【参加CUDA线上训练营】-Day3
Programming optimization for data copy
Before Unified Memory Model
在传统计算机架构中,CPU与GPU是分开独立工作的设备,数据传输需要经PCI-e通道传输。而在嵌入式GPU或片上系统SOC等集成环境。CPU/GPU/DSP/Modem被高度集成化。他们共享系统总线和内存。这就为减小IO瓶颈提供了可行的思路。
在何老师介绍进行今天的课程之前,我们将任务分配给GPU执行是这样的。
- Malloc函数分别分配Host&Device端的内存空间并初始化
- 执行cudaMemcpy()拷贝数据到Device
- 编写核函数并执行运算
- 再次调用cudaMemcpy()拷贝数据到Host
我们在编程中必须在CPU和GPU两端都进行内存分配,并不断地进行手动copy,来保证两端的内存一致。
Unified Memory
Unified memory在程序员的视角中,维护了一个统一的内存池,在CPU与GPU中共享。使用了单一指针进行托管内存,由系统来自动地进行内存迁移。
How it Works
- 使用cudaMallocManaged或__managed__修饰符来分配内存,这里定义的数据结构不需要分开处理Host&Device
- 编写核函数并执行运算
- 而因此在launch kernel后需要调用cudaDeviceSynchronize进行同步。
Obvious Advantages
通过运行比较代码
我们发现最快的零拷贝代码时间最快,是同样GPU运算但拷贝的时间的一半不到,CPU最慢。因此有效提高了运算速度。
Code Example
#include <stdio.h>
#include <math.h>
#include "error.cuh"
#define BLOCK_SIZE 16
__managed__ int a[1000 * 1000];
__managed__ int b[1000 * 1000];
__managed__ int c_gpu[1000 * 1000];
__managed__ int c_cpu[1000 * 1000];
__global__ void gpu_matrix_mult(int* a, int* b, int* c, int m, int n, int k)
{
int row = blockIdx.y * blockDim.y + threadIdx.y;
int col = blockIdx.x * blockDim.x + threadIdx.x;
int sum = 0;
if (col < k && row < m)
{
for (int i = 0; i < n; i++)
{
sum += a[row * n + i] * b[i * k + col];
}
c[row * k + col] = sum;
}
}
__global__ void gpu_matrix_mult_shared(int* d_a, int* d_b, int* d_result, int M, int N, int K)
{
__shared__ int tile_a[BLOCK_SIZE][BLOCK_SIZE];
__shared__ int tile_b[BLOCK_SIZE][BLOCK_SIZE];
int row = blockIdx.y * BLOCK_SIZE + threadIdx.y;
int col = blockIdx.x * BLOCK_SIZE + threadIdx.x;
int tmp = 0;
int idx;
for (int sub = 0; sub <= N/BLOCK_SIZE; ++sub)
{
int r = row;
int c = sub * BLOCK_SIZE + threadIdx.x;
idx = r * N + c;
if (r >= M || c >= N)
{
tile_a[threadIdx.y][threadIdx.x] = 0;
}
else
{
tile_a[threadIdx.y][threadIdx.x] = d_a[idx];
}
r = sub * BLOCK_SIZE + threadIdx.y;
c = col;
idx = r * K + c;
if (c >= K || r >= N)
{
tile_b[threadIdx.y][threadIdx.x] = 0;
}
else
{
tile_b[threadIdx.y][threadIdx.x] = d_b[idx];
}
__syncthreads();
for (int k = 0; k < BLOCK_SIZE; ++k)
{
tmp += tile_a[threadIdx.y][k] * tile_b[k][threadIdx.x];
}
__syncthreads();
}
if (row < M && col < K)
{
d_result[row * K + col] = tmp;
}
}
void cpu_matrix_mult(int* a, int* b, int* h_result, int m, int n, int k) {
for (int i = 0; i < m; ++i)
{
for (int j = 0; j < k; ++j)
{
int tmp = 0.0;
for (int h = 0; h < n; ++h)
{
tmp += a[i * n + h] * b[h * k + j];
}
h_result[i * k + j] = tmp;
}
}
}
int main(int argc, char const* argv[])
{
int m = 1000;
int n = 1000;
int k = 1000;
cudaEvent_t start, stop_cpu, stop_gpu;
CHECK(cudaEventCreate(&start));
CHECK(cudaEventCreate(&stop_cpu));
CHECK(cudaEventCreate(&stop_gpu));
for (int i = 0; i < m; ++i) {
for (int j = 0; j < n; ++j) {
a[i * n + j] = 0*rand() % 1024+1;
}
}
for (int i = 0; i < n; ++i) {
for (int j = 0; j < k; ++j) {
b[i * k + j] = 0 * rand() % 1024 +1;
}
}
CHECK(cudaEventRecord(start));
cudaEventQuery(start);
unsigned int grid_rows = (m + BLOCK_SIZE - 1) / BLOCK_SIZE;
unsigned int grid_cols = (k + BLOCK_SIZE - 1) / BLOCK_SIZE;
dim3 dimGrid(grid_cols, grid_rows);
dim3 dimBlock(BLOCK_SIZE, BLOCK_SIZE);
gpu_matrix_mult_shared << <dimGrid, dimBlock >> > (a, b, c_gpu, m, n, k);
CHECK(cudaEventRecord(stop_gpu));
CHECK(cudaEventSynchronize(stop_gpu));
cpu_matrix_mult(a, b, c_cpu, m, n, k);
CHECK(cudaEventRecord(stop_cpu));
CHECK(cudaEventSynchronize(stop_cpu));
float elapsed_time_cpu, elapsed_time_gpu;
CHECK(cudaEventElapsedTime(&elapsed_time_gpu, start, stop_gpu));
CHECK(cudaEventElapsedTime(&elapsed_time_cpu, stop_gpu, stop_cpu));
printf("GPU Time = %g ms.\n", elapsed_time_gpu);
printf("CPU Time = %g ms.\n", elapsed_time_cpu);
CHECK(cudaEventDestroy(start));
CHECK(cudaEventDestroy(stop_cpu));
CHECK(cudaEventDestroy(stop_gpu));
int ok = 1;
for (int i = 0; i < m; ++i)
{
for (int j = 0; j < k; ++j)
{
//printf("GPU: % d; CPU: %d; ", h_c[i * k + j], h_cc[i * k + j]);
if (fabs(c_gpu[i * k + j] - c_cpu[i * k + j]) > (1.0e-10))
{
ok = 0;
}
//printf("\n");
}
}
if (ok)
{
printf("Pass!!!\n");
}
else
{
printf("Error!!!\n");
}
return 0;
}
CUDA Atom Operate
What’s mean of atomicity
CUDA的原子操作可以理解为对一个变量进行“读取-修改-写入”这三个操作的一个最小单位的执行过程,这个执行过程不能够再分解为更小的部分,在它执行过程中,不允许其他并行线程对该变量进行读取和写入的操作。基于这个机制,原子操作实现了对在多个线程间共享的变量的互斥保护,确保任何一次对变量的操作的结果的正确性。
优势
保证了变量不会被两个及以上线程同时调用,确保了程序执行的顺序性
缺点
程序失去并发性流水性,降低了性能。
Where Need the Atom Operate
- 数据写入过程中
- 特殊中断处理操作
- 数据读取时但有进程想写入
- 其他有读写顺序性要求的场合
Atomicity Function
-
int atomicAdd(int* address, int val);
读取位于全局或共享存储器中地址address 处的32 位或64 位字old,计算(old + val),并将结果存储在存储器的同一地址中。这三项操作在一次原子事务中执行。该函数将返回old。只有全局存储器支持64 位字。 -
int atomicSub(int* address, int val);
读取位于全局或共享存储器中地址address 处的32 位字old,计算(old - val),并将结果存储在存储器的同一地址中。这三项操作在一次原子事务中执行。该函数将返回old。 -
int atomicExch(int* address, int val);
读取位于全局或共享存储器中地址address 处的32 位或64 位字old,并将val 存储在存储器的同一地址中。这两项操作在一次原子事务中执行。该函数将返回old。只有全局存储器支持64 位字。 -
atomicMin()
读取位于全局或共享存储器中地址address 处的32 位字old,计算old 和val 的最小值,并将结果存储在存储器的同一地址中。这三项操作在一次原子事务中执行。该函数将返回old。 -
int atomicMax(int* address, int val);
读取位于全局或共享存储器中地址address 处的32 位字old,计算old 和val 的最大值,并将结果存储在存储器的同一地址中。这三项操作在一次原子事务中执行。该函数将返回old。 -
int atomicXor(int* address, int val);
读取位于全局或共享存储器中地址address 处的32 位字old,计算 (old 异或val),并将结果存储在存储器的同一地址中。这三项操作在一次原子事务中执行。该函数将返回old。
Array SUM example
#include <stdio.h>
#include <stdlib.h>
#define SIZE 1024
__global__ void kernel(int size, unsigned int *histo)
{
int i = threadIdx.x + blockIdx.x * blockDim.x;
if (i < size)
{
//*histo+=i;
atomicAdd(histo, i);
}
}
int main(void)
{
int threadSum = 0;
//分配内存并拷贝初始数据
unsigned int *dev_histo;
cudaMalloc((void**)&dev_histo, sizeof(int));
cudaMemcpy(dev_histo, &threadSum, sizeof(int), cudaMemcpyHostToDevice);
// kernel launch - 2x the number of mps gave best timing
int blocks = prop.multiProcessorCount;
//确保线程数足够
kernel << <blocks * 2, (SIZE + 2 * blocks - 1) / blocks / 2 >> > (SIZE, dev_histo);
//数据拷贝回CPU内存
cudaMemcpy(&threadSum, dev_histo, sizeof(int), cudaMemcpyDeviceToHost);
printf("Threads SUM:%d\n", threadSum);
getchar();
cudaFree(dev_histo);
return 0;
}
Learning Feedback
通过更加深入的学习,我对CUDA背后的工程师由衷的感叹。CUDA帮我们自动化完成了同步、异步、互斥,数据传输、内存管理等很多编程问题,使得程序员专注于功能实现本身。让我学到很多受益匪浅!!