C# 利用显卡算力入门指南：从基础概念到实战代码

1次阅读

没有评论

共计 2200 个字符，预计需要花费 6 分钟才能阅读完成。

在现代计算中，GPU（图形处理单元）已经不再局限于图形渲染。由于其高度并行的架构，GPU 在计算密集型任务中展现出远超 CPU 的性能优势。特别是在机器学习、科学计算和大规模数据处理等领域，GPU 加速已经成为提升性能的关键手段。

然而，传统的 C# 开发主要依赖于 CPU 计算，开发者往往对如何利用 GPU 算力感到困惑。CPU 虽然擅长处理复杂的逻辑和串行任务，但在并行计算方面存在明显瓶颈。当面对需要大量重复计算的任务时，CPU 的性能往往捉襟见肘。

在 C# 中利用 GPU 计算，主要有两种技术选择：CUDA 和 OpenCL。

CUDA：由 NVIDIA 开发，仅支持 NVIDIA 显卡。它的优势在于完善的生态系统和丰富的库支持，但缺点是平台限制较大。
OpenCL：由 Khronos Group 开发，支持多种硬件平台（包括 NVIDIA、AMD 和 Intel 显卡）。它的优势在于跨平台性，但生态系统相对 CUDA 较弱。

对于 C# 开发者来说，选择哪种技术取决于项目需求。如果项目运行环境明确使用 NVIDIA 显卡，CUDA 可能是更好的选择；如果需要跨平台支持，OpenCL 更合适。

以 CUDA 为例，首先需要安装 NVIDIA 的 CUDA Toolkit，并确保显卡驱动支持 CUDA。然后，通过 NuGet 安装 ManagedCuda 库，这是 C# 调用 CUDA 的桥梁。

Install-Package ManagedCuda

以下是一个简单的向量加法示例，展示如何在 C# 中调用 GPU 进行计算：

using ManagedCuda;
using ManagedCuda.BasicTypes;
using ManagedCuda.VectorTypes;

class Program
{static void Main()
    {
        // 初始化 CUDA 上下文
        CudaContext ctx = new CudaContext();

        // 定义向量大小
        int n = 1000000;
        float[] a = new float[n];
        float[] b = new float[n];
        float[] c = new float[n];

        // 初始化数据
        for (int i = 0; i < n; i++)
        {a[i] = i;
            b[i] = i * 2;
        }

        // 分配 GPU 内存
        CudaDeviceVariable<float> devA = new CudaDeviceVariable<float>(n);
        CudaDeviceVariable<float> devB = new CudaDeviceVariable<float>(n);
        CudaDeviceVariable<float> devC = new CudaDeviceVariable<float>(n);

        // 数据从 CPU 复制到 GPU
        devA.CopyToDevice(a);
        devB.CopyToDevice(b);

        // 加载 CUDA 内核（需提前编译为.ptx 文件）CudaKernel kernel = ctx.LoadKernel("vectorAdd.ptx", "vectorAdd");

        // 设置线程块和网格大小
        kernel.BlockDimensions = new dim3(256);
        kernel.GridDimensions = new dim3((n + 255) / 256);

        // 调用内核
        kernel.Run(devA.DevicePointer, devB.DevicePointer, devC.DevicePointer, n);

        // 将结果复制回 CPU
        devC.CopyToHost(c);

        // 释放资源
        devA.Dispose();
        devB.Dispose();
        devC.Dispose();
        ctx.Dispose();

        Console.WriteLine("GPU 计算完成！");
    }
}

对应的 CUDA 内核代码（保存为vectorAdd.cu）：

__global__ void vectorAdd(float* a, float* b, float* c, int n)
{
    int i = blockIdx.x * blockDim.x + threadIdx.x;
    if (i < n)
    {c[i] = a[i] + b[i];
    }
}

为了直观展示 GPU 计算的性能优势，我们对上述向量加法进行了测试：