atomicAdd และฟังก์ชันที่เกี่ยวข้อง
การดำเนินการอ่าน-แก้ไข-เขียนโดยฮาร์ดแวร์
atomicAdd และฟังก์ชันที่เกี่ยวข้อง เป็นบทเรียน CUDA Academy ฟรีบน CoddyKit นี่คือบทเรียนที่ 2 จากทั้งหมด 4 บทเรียน คุณสามารถอ่านบทเรียนทั้งหมดด้านล่างฟรี — จากนั้นลองปฏิบัติด้วยตัวคุณเองในเบราว์เซอร์พร้อมตัวแก้ไขโค้ดในตัวและติวเตอร์ AI ตลอด 24/7 บทเรียนนี้เป็นส่วนหนึ่งของเส้นทางการเรียน CUDA Academy และความก้าวหน้าของคุณจะซิงค์ข้ามเว็บและแอป CoddyKit คอร์ส CUDA Academy มีบทเรียนทั้งหมด 4 บทเรียน
หนึ่งขั้นตอนที่แบ่งแยกไม่ได้
การดำเนินการแบบ อะตอมิกจะอ่าน แก้ไข และเขียนค่าเป็นขั้นตอนเดียวที่ไม่มีเธรดอื่นแทรกได้ จึงกำจัดสภาวะแข่งขัน ⚛️
ทำความรู้จัก atomicAdd
atomicAdd รับพอยน์เตอร์และค่า ทำการบวกอย่างปลอดภัย แล้วคืนค่าเดิม เธรดหลายเธรดจึงสามารถเข้าถึงแอดเดรสเดียวกันได้โดยไม่มีการปรับปรุงที่สูญหาย
atomicAdd(total, 1);แก้ไขเคาน์เตอร์ที่มีสภาวะแข่งขัน
เปลี่ยนการเพิ่มค่าแบบปกติเป็น atomicAdd แล้วจำนวนจะถูกต้องทุกครั้ง ไม่ว่าเธรดจะทำงานกี่เธรดก็ตาม
__global__ void count(int* total) {
atomicAdd(total, 1);
}ค่าที่คืนกลับมามีประโยชน์
atomicAdd คืนค่าที่มีอยู่ ก่อนการบวกของคุณ ค่าเดิมนี้เป็นช่องเฉพาะที่คุณใช้เป็นดัชนีหรือหมายเลขบัตรคิวได้
int slot = atomicAdd(counter, 1);ตระกูลทั้งหมด
atomicAdd มี เพื่อนร่วมตระกูลอีกมากมาย ได้แก่ atomicSub, atomicMax, atomicMin, atomicExch, atomicAnd, atomicOr และ atomicXor ซึ่งล้วนทำงานแบบอะตอมิกเช่นเดียวกัน
การสลับค่า
atomicExchจัดเก็บค่าใหม่และคืนค่าเดิมภายในขั้นตอนเดียว เหมาะสำหรับการยึดสิทธิ์แฟล็กหรือดึงสถานะก่อนหน้าอย่างปลอดภัย
int prev = atomicExch(flag, 1);อะตอมิก Max และ Min
atomicMaxจะอัปเดตค่าที่เป้าหมายก็ต่อเมื่อค่าของคุณมีขนาดใหญ่กว่า เหมาะอย่างยิ่งสำหรับการหาค่าสูงสุดทั่วทั้งเธรดโดยไม่มีสภาวะแข่งขัน
atomicMax(best, myValue);ชนิดข้อมูลที่รองรับ
อะตอมิกรองรับ int, unsigned และในฮาร์ดแวร์รุ่นใหม่ยังรองรับ float กับ double ด้วย ควรตรวจสอบเสมอว่า ชนิดข้อมูลและสถาปัตยกรรมของคุณรองรับการเรียกใช้ที่ต้องการ
อะตอมิกมีต้นทุน
อะตอมิกทำให้เธรดที่เข้าถึงแอดเดรสเดียวกันต้องทำงานตามลำดับ การ แย่งกันเข้าถึงตำแหน่งเดียวมากเกินไปจะกลายเป็นคอขวด จึงควรใช้เฉพาะจุดที่จำเป็น
กระจายภาระงาน
ลดการแย่งกันเข้าถึงด้วยการให้เธรดอัปเดตแอดเดรสที่ แตกต่างกัน แล้วจึงรวมผลลัพธ์ การชนกันน้อยลงทำให้อะตอมิกยังคงทำงานได้รวดเร็ว
อะตอมิกเทียบกับการลดค่า
สำหรับการหาผลรวมของอาร์เรย์ขนาดใหญ่มาก การ ลดค่าแบบต้นไม้มักมีประสิทธิภาพดีกว่าการใช้อะตอมิกจำนวนมาก ควรเลือกใช้อะตอมิกเมื่อการอัปเดตมีน้อยหรือมีรูปแบบไม่สม่ำเสมอ
ตรวจสอบความเข้าใจอย่างรวดเร็ว
ทดสอบความเข้าใจของคุณเกี่ยวกับการทำงานของ atomicAdd
สรุป: atomicAdd และเพื่อนร่วมตระกูล
คุณได้รู้จักตระกูลอะตอมิก แก้ไขเคาน์เตอร์ที่มีสภาวะแข่งขัน และเรียนรู้ว่าอะตอมิกคืนค่าเดิม แต่ต้องใช้เวลาเพิ่มเมื่อมีการ แย่งกันเข้าถึง ✅
เรียนรู้ C++ ด้วย AI tutor — ฟรี
เขียนและเรียกใช้โค้ดจริงในเบราว์เซอร์ของคุณ รับความช่วยเหลือทันทีจาก AI tutor 24/7 และเรียนรู้ต่อจากที่คุณหยุดบนเว็บหรือในแอป
- คอร์ส
- 30
- บทเรียน
- 120
คำถามที่พบบ่อย
บทเรียน “atomicAdd และฟังก์ชันที่เกี่ยวข้อง” ฟรีหรือไม่
ใช่ — ข้อความเต็มของ “atomicAdd และฟังก์ชันที่เกี่ยวข้อง” ฟรีให้อ่านที่นี่บนเว็บ เพื่อปฏิบัติแบบโต้ตอบ (ตัวแก้ไขโค้ดในตัวและติวเตอร์ AI ตลอด 24/7) และปลดล็อคส่วนที่เหลือของคอร์ส CUDA Academy ให้อัปเกรดเป็น CoddyKit PRO คอร์ส CUDA Academy มีบทเรียนทั้งหมด 4 บทเรียน
คุณจะเรียนรู้อะไรในบทเรียน “atomicAdd และฟังก์ชันที่เกี่ยวข้อง”
การดำเนินการอ่าน-แก้ไข-เขียนโดยฮาร์ดแวร์ คุณปฏิบัติ CUDA Academy ด้วยโค้ดที่ใช้งานได้จริงที่คุณเรียกใช้โดยตรงในเบราว์เซอร์ และติวเตอร์ AI ตลอด 24/7 ตอบคำถามของคุณขณะที่คุณไปผ่านบทเรียน
คุณต้องมีประสบการณ์ก่อนที่จะเริ่มเรียน CUDA Academy หรือไม่
ไม่จำเป็นต้องมีประสบการณ์มาก่อน CUDA Academy บน CoddyKit ออกแบบมาสำหรับผู้เริ่มต้นไปจนถึงผู้เรียนขั้นสูง คุณสามารถเริ่มต้นที่นี่หรือเริ่มจากตัวแรกและเรียนด้วยความเร็วของคุณเอง นี่คือบทเรียนที่ 2 จากทั้งหมด 4 บทเรียน
บทเรียน “atomicAdd และฟังก์ชันที่เกี่ยวข้อง” ใช้เวลานานแค่ไหน
บทเรียน CoddyKit ส่วนใหญ่ใช้เวลาประมาณ 5–10 นาที แต่ละบทเรียนจึงสั้นและเป็นแบบโต้ตอบ คุณสามารถก้าวหน้าอย่างต่อเนื่องและกลับมาเรียนต่อจากตรงที่เพิ่งหยุดบนเว็บและแอปได้เลย
ฉันเขียนและรันโค้ดในบทเรียน CUDA Academy นี้ได้ไหม
ได้ บทเรียน CUDA Academy ทุกบทมีตัวแก้ไขโค้ดในตัว คุณจึงเขียนและรันโค้ดจริงได้เลยในเบราว์เซอร์ และได้รับข้อเสนอแนะจาก AI ในทันที — ไม่ต้องติดตั้งในเครื่องของคุณ
บทเรียนทั้งหมดในหลักสูตรนี้
- เงื่อนไขแข่งขันบน GPU
- atomicAdd และฟังก์ชันที่เกี่ยวข้อง
- สร้างฮิสโตแกรม
- การดำเนินการอะตอมิกแบบกำหนดเองด้วย atomicCAS