逐步解說：偵錯 C++ AMP 應用程式

發行項
03/01/2013

本主題示範如何使用 C + + 加速的大規模平行 (C + + AMP)來利用圖形處理器 (GPU) 進行偵錯應用程式。它會使用平行降低程式來加總大型陣列的整數。這個逐步解說將說明下列工作：

啟動 GPU 偵錯工具。
檢查 GPU 執行緒視窗中的執行緒。
使用平行堆疊視窗同時觀察多重 GPU 執行緒的呼叫堆疊。
若要在多個執行緒之間檢查單一運算式的值請使用平行監看式視窗。
標幟、凍結、解除凍結，和群組 GPU 執行緒。
針對程式碼的特定區域執行所有執行緒。

必要條件

請在啟動前瀏覽這個說明：

讀取 C++ AMP 概觀。
行數將會顯示在文字編輯器中。如需詳細資訊，請參閱HOW TO：顯示編輯器中的行號。
請確定您執行 Windows 8 或 Windows Server 2012 支援軟體模擬器的偵錯。

注意事項
您的電腦可能會在下列說明中，以不同名稱或位置顯示某些 Visual Studio 使用者介面項目。您所擁有的 Visual Studio 版本以及使用的設定會決定這些項目。如需詳細資訊，請參閱 Visual Studio 設定。

建立範例專案

啟動 Visual Studio。
在功能表列上，選擇 [ 檔案，新增，專案。
在 [範本] 窗格中選擇已安裝 ，接著選擇 Visual C++。
選擇 Win32 主控台應用程式，輸入 AMPMapReduce 在名稱方塊中，然後再選擇確定按鈕。
選擇下一步 ] 按鈕。
清除先行編譯標頭 核取方塊，然後再選擇完成按鈕。
在方案總管中，從專案刪除 stdafx.h、 targetver.h 和 stdafx.cpp。

開啟 AMPMapReduce.cpp，將它的內容取代成下列程式碼。

// AMPMapReduce.cpp defines the entry point for the program.
// The program performs a parallel-sum reduction that computes the sum of an array of integers. 

#include <stdio.h>
#include <tchar.h>
#include <amp.h>

const int BLOCK_DIM = 32;

using namespace concurrency;

void sum_kernel_tiled(tiled_index<BLOCK_DIM> t_idx, array<int, 1> &A, int stride_size) restrict(amp)
{
    tile_static int localA[BLOCK_DIM];

    index<1> globalIdx = t_idx.global * stride_size;
    index<1> localIdx = t_idx.local;

    localA[localIdx[0]] =  A[globalIdx];

    t_idx.barrier.wait();

    // Aggregate all elements in one tile into the first element.
    for (int i = BLOCK_DIM / 2; i > 0; i /= 2) 
    {
        if (localIdx[0] < i) 
        {

            localA[localIdx[0]] += localA[localIdx[0] + i];
        }

        t_idx.barrier.wait();
    }

    if (localIdx[0] == 0)
    {
        A[globalIdx] = localA[0];
    }
}

int size_after_padding(int n)
{
    // The extent might have to be slightly bigger than num_stride to 
    // be evenly divisible by BLOCK_DIM. You can do this by padding with zeros.
    // The calculation to do this is BLOCK_DIM * ceil(n / BLOCK_DIM)
    return ((n - 1) / BLOCK_DIM + 1) * BLOCK_DIM;
}

int reduction_sum_gpu_kernel(array<int, 1> input) 
{
    int len = input.extent[0];

    //Tree-based reduction control that uses the CPU.
    for (int stride_size = 1; stride_size < len; stride_size *= BLOCK_DIM) 
    {
        // Number of useful values in the array, given the current
        // stride size.
        int num_strides = len / stride_size;  

        extent<1> e(size_after_padding(num_strides));

        // The sum kernel that uses the GPU.
        parallel_for_each(extent<1>(e).tile<BLOCK_DIM>(), [&input, stride_size] (tiled_index<BLOCK_DIM> idx) restrict(amp)
        {
            sum_kernel_tiled(idx, input, stride_size);
        });
    }

    array_view<int, 1> output = input.section(extent<1>(1));
    return output[0];
}

int cpu_sum(const std::vector<int> &arr) {
    int sum = 0;
    for (size_t i = 0; i < arr.size(); i++) {
        sum += arr[i];
    }
    return sum;
}

std::vector<int> rand_vector(unsigned int size) {
    srand(2011);

    std::vector<int> vec(size);
    for (size_t i = 0; i < size; i++) {
        vec[i] = rand();
    }
    return vec;
}

array<int, 1> vector_to_array(const std::vector<int> &vec) {
    array<int, 1> arr(vec.size());
    copy(vec.begin(), vec.end(), arr);
    return arr;
}

int _tmain(int argc, _TCHAR* argv[])
{
    std::vector<int> vec = rand_vector(10000);
    array<int, 1> arr = vector_to_array(vec);

    int expected = cpu_sum(vec);
    int actual = reduction_sum_gpu_kernel(arr);

    bool passed = (expected == actual);
    if (!passed) {
        printf("Actual (GPU): %d, Expected (CPU): %d", actual, expected);
    }
    printf("sum: %s\n", passed ? "Passed!" : "Failed!"); 

    getchar();

    return 0;
}

在功能表列上，選擇檔案， 全部儲存。
在方案總管中，開啟快顯功能表的 AMPMapReduce，然後選擇屬性。
在屬性頁 對話方塊的 組態屬性，選擇 C/C++， 先行編譯標頭。
欲修改先行編譯標頭 屬性，請選取 未使用先行編譯標頭檔，然後選擇 [確定] 按鈕。
在功能表列上，選擇建置， 建置方案。

偵錯 CPU 程式碼

在此程序，您將使用本機的 Windows 偵錯工具，以確定這個應用程式中的 CPU 程式碼正確。特別有趣的是這個應用程式 CPU 程式碼的區段為for迴圈，在reduction_sum_gpu_kernel函式中。在 GPU 上執行，可控制減少樹狀結構式平行。

要偵錯的 CPU 程式碼

在方案總管中，開啟快顯功能表的 AMPMapReduce，然後選擇屬性。
在屬性頁 對話方塊的 組態屬性，選擇偵錯。請確認本機 Windows 偵錯工具 中已選取 偵錯工具啟動清單。
傳回程式碼編輯器。
下圖 (大約行 67 行 70) 所示的程式碼的行上設定中斷點。

CPU 中斷點
在功能表列上，選擇偵錯， 啟動偵錯。
在區域變數 視窗中，尋找值為stride_size直到行 70 中斷點為止。
在功能表列上，選擇 [偵錯] 、 [停止偵錯] 。

偵錯 GPU 程式碼

本章節示範如何偵錯 GPU 程式碼，也就是包含在sum_kernel_tiled函式中的程式碼。GPU 程式碼可平行計算整數，如"區塊"中的總和。

若要偵錯的 GPU 程式碼

在方案總管中，開啟快顯功能表的 AMPMapReduce，然後選擇屬性。
在屬性頁 對話方塊的 組態屬性，選擇偵錯。
在偵錯工具啟動 清單中，選取 本機 Windows 偵錯工具。
在偵錯工具類型 清單中，選取 只有 GPU。
選擇 [確定] 按鈕。
下圖所示，請在列 30 設定中斷點。

GPU 中斷點
在功能表列上，選擇偵錯， 啟動偵錯。行數 67 與 70 的 CPU 程式碼中的中斷點在 GPU 偵錯期間不會執行，因為 CPU 將會執行這些程式碼。

若要使用 [GPU 執行緒] 視窗

若要開啟 [GPU 執行緒] 視窗，在功能表列中，選擇偵錯， Windows， GPU 執行緒。

在 [GPU 執行緒] 視窗中，您可以檢閱 GPU 執行緒狀態。
停駐 GPU 執行緒視窗在 Visual Studio 的下方。選擇展開執行緒切換 按鈕以顯示並排顯示和執行緒文字方塊。GPU 執行緒視窗中顯示使用中和已封鎖的 GPU 執行緒的總數，如下圖所示。

[GPU 執行緒] 視窗

有 313 區塊配置給這項計算。每個區塊都包含 32 個執行緒。因為在本機的軟體模擬器進行 GPU 偵錯，則會有四個作用中的 GPU 執行緒。四個執行緒同時執行的指令，然後同時繼續下一個指令。

在 GPU 執行緒視窗，會使用4個執行中的GPU 的執行緒和 28個被阻擋在 tile_barrier::wait 的GPU ，陳述式大約是定義在第 21 行 (t_idx.barrier.wait();)。所有 32 個 GPU 執行緒隸屬於第一個方塊中， tile[0]。箭頭指向的資料列，其中包含目前的執行緒。若要切換到另一個執行緒，請使用下列方法之一：
- 在列中的執行緒切換至 [GPU 執行緒] 視窗中，開啟快顯功能表，然後選擇切換至執行緒。如果資料列代表一個以上的執行緒，您會切換至第一個執行緒根據執行緒座標。
- 輸入執行緒的值到對應的 [文字] 方塊，然後選擇 切換執行緒 按鈕。
呼叫堆疊視窗會顯示目前的 GPU 執行緒的呼叫堆疊。

若要使用平行堆疊視窗

若要開啟 [平行堆疊] 視窗，在功能表列中，選擇偵錯， Windows， 平行堆疊。

您可以使用平行堆疊視窗，同時檢查多個 GPU 執行緒的堆疊框架。
在 Visual Studio 的底部停駐平行堆疊視窗。
請確定執行緒在左上角清單中被選取。如下列圖例，您在 [GPU 執行緒] 視窗中會看到 GPU 執行緒的呼叫堆疊顯示於平行堆疊視窗中。

[平行堆疊] 視窗

32 個執行緒不同名稱儲存變更從_kernel_stub到 lambda 陳述式中透過parallel_for_each函式呼叫，並執行sum_kernel_tiled函式，減少平行的發生。在 32 個執行緒中的 28 個已進行至 tile_barrier::wait 陳述式，並會一直維持封鎖在行 22，而其他 4 個執行緒仍持續進行於sum_kernel_tiled在行 30 的函式。

您可以檢視可用的執行緒屬性在[GPU 執行緒] 視窗中，在豐富的資料型提示方塊中。若要執行這項操作，將滑鼠指標停留在堆疊框架的 sum_kernel_tiled。下圖顯示資料提示方塊。

GPU 執行緒資料提示方塊

如需有關 [平行堆疊] 視窗的詳細資訊，請參閱使用平行堆疊視窗。

若要使用平行監看式視窗

若要開啟 [平行監看式] 視窗，在 [功能表列] 中，選擇偵錯， Windows， 平行監看式， 平行監看式 1。

您可以使用 [平行監看式] 視窗來跨多重執行緒檢查運算式的值。
將 [平行監看式 1] 視窗停駐 Visual Studio 的底部。在 [平行監看式] 視窗中有 32 個資料列。分別對應到出現在[GPU 執行緒平行堆疊] 視窗和 [GPU 執行緒] 視窗中的GPU執行緒。現在，您可以輸入運算是來檢查所有 32 GPU 執行緒之中的哪一個的值。
選取 新增監看式 資料行行首中，輸入 localIdx，然後選擇 [Enter] 鍵。
選取 新增監看式 一次的資料行行首，輸入 globalIdx，然後選擇 [Enter] 鍵。
選取 新增監看式 一次的資料行行首，輸入 localA [localIdx [0]]，然後選擇 [Enter] 鍵。

您可以藉由選取其相對應的資料行行首排序指定的運算式。

選取 localA [localIdx [0]] 資料行行首來排序資料行。下圖顯示由 **localA [localIdx [0]]**排序方式的結果。

排序結果

可以藉由選擇 [Excel] 按鈕，然後選取 [將平行監看式] 視窗中的內容匯出至 Excel，接著選擇 在 Excel 中開啟。如果您在開發電腦上安裝 Excel，這會開啟 Excel 工作表包含的內容。
在 [平行監看式] 視窗的右上角，沒有可供您使用的布林運算式來篩選內容篩選器控制項。請輸入 localA [localIdx [0]] > 20000在篩選條件控制文字方塊，然後選擇 [Enter] 鍵。

[視窗] 現在只包含執行緒的localA[localIdx[0]]值大於 20000。內容仍會按照localA[localIdx[0]]資料行排序，也就是您稍早執行的排序動作。

標幟 GPU 執行緒

您可以標示特定的 GPU 執行緒於 [GPU 執行緒] 視窗中、 [平行監看式] 視窗中或在 [平行堆疊] 視窗中的資料提示方塊中。如果 [GPU 執行緒] 視窗中的資料列包含一個以上的執行緒，標示該資料列旗標的列中包含所有執行緒。

若要加上旗標於 GPU 執行緒

選取 [執行緒] 資料行行首來排序並排顯示索引和執行緒索引的 [平行監看式 1] 視窗中。
在功能表列上，選擇偵錯，繼續，而導致四個執行緒進行到下一次 (在 AMPMapReduce.cpp 32 行定義) 的防護機制。
選擇包含四個目前作用中的執行緒的資料列左邊的旗標符號。

下圖顯示 [GPU 執行緒] 視窗中的四個作用中加上旗標的執行緒。

[GPU 執行緒] 視窗中正在活動的執行緒

[平行監看式] 視窗和視窗的 [平行堆疊] 資料提示方塊兩者皆可指出加上旗標的執行緒。
如果您想要把焦點放在已標幟的四個執行緒上，您可以選擇在 GPU 執行緒、平行監看式和平行堆疊視窗中顯示加上旗標的執行緒。

請選擇僅顯示加上旗標按鈕上任何的視窗或偵錯位置工具列。下圖顯示 [僅顯示加上旗標] 按鈕，在偵錯位置工具列。

[僅顯示已標幟的項目] 按鈕

現在 [GPU 執行緒]、 [平行監看式] 和 [平行堆疊] 視窗會顯示加上旗標的執行緒。

凍結和解除凍結 GPU 執行緒

您可以從 [GPU 執行緒] 視窗或 [平行監看式] 視窗凍結 (暫停) 和解除凍結 (繼續) GPU 執行緒。您可以以相同的方式凍結及解除凍結 CPU 執行緒。如需資訊，請參閱HOW TO：使用執行緒視窗。

若要凍結及解除凍結 GPU 執行緒

選擇僅顯示加上旗標 ] 按鈕以顯示所有執行緒。
在功能表列上，選擇偵錯，繼續。
開啟使用中的資料列的快顯功能表，然後選擇凍結。

[GPU 執行緒] 視窗中的下方將顯示四個執行緒已凍結。

[GPU 執行緒] 視窗中已凍結的執行緒

同樣地，[平行監看式] 視窗會顯示四個執行緒都已凍結。
在功能表列上，選擇偵錯，繼續好讓四個 GPU 執行緒障礙繼續在行 22 的進度，並到達在 30 列的中斷點。[GPU 執行緒] 視窗會顯示四個先前凍結的執行緒保持已凍結和作用中狀態。
在功能表列上，選擇偵錯，繼續。
從 [平行監看式] 視窗中，您也可以解除個別或多重 GPU 執行緒。

群組 GPU 往來執行緒

快顯功能表上的其中一個執行緒在 GPU 執行緒 視窗中，選擇 Group By，位址。

[GPU 執行緒] 視窗中的執行緒會依 [位址] 來分組。位址對應到中每個已鎖定執行緒群的反組譯碼。24 的執行緒都在行 22 其中tile_barrier::wait 方法會執行。12 的執行緒是在第 32 行屏障的指令。四個這些執行緒被設定旗標。八個執行緒會在中斷點行 30。四個執行緒會凍結。下圖顯示 [GPU 執行緒] 視窗中群組的執行緒。

群組 [GPU 執行緒] 視窗中的執行緒
您也可以執行 Group By 作業，藉由開啟快顯功能表的平行監看式] 視窗中，資料格來選擇 Group By，然後再選擇 [功能表項目] 根據於您要分組執行緒的方式。

執行程式碼特定位置中的所有執行緒

您可以執行在指定的並排顯示中的所有執行緒包含游標的那一行藉由執行執行目前拼貼至游標處。

若要以資料指標所標示的位置執行的所有執行緒

在已凍結的執行緒的快顯功能表中選擇解除凍結。
在程式碼編輯器中，將游標移動至列 30。
在快顯功能表的 [程式碼編輯器] 中，選擇 執行目前區塊至游標處。

先前已封鎖在第 21 行的阻礙的 24 個執行緒已經進行到 32 行。這會顯示在 GPU 執行緒視窗。

請參閱

共用方式為