CUDA RentSense kNN

Небольшой учебный проект по CUDA: kNN-регрессия для оценки аренды по табличным признакам.

В проекте есть три режима:

• cpu — последовательный baseline на C++
• naive — CUDA kernel с расчётом попарных расстояний из global memory
• optimized — CUDA kernel с tiled shared memory

Структура

cuda-rentsense-knn/
├─ CMakeLists.txt
├─ include/
├─ src/
├─ data/
└─ scripts/

Сборка

cmake -S . -B build -DCMAKE_BUILD_TYPE=Release
cmake --build build -j

Если CUDA_ARCHITECTURES native не подходит для вашей карты, задайте архитектуру вручную в CMakeLists.txt.

Быстрый запуск

На синтетических данных:

./build/cuda_rentsense_knn --mode all --data synthetic --N 10000 --Q 512 --D 32 --k 5

С записью результатов в CSV:

./build/cuda_rentsense_knn \
  --mode all \
  --data synthetic \
  --N 20000 \
  --Q 1024 \
  --D 32 \
  --k 5 \
  --csv results/benchmark.csv

Подготовка собственных данных

Скрипт data/prepare_dataset.py читает CSV, оставляет числовые признаки, делает split train/query, нормализацию и сохраняет бинарные файлы.

Пример:

python3 data/prepare_dataset.py \
  --csv your_data.csv \
  --target price \
  --out_dir data/processed

После этого можно запускать бинарный режим:

./build/cuda_rentsense_knn \
  --mode all \
  --data binary \
  --train_features data/processed/X_train.bin \
  --train_labels data/processed/y_train.bin \
  --query_features data/processed/X_query.bin \
  --query_labels data/processed/y_query.bin

Профилирование

Nsight Compute:

bash scripts/profile_ncu.sh

Nsight Systems:

bash scripts/profile_nsys.sh

Что измеряется

• total_ms
• h2d_ms
• kernel_ms
• d2h_ms
• post_ms
• rmse

Идея оптимизации

Основная вычислительная часть — матрица попарных расстояний между query и train объектами. Эта операция естественно распараллеливается. В optimized-версии часть признаков подгружается в shared memory, чтобы уменьшить число чтений из global memory.