1 GPU架构的发展
| 架构名 | 发布年份 | 显卡名称 | 每个SM中SP的数量 |
|---|---|---|---|
| Tesla | 2008 | ||
| Fermi | 2010 | GTX400 GTX500 | GF100：32；GF10X：48 |
| Kepler | 2012 | GTX600 GTX700 | 192 |
| Maxwell | 2014 | GTX800 GTX900 Jetson-Nano | 128 |
| Pascal | 2016 | GP100 GTX1000 MX150 MX250 Jetson-TX2 | |
| Volta | 2017 | GV100 Tesla-V100 Jetson-Xavier | |
| Turing | 2018.8 | RTX2000 | 64 |
2 GPU总体硬件资源
G P U = 显存 + 计算单元 GPU = \text{显存} + \text{计算单元} GPU=显存+计算单元
- 显存（Global Memory）：显存是在
GPU板卡上的DRAM，类似于CPU的内存，相当于是CPU旁边的那堆DDR之类的。特点是容量大（可达16GB甚至以上），速度慢（这个速度慢是相对于数据处理速度而言的），显存对于CPU和GPU都可以访问的。 - 计算单元（Streaming Multiprocessor，SM）：执行计算的单元。每一个SM都有自己的控制单元（Control Unit），寄存器（Register），缓存（Cache），指令流水线（execution pipelines）等内容。
3 计算单元SM
3.1 流多处理器（Streaming Multiprocessor，SM）总述
一个GPU可以有一个或者多个SM（上图中深橙色的框）。SM可以看做GPU的心脏，也叫GPU大核。SM可以类比到CPU核心。
相同架构的GPU包含的SM数量则根据GPU的中高低端来定，有低端型号只有1个SM，高端型号多达30个SM。常说的GPU的计算能力定义了这些SM的功能，但不是代表GPU中有多少条SM。
理论上GPU的计算能力决定驻留在SM上的线程块的最大数量。（可以理解为SM定义最多能运行的线程块数量）。
线程块的数量可能还会受到如下两方面的限制，所以实际使用中它可能会低于最大值：
SP的寄存器数量硬件限制- 线程块消耗的共享内存量硬件限制
register和shared memory是SM的稀缺资源。CUDA将这些资源分配给所有驻留在SM中的Block。因此，这些资源是限制SM中active warps的最主要因素，也就限制了并行能力。
Kepler中叫做SMX，Maxwell中叫做SMM。SMM，SMX是之后对SM的升级，区别不是很大。每个SM的内核数不是一个非常有用的指标，在这一点上不需要考虑太多。
3.2 SM的内部硬件结构
分为如下这些主要部分：
3.2.1 流处理器（Streaming Processor ，SP）
SP 是GPU最基本的处理单元，也称为CUDA core。
每个SM中包含几十或者上百个CUDA核心，依据GPU架构而不同。我们所说的几百核心GPU中这个几百指的就是SP的数量（图三中深蓝色的框）。
SP只运行一个线程，每个SP都有自己的寄存器集（图二中浅灰色的框，同时也就是2.2.3中的Register File）。
GPU的CUDA core只相当于CPU处理器中的执行单元，负责执行指令进行运算，并不包含控制单元（2.2.2中的Warp Scheduler相当于控制单元）。
SP 内部包括承接控制单元指令的Dispatch Port、Operand Collector，以及浮点计算单元FP Unit、整数计算单元Int Unit，另外还包括计算结果队列。当然还有Compare、Logic、Branch等。相当于微型CPU。
具体的指令和任务都是在SP上处理的。GPU之所以可以进行并行计算，也就是在GPU的体系结构中可以实现很多个SP同时做处理。这个并行计算是通过单指令多线程 （Single Instruction Multiple Threads，SIMT）实现的。现在SP的术语已经有点弱化了，而是直接使用thread来代替。一个SP对应一个thread。
另外一些处理单元我们都归为SP
Tensor Cores：英伟达图灵架构专属处理单元，专门负责处理矩阵运算，和负责人工智能相关的运算。
RT Core：英伟达图灵架构专属处理单元，专门负责处理光线追踪运算。
一个SM中的所有SP是由Warp调度分配的线程束进行并行操作的，共享同一个shared memory和instruction unit。
3.2.2 Warp调度 （Wrap Scheduler）& 指令调度单元（Dispatch Units）
这个模块负责Warp调度（之后的Warp我翻译为线程束），用于将一批批的Warp发送给特定的计算核心SP执行计算。一个Warp由32个线程组成。Dispatch Units负责将Warp Scheduler的指令送往Core执行（也就是上面的SP）
SM中的SP会分成成组的Warp，每组32个。Wrap Scheduler会从在SM上的所有Warp中进行指令调度。从已经有指令可以被执行的Warp中挑选然后分配下去。这些Warp可能来自与驻留在SM上的任何线程块。
通常，希望驻留多个线程块这样就可以随时有Warp分配下去，以便在任何给定时刻，SP都可以忙于运行任何Warp通过调度准备就绪的指令。
例如，这是个整形运算，发给
INT32（可以理解为一种SP中间的计算单元），如果是个浮点数运算，发给FP32（可以理解为一种SP中间的计算单元），是个存取资源的操作，发给LD/ST，以此类推。
INT32和FP32处理能力是有差别的，其中，FP处理能力相比INT可能有两倍或者更高的差距。因为GPU处理浮点运算多，所以各大厂商可能将浮点运算能力设计的强大一些。所以在大多数情况下编写shader的时候，适当避免一些整形操作改用浮点运算代替，可能性能还反而好一些。当然，也不可能让浮点运算单元做所有事情但是整形运算单元什么都不干，矫枉过正了，所以该有必要整形处理还是继续整形处理。
对于特定的GPU架构（例如英伟达费米架构），可能对应多个Dispatch Units，可以将若干互不干扰的操作，优化成一周期执行完毕
例如一个简单指令计算与一个存储取出操作，由于他们各自使用不同的处理区域进行处理，可以考虑并行执行）
3.2.3 寄存器（Register File）
每个SP都有自己的寄存器。这个部分是比较稀缺的资源，限制可以并行的程序数量。
3.2.4 LD/ST（Load/Store）
负责从显存当中将数据加载到寄存器，或者从寄存器当中写回到显存。
这个单元处理操作都是异步的，也就是说其他单元在高速处理指令的时候，如果需要加载或者写回数据，则不会在这里等待LD/ST返回数据，而是跳转执行其他指令，待LD/ST把数据取到或者写回之后，再继续执行需要这些数据的后续指令。
3.2.5 特殊运算单元（Special Function Units，SFU）
执行特殊数学运算（sin、cos、log等）
3.2.6 高速缓冲器（cache）
这些缓冲器主要用于何处到何处的缓冲可以参考4.0~4.3的架构图查看
全局内存缓存（Uniform Cache，U-Cache）
指令缓存（Instruction Cache，I-Cache）
纹理缓存（Texture Cache，T-Cache）
3.2.7 多线程的指令集（Multithreaded Instruction Unit）
3.2.8 纹理读取单元（Tex）
通常这个单元负责纹理采样，包括但不限于，将纹理从专属压缩格式（例如安卓的ETC，ETC2，ASTC等，以及iOS的ASTC，PVRTC等）转换成Color返回给寄存器，负责处理纹理读取相关指令（如 tex2D等），某些情况下，也处理将纹理从显存读取到缓存的这类操作。
这个单元处理操作也是异步的。类似LD/ST单元。区别是，纹理处理单元的数据是只读的。
3.2.9 基于标量寄存器的指令集（Scalar register-based ISA）
3.2.10 双精度单元（Double Precision Unit）
要注意的是CUDA Core是Single Precision的，也就是计算Float单精度的。双精度Double Precision是那个黄色的模块（4.0中的图二）。所以一个SM里边有32个DP Unit，有64个CUDA Core，所以单精度双精度单元数量比是2:1。
3.2.11 共享内存池（Shared Memory）
每个SM都有属于本SM的共享内存池，分配给在此SM上运行的所有线程块。
多个线程块在一个SM上面运行的时候会分别使用部分共享内存池。
3.2.12 多边形引擎（PolyMorph Engine）
负责属性装配（attribute Setup）、顶点拉取（Vertex Fetch）、曲面细分、栅格化（这个模块可以理解专门处理顶点相关的东西）。
3.2.13 内部链接网络（Interconnect Network）
4 一些GPU的硬件框架示意图
4.0 不知名结构图
4.1 GeForce GTX 580
以NVIDIA GeForce GTX 580为例，每个GPU Core的内部如下：
每个SM有32个CUDA core（也就是SP），共享相同的取指／译码部件，合起来成为一个核心。每个SM最多能支持48个warp，也就是能管理
48
∗
32
=
1576
48*32=1576
48∗32=1576个实时线程，
拥有16个SM。而16个SM最多可以管理多达24576个线程。
一个GTX 580包含16个这样的结构，总共
16
∗
32
=
512
16*32 = 512
16∗32=512个CUDA core，可以并发执行
1536
∗
16
=
24576
1536*16=24576
1536∗16=24576个CUDA threads.
4.2 GM204
16个SM，每个SM中有128个CUDA核心，4个warp scheduler。
SM中有大量的寄存器资源，有64k 32-bit寄存器。
SM中另外一个重要资源是Shared Memory，有96KB的Shared Memory。
在GM204的SM结构图里我们可以看到，SM被划分成四个相同的块，每一块中有单独的Warp Scheduler，以及32个CUDA核心。Warp正是在这里被执行。32个CUDA核心共享一个Warp Scheduler
4.3 Turing架构的SM
Last 参考文献
(3条消息) gpu的单位表示_GPU中的基本概念_weixin_39717121的博客-CSDN博客
CUDA的thread,block,grid和warp - 知乎
GPU架构之Hierarchy Memory多级存储 - 知乎
Nvidia GPU架构 - Cuda Core，SM，SP等等傻傻分不清？_咚咚锵的博客-CSDN博客_cuda sm
2676
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
