RVGPU 构建和使用

1. 如何运行

1.1 环境

实验操作系统为：ubuntu22.04

依赖第三方软件：

# 编译LLVM 依赖
sudo apt install git cmake python3 python-pip

sudo pip3 install ninja

# 编译CModel 依赖
sudo apt install pkg-config libdrm-dev libgtest-dev

1.2 编译源码

项目整体使用git submodule的方式管理，所以只需要clone顶层仓库就可以拉取所有的代码：

git clone https://gitee.com/rvgpu/rvgpu.git

目前v0.2.1的tag分支可以使用，最新的代码还在努力开发中，代码切换到v0.2.1的tag上，并且初始化子模块。

务必切换到v0.2.1分支上，子模块也从v0.2.1初始化，其他分支编译不过：

cd rvgpu
git checkout -b v0.2.1 tags/v0.2.1

git submodule init
git submodule update

涉及到的构建代码比较多，所以在tools仓库下实现了一个构建脚本，可以编译安装所有需要的代码仓库：

cd rvgpu
./tools/build/build.sh

编译时间较长，正确执行完脚本后，将安装到当前路径下的install目录下：

qihangkong@st-ubuntu:~/git/rvgpu$ ls install/
bin  include  lib  libexec  share

1.3 使用Docker镜像编译

使用打包好的Docker镜像进行编译, Dockerfile位于：https://gitee.com/rvgpu/tools/blob/main/docker/Dockerfile

docker image build -t rvgpu/rvgpu:v0.2.1 .
docker run -it rvgpu/rvgpu:v0.2.1

启动镜像后，rvgpu的仓库位于：/root/rvgpu，编译使用如下的命令：

cd /root/rvgpu
./tools/build/build.sh

1.4 运行cuda程序

cuda程序mul.cu如下：

// file: mul.cu
#include <iostream>

__global__ void mul(int a, float* x, float* y) {
    y[threadIdx.x] = a * x[threadIdx.x];
}

int main(int argc, char* argv[]) {
    const int kDataLen = 4;

    int a = 2;
    float host_x[kDataLen] = {1.0f, 2.0f, 3.0f, 4.0f};
    float host_y[kDataLen];

    // Copy input data to device.
    float* device_x;
    float* device_y;
    cudaMalloc(&device_x, kDataLen * sizeof(float));
    cudaMalloc(&device_y, kDataLen * sizeof(float));
    cudaMemcpy(device_x, host_x, kDataLen * sizeof(float), cudaMemcpyHostToDevice);

    // Launch the kernel.
    mul<<<1, kDataLen>>>(a, device_x, device_y);

    // Copy output data to host.
    cudaDeviceSynchronize();
    cudaMemcpy(host_y, device_y, kDataLen * sizeof(float), cudaMemcpyDeviceToHost);

    // Print the results.
    for (int i = 0; i < kDataLen; ++i) {
        std::cout << "y[" << i << "] = " << host_y[i] << "\n";
    }

    cudaDeviceReset();
    return 0;
}

使用clang编译cuda：

export CUDA_INSTALL_PATH=/root/rvgpu/install
export LD_LIBRARY_PATH=${CUDA_INSTALL_PATH}/lib
export PATH=${CUDA_INSTALL_PATH}/bin:${PATH}

clang++ mul.cu -o a.out --cuda-gpu-arch=rv64g -L${CUDA_INSTALL_PATH}/lib -lcudart -ldl -lrt

通过–cuda-gpu-arch=rv64g指定编译cuda的目标设备为rvgpu。

运行设置环境变量 LD_LIBRARY_PATH 如下：

export LD_LIBRARY_PATH=${PWD}/install/lib


# 确保应用程序已经链接到指定的动态库上
qihangkong@st-ubuntu:~/git/rvgpu$ ldd ./mul
./mul: /home/qihangkong/git/rvgpu/install/lib/libcudart.so.11.0: no version information available (required by ./mul)
        linux-vdso.so.1 (0x00007ffdc52c9000)
        libcudart.so.11.0 => /home/qihangkong/git/rvgpu/install/lib/libcudart.so.11.0 (0x00007f7f09c3f000)
        libstdc++.so.6 => /lib/x86_64-linux-gnu/libstdc++.so.6 (0x00007f7f09800000)
        libm.so.6 => /lib/x86_64-linux-gnu/libm.so.6 (0x00007f7f09b3c000)
        libgcc_s.so.1 => /lib/x86_64-linux-gnu/libgcc_s.so.1 (0x00007f7f09b1c000)
        libc.so.6 => /lib/x86_64-linux-gnu/libc.so.6 (0x00007f7f09400000)
        librvgpu.so.1.0 => /home/qihangkong/git/rvgpu/install/lib/librvgpu.so.1.0 (0x00007f7f09b15000)
        /lib64/ld-linux-x86-64.so.2 (0x00007f7f09c51000)
        librvgsim.so.0.0.1 => /home/qihangkong/git/rvgpu/install/lib/librvgsim.so.0.0.1 (0x00007f7f09af0000)
        libsoftfloat.so => /home/qihangkong/git/rvgpu/install/lib/libsoftfloat.so (0x00007f7f09ace000)

运行如下：

qihangkong@st-ubuntu:~/git/rvgpu$ ./mul
./mul: /home/qihangkong/git/rvgpu/install/lib/libcudart.so.11.0: no version information available (required by ./mul)
this is RVGSim
Run Kernel
y[0] = 2
y[1] = 4
y[2] = 6
y[3] = 8

2. 问题

如果有什么问题欢迎随时联系我们：

https://gitee.com/rvgpu

3. 使用源码编译第三方库

在开发过程中，往往需要编译构建第三方库，下面的列表是构建第三方仓库的参考文档：