https://github.com/Matazure/tensor
Tensor是一個基於C++, CUDA的異構計算庫，其上層介面極大地提高了高效能異構程式的開發效率。Tensor採用C++ AMP，Thrust的異構介面設計；具備類似Matlab的基本矩陣操作；將Eigen的延遲計算推廣到GPU端；使用超程式設計技術追求擴充套件性和效能的極致。Tensor將致力於為眾多異構應用提供底層支援。

特點

• 統一的異構程式設計介面
• 泛型設計，超程式設計支援
• 記憶體自動回收
• 向量化操作
• 延遲計算
• Header only
• 多平臺支援

示例

下面的程式演示如何使用Tensor庫對兩個tensor進行相加

#include <matazure/tensor>
using namespace matazure;

float main(){
    //申請裝置端tensor
    cuda::tensor<float, 1> ts0(5);
    cuda::tensor<float, 1> ts1(ts0.shape());    
    //為tensor賦值
    //__matazure__關鍵字用於宣告此lambda運算元可以在cuda中執行
    cuda::for_index(0, ts0.size(), [=] __matazure__ (int_t i){
        ts0[i] = static_cast
 
<float>(i);
        ts1[i] = i * 0.1f;
    }); 
    //將ts0加ts1的結果存入ts2中
    cuda::tensor<float, 1> ts2(ts0.shape());
    cuda::for_index(0, ts0.size(), [=] __matazure__ (int_t i){
        ts2[i] = ts0[i] + ts1[i];
    });
    //列印結果
    cuda::for_index(0, ts2.size(), [=] __matazure__ (int_t i){
        printf
 
("%d : %f\n", i, ts2[i]);
    }); 
    //等待裝置端的任務執行完畢
    cuda::device_synchronize();
    return 0;
}

可以看出，使用Tensor庫，異構程式的開發效率可以獲得極大的提升。下面的異構程式用於rgb影象歸一化並分離三個通道的資料

#include <matazure/tensor>
using namespace matazure;

//若支援CUDA則使用
#ifdef MATAZURE_CUDA
#define WITH_CUDA
#endif

int main(int argc, char *argv[]) {
    //定義3個位元組的rgb型別
    typedef point<byte, 3> rgb;
    //定義rbg影象
    tensor<rgb, 2> ts_rgb(512, 512);
    //將raw資料載入到ts_rgb中來
    io::read_raw_data("data/lena_rgb888_512x512.raw_data", ts_rgb);
    //選擇是否使用CUDA
#ifdef WITH_CUDA
    auto gts_rgb = mem_clone(ts_rgb, device_t{});
#else
    auto &gts_rgb = ts_rgb;
#endif
    //影象畫素歸一化
    auto glts_rgb_shift_zero = gts_rgb - rgb::all(128);
    auto glts_rgb_stride = stride(glts_rgb_shift_zero, 2);
    auto glts_rgb_normalized = tensor_cast<pointf<3>>(glts_rgb_stride) / pointf<3>::all(128.0f);
    //前面並未進行實質的計算，這一步將上面的運算合併處理並把結果寫入到memory中, 避免了額外的記憶體開銷
    auto gts_rgb_normalized = glts_rgb_normalized.persist();
#ifdef WITH_CUDA
    cuda::device_synchronize();
    auto ts_rgb_normalized = mem_clone(gts_rgb_normalized, host_t{});
#else
    auto &ts_rgb_normalized = gts_rgb_normalized;
#endif
    //定義三個通道的影象資料
    tensor<float, 2> ts_red(ts_rgb_normalized.shape());
    tensor<float, 2> ts_green(ts_rgb_normalized.shape());
    tensor<float, 2> ts_blue(ts_rgb_normalized.shape());
    //zip操作，就返回tuple資料，tuple的元素為上面三個通道對應元素的引用
    auto ts_zip_rgb = zip(ts_red, ts_green, ts_blue);
    //讓tuple元素可以和point<byte, 3>可以相互轉換
    auto ts_zip_point = point_view(ts_zip_rgb);
    //拷貝結果到ts_red, ts_green, ts_blue中，因為ts_zip_point的元素是指向這三個通道的引用
    copy(ts_rgb_normalized, ts_zip_point);
    //儲存raw資料
    io::write_raw_data("data/lena_red_float_256x256.raw_data", ts_red);
    io::write_raw_data("data/lena_green_float_256x256.raw_data", ts_green);
    io::write_raw_data("data/lena_blue_float_256x256.raw_data", ts_blue);

    return 0;
}

豐富的tensor操作，向量化的介面使程式碼看起來清晰整潔，延遲計算的使用，避免了額外的記憶體讀寫，讓程式擁有極佳的效能。

開發環境

僅CPU支援

Tensor的程式碼規範遵循C++11標準， 所以只需編譯器支援C++11即可。

CUDA支援

在符合CPU支援的基礎上，需要安裝CUDA 8.0，詳情可檢視CUDA官方文件

生成專案

先安裝git和CMake,然後在命令列裡執行

Linux

git clone --recursive https://github.com/Matazure/tensor.git
mkdir build
cd build
cmake ..

Windows

git clone --recursive https://github.com/Matazure/tensor.git
mkdir build
cd build
cmake .. -G "Visual Studio 14 2015 Win64"

使用

git clone https://github.com/Matazure/tensor.git

使用上面指令獲取tensor專案後，將根目錄（預設是tensor）加入到目標專案的標頭檔案路徑即可，無需其他庫檔案依賴。有關C++專案，或者CUDA專案的建立，可自行查閱網上眾多的資源。

工具

為了儘可能的減少第三方庫的依賴，示例會直接使用raw資料，我們可以藉助ImageMagic來轉換影象和raw資料
將影象轉換為raw資料

convert   lena_rgb888_512x512.jpg  -depth 8 rgb:lena_rgb888_512x512.raw_data
convert   lena_rgb888_512x512.jpg  -depth 8 gray:lena_gray8_512x512.raw_data

將raw資料轉換為影象

convert  -size 512x512 -depth 8 rgb:lena_rgb888_512x512.raw_data lena_rgb888_512x512.jpg
convert  -size 512x512 -depth 8 gray:lena_gray8_512x512.raw_data lena_gray8_512x512.jpg

許可證書

該專案使用MIT證書授權，具體可檢視LICENSE檔案

聯絡方式

原作者希望更多的人加入到Tensor的使用開發中來，若在使用上有迷惑的地方，可直接通過郵件聯絡，週末可加QQ溝通
郵箱： [email protected]
QQ： 417083997