R и С
Сразу оговорюсь, что я работаю под Debian Wheezy (под Windows, вероятно, есть какие-то ньюансы). При написании библиотеки на С для R надо учитывать следующее:
- Функции, написанные на С и вызываемые в R, должны иметь тип void. Это значит, что если функция возвращает какие-то результаты, то их надо вернуть через аргументы функции
- Все аргументы передаются по ссылке (а при работе с указателями надо не терять бдительность!)
- В С код желательно включать
R.h
иRmath.h
(если используются математические функции R)
Начнем с простой функции, которая вычисляет скалярное произведение двух векторов:
#include <R.h> void iprod(double *v1, double *v2, int *n, double *s) { *s = 0; for (int i = 0; i < *n; i++) { *s += v1[i] * v2[i]; } }
Далее надо получить динамическую библиотеку — можно непосредственно через gcc, а можно воспользоваться такой командой (кстати, стоит запомнить вывод, т.к. он пригодится нам в дальнейшем):
R CMD SHLIB inner_prod.c
На выходе получим файл inner_prod.so, для загрузки которого воспользуемся функцией dyn.load()
. Для вызова же самой функции на С используем .C()
(есть еще .Call()
и .External()
, но с несколько другим функционалом, причем между сторонниками .C() и .Call() подчас идут жаркие споры ). Отмечу только, что при написании кода на С для вызова через .C()
он получается более чистым и удобочитаемым. Особое внимание стоит обратить на соответствие типов переменных в R и C (в документации по функции .C()
об этом подробно написано). Функция-обертка на R:
iprodс <- function(a, b) { if (!is.loaded('iprod')) { dyn.load("inner_prod.so") } n <- length(a) v <- 0 return(.C("iprod", as.double(a), as.double(b), as.integer(n), as.double(v))[[4]]) }
Теперь можно узнать, чего же мы добились:
> n <- 1e7; a <- rnorm(n); b <- rnorm(n); > iprodс(a, b) [1] 3482.183
И небольшая проверка:
> sum(a * b) [1] 3482.183
Во всяком случае, считает правильно.
R и СUDA
Чтобы воспользоваться всеми благами, которые предоставляет графический ускоритель Nvidia, в Debian, необходимо, чтобы были установлены проприетраный драйвер Nvidia и пакет nvidia-cuda-toolkit
. CUDA, безусловно, заслуживает отдельной огромной темы, и так как мой уровень в этой теме «новичок», я не буду пугать людей своим кривым и недописаным кодом, а позволю себе скопировать несколько строк из методички.
Предположим, необходимо каждый элемент вектора возвести в третью степень и найти евклидову норму полученного вектора:
Чтобы несколько облегчить работу с GPU, воспользуемся библиотекой параллельных алгоритмов Thrust
, которая позволяет абстрагироваться от низкоуровневых операций CUDA/C. При этом данные представляются в виде векторов, к которым применяются некоторые стандартные алгоритмы (elementwise operations, reductions, prefix-sums, sorting).
#include <thrust/transform_reduce.h> #include <thrust/device_vector.h> #include <cmath> // Функтор, выполняющий возведение числа в 6 степень на GPU (device) template <typename T> struct power{ __device__ T operator()(const T& x) const{ return std::pow(x, 6); } }; extern "C" void nrm(double *v, int *n, double *vnorm) { // Вектор, хранимый в памяти GPU, в который копируется содержимое *v thrust::device_vector<double> dv(v, v + *n); // Reduce-трансформация вектора, т.е. сначала к каждому члену вектора применятся функтор power // потом полученные числа складываются. *vnorm = std::sqrt( thrust::transform_reduce(dv.begin(), dv.end(), power<double>(), 0.0, thrust::plus<double>()) ); }
Использование extern "C"
тут обязательно, иначе R не увидит функцию nrm(). Для компиляции кода теперь будем использовать nvcc. Помните вывод команды R CMD SHLIB...
? Вот его немного и адаптируем, чтобы библиотека, использующая CUDA/Thrust без проблем вызывалась из R:
nvcc -g -G -O2 -arch sm_30 -I/usr/share/R/include -Xcompiler "-Wall -fpic" -c thr.cu thr.o nvcc -shared -lm thr.o -o thr.so -L/usr/lib/R/lib -lR
На выходе получим DSO thr.so. Функция-обертка практически ничем не отличается:
gpunrm <- function(v) { if (!is.loaded('nrm')) dyn.load("thr.so") n <- length(v) vnorm <- 0 return(.C("nrm", as.double(v), as.integer(n), as.double(vnorm))[[3]]) }
Ниже на графике хорошо видно, как растет время выполнения в зависимости от длины вектора. Стоит отметить, что если в вычислениях преобладают простые операции типа сложения/вычитания, то разницы между временем счета на CPU и GPU практически не будет. Более того, очень вероятно, что GPU проиграет из-за накладных расходов по работе с памятью.
gpu_time <- c() cpu_time <- c() n <- seq.int(1e4, 1e8, length.out=30) for (i in n) { v <- rnorm(i, 1000) gpu_time <- c(gpu_time, system.time({p1 <- gpunrm(v)})[1]) cpu_time <- c(cpu_time, system.time({p2 <- sqrt(sum(v^6))})[1]) }
Заключение
На самом деле в R операции для работы с матрицами и векторами очень хорошо оптимизированы, и необходимость в использовании GPU в обычной жизни возникает не так уж и часто, но иногда GPU позволяет заметно сократить время расчета. В CRAN уже есть готовые пакеты (например, gputools
), адаптированные для работы с GPU (тут можно почитать про это подробнее).
Ссылки
1. An Introduction to the .C Interface to R
2. Calling C Functions in R and Matlab
3. Writing CUDA C extensions for R
4. Thrust::CUDA Toolkit Documentation
ссылка на оригинал статьи http://habrahabr.ru/post/220927/
Добавить комментарий