&beta,d_C, M);cudaMemcpy(h_C.data(), d_C, M*N*sizeof(float), cudaMemcpyDeviceToHost);// 打印结果for (int i = 0; i < M; i++) {for (int j = 0; j < N; j++) {std::cout << h_C[i + j*M] << " ";  // 注意列主序}std::cout << "\n";}cudaFree(d_A);cudaFree(d_B);cudaFree(d_C);cublasDestroy(handle);
}

矩阵转置or矩阵加法

cuBLAS 提供了 cublasSgeam：

cublasSgeam 是 cuBLAS 提供的矩阵加法/转置操作接口，可以完成：

其中 op(X) 表示矩阵 X 是否转置。

cublasStatus_t cublasSgeam(cublasHandle_t handle,      // cuBLAS 句柄cublasOperation_t transa,   // A 是否转置 (CUBLAS_OP_N 或 CUBLAS_OP_T)cublasOperation_t transb,   // B 是否转置int m,                      // C 的行数int n,                      // C 的列数const float *alpha,         // 缩放系数 αconst float *A,             // 矩阵 Aint lda,                    // A 的 leading dimension (步长)const float *beta,          // 缩放系数 βconst float *B,             // 矩阵 Bint ldb,                    // B 的 leading dimensionfloat *C,                   // 结果矩阵 Cint ldc                     // C 的 leading dimension
);

• handle：cuBLAS 上下文。

• transa / transb：

  • CUBLAS_OP_N → 不转置

  • CUBLAS_OP_T → 转置

• m, n：结果矩阵 C 的维度 (m 行 n 列)。

• alpha, beta：系数，通常 alpha = 1.0f，beta = 1.0f。

• A, lda：矩阵 A 的指针和 leading dimension。

• B, ldb：矩阵 B 的指针和 leading dimension。

• C, ldc：结果矩阵 C 的指针和 leading dimension。

⚠ leading dimension (lda, ldb, ldc)：
cuBLAS 默认使用 列主存储（和 Fortran 一致），所以 lda = A 的行数，即 A 每列元素的间隔。

• 可以实现 矩阵转置（单独把 beta 设为 0）。

• 可以实现 矩阵加法。

• 可以实现 带缩放的线性组合。

 示例代码

#include <cuda_runtime.h>
#include <cublas_v2.h>
#include <iostream>int main() {int m = 2, n = 3;float alpha = 1.0f, beta = 1.0f;// Host 数据float h_A[6] = {1, 2, 3, 4, 5, 6};  // 2x3float h_B[6] = {10, 20, 30, 40, 50, 60};float h_C[6];// Device 指针float *d_A, *d_B, *d_C;cudaMalloc((void**)&d_A, 6 * sizeof(float));cudaMalloc((void**)&d_B, 6 * sizeof(float));cudaMalloc((void**)&d_C, 6 * sizeof(float));cudaMemcpy(d_A, h_A, 6 * sizeof(float), cudaMemcpyHostToDevice);cudaMemcpy(d_B, h_B, 6 * sizeof(float), cudaMemcpyHostToDevice);cublasHandle_t handle;cublasCreate(&handle);// C = A^T + BcublasSgeam(handle,CUBLAS_OP_T, CUBLAS_OP_N,m, n,                // C 大小 (m x n)&alpha,d_A, n,              // A^T，所以 lda = n（原矩阵的列数）&beta,d_B, m,              // B 不转置，ldb = md_C, m);             // C 不转置，ldc = mcudaMemcpy(h_C, d_C, 6 * sizeof(float), cudaMemcpyDeviceToHost);std::cout << "Result C:\n";for (int i = 0; i < 6; i++) {std::cout << h_C[i] << " ";}cublasDestroy(handle);cudaFree(d_A);cudaFree(d_B);cudaFree(d_C);return 0;
}

向量乘矩阵

• op(A) 表示 A 或 Aᵀ（取决于 trans 参数）

• x 和 y 是向量

• alpha、beta 是缩放因子

cublasStatus_t cublasSgemv(cublasHandle_t handle,cublasOperation_t trans,   // 是否转置 Aint m, int n,              // 矩阵 A 的维度 (m x n)const float *alpha,        // 缩放因子 alphaconst float *A, int lda,   // 矩阵 Aconst float *x, int incx,  // 向量 xconst float *beta,         // 缩放因子 betafloat *y, int incy         // 向量 y
);

• trans：

  • CUBLAS_OP_N → A 不转置，维度 m×n

  • CUBLAS_OP_T → A 转置，维度 n×m

• lda：leading dimension，通常等于 m（A 的行数）

• incx、incy：向量步长，通常 = 1

示例代码：

#include <cublas_v2.h>
#include <cuda_runtime.h>
#include <iostream>int main() {cublasHandle_t handle;cublasCreate(&handle);const int m = 3, n = 3;float h_A[m*n] = { 1, 2, 3, 4, 5, 6, 7, 8, 9 }; // 3x3 矩阵float h_x[n]   = { 1, 1, 1 }; // 向量float h_y[m]   = { 0, 0, 0 };float *d_A, *d_x, *d_y;cudaMalloc(&d_A, m*n*sizeof(float));cudaMalloc(&d_x, n*sizeof(float));cudaMalloc(&d_y, m*sizeof(float));cudaMemcpy(d_A, h_A, m*n*sizeof(float), cudaMemcpyHostToDevice);cudaMemcpy(d_x, h_x, n*sizeof(float), cudaMemcpyHostToDevice);cudaMemcpy(d_y, h_y, m*sizeof(float), cudaMemcpyHostToDevice);float alpha = 1.0f;float beta = 0.0f;// y = alpha * A * x + beta * ycublasSgemv(handle, CUBLAS_OP_N, m, n,&alpha, d_A, m, d_x, 1, &beta, d_y, 1);cudaMemcpy(h_y, d_y, m*sizeof(float), cudaMemcpyDeviceToHost);std::cout << "Result y: ";for (int i = 0; i < m; i++) std::cout << h_y[i] << " ";std::cout << std::endl;cudaFree(d_A); cudaFree(d_x); cudaFree(d_y);cublasDestroy(handle);return 0;
}

矩阵 × 向量（gemv）其实可以用 矩阵 × 矩阵（gemm）来替代，但有几点需要注意：

• 性能原因：
  gemv 是 BLAS Level 2 操作，专门针对 矩阵-向量做了优化，尤其在小规模问题上，它的内存访问模式和寄存器利用更高效。

• 内存开销：
  用 gemm 处理 m×n 矩阵 × n×1 向量，cuBLAS 内部仍按矩阵矩阵方式调度，会引入不必要的开销。

• 语义清晰：
  gemv API 直接说明这是矩阵-向量操作，避免错误。

总结：

• gemm 是通用 API，可以替代 gemv。

• 但如果只是单次 矩阵 × 向量，gemv 更高效。

• 深度学习场景，通常是批处理（GEMM dominate），所以主流框架用 gemm。

多流并发

cublasHandle_t 绑定 CUDA 流：

• 默认情况下，cuBLAS 的操作运行在 默认流（stream 0） 上，这意味着 cuBLAS 操作会和其他默认流的操作 顺序执行，无法并发。

• 绑定流后（通过 cublasSetStream(handle, stream)）：

  • cuBLAS 的运算将提交到指定的 CUDA 流

  • 可以和其他流中的 kernel 并发执行，实现任务流水线和异步调度

  • 对多 GPU 或 pipeline 加速非常重要（比如计算和数据拷贝重叠）

cuBLAS系列函数的本质：

• cuBLAS API（如 cublasSgemm）是主机端函数，它的作用是：

  • 通过 handle 向 CUDA 驱动提交任务

  • 把矩阵乘法封装成 GPU 内核，并异步调度到 GPU 上运行

• 计算实际发生在 GPU 上，不是 CPU

• 调用 cublasSgemm 后，不会阻塞主机（异步执行），除非你显式调用 cudaDeviceSynchronize 或访问 GPU 结果

核心区别：

• cublasSgemm 不做计算本身，它只是 发起任务

• CUDA 流 + handle 控制 任务在哪个流上执行

• 默认流会串行执行，多个流能并发

举个并发例子：

cublasHandle_t handle;
cublasCreate(&handle);cudaStream_t stream1, stream2;
cudaStreamCreate(&stream1);
cudaStreamCreate(&stream2);// 第一批数据在 stream1
cublasSetStream(handle, stream1);
cublasSgemm(handle, ... /* batch1 */);// 第二批数据在 stream2
cublasSetStream(handle, stream2);
cublasSgemm(handle, ... /* batch2 */);// 两个 GEMM 并行执行
cudaStreamSynchronize(stream1);
cudaStreamSynchronize(stream2);

如果学习过我的Boost.Asio文章的话，cublasHandle_t非常像Boost.Asio里的io_context