这几天看别人的论文,发现一个比较有意思的实现方式。巧用pinned memory,在GPU中实现类似pipeline的功能。在论文中pipeline中,有四个操作:地址生成,数据组装,数据拷贝和计算。对于地址生成和计算是在GPU中操作的。
详细的请看一个例子:
1、我们假设有两个thread block,对于第一个block计算地址空间(在例子中省略了),在第一个block生成地址完成生成一个信号;
2、当第一个block完成功能后,通知cpu端,此时在cpu端组织对应的数据;
3、第二部完成后,把数据拷贝到GPU段,数据拷贝完成后给GPU一个信号
4、GPU中第二个block根据第3部中的信号来计算
当从论文中看到实现方式时,觉得so easy,然后码代码,结果却不对。研究了两天,并且和论文作者沟通了一番才真正码代码实现了上述功能。现在就上代码来。
#include <stdio.h>
#include <stdlib.h>
#include <cuda.h>
__global__ void pipeline(int *flag_a,int*flag_b,int*Input,int*Out)
{
int idx=threadIdx.x;
if(blockIdx.x==0){
if(0==idx)
flag_a[0]=1; //地址生成ok信号
}
if(blockIdx.x==1){
if(0==idx){
int value = 0;
do
{
asm volatile("ld.global.cg.u32 %0, [%1];" :"=r"(value) :"l"(&flag_b[0]));//数据发送ok信号
} while(value != 1);
}
__syncthreads();
Out[idx]=Input[idx]+idx;
}
}
int main()
{
/*1*/
int *flag_a,*flag_b;
cudaHostAlloc((void**)&flag_a,sizeof(int),cudaHostAllocMapped);
cudaHostAlloc((void**)&flag_b,sizeof(int),cudaHostAllocMapped);
flag_a[0]=0;
flag_b[0]=0;
/*2*/
int*Input,*Out;
int *d_Input,*d_Out;
int*d_float_a,*d_float_b;
Input=(int*)malloc(sizeof(int)*32);
Out=(int*)malloc(sizeof(int)*32);
for(int i=0;i<32;i++){
Input[i]=i;
}
memset(Out,0,sizeof(int)*32);
cudaMalloc((void**)&d_Input,sizeof(int)*32);
cudaMemset(d_Input,0,sizeof(int)*32);
cudaMalloc((void**)&d_Out,sizeof(int)*32);
cudaMemset(d_Out,0,sizeof(int)*32);
cudaHostGetDevicePointer((void **)&d_float_a, (void *)flag_a, 0);
cudaHostGetDevicePointer((void **)&d_float_b, (void *)flag_b, 0);
cudaStream_t stream_kernel,stream_datacopy;
cudaStreamCreate(&stream_kernel);
cudaStreamCreate(&stream_datacopy);
pipeline<<<2,32,0,stream_kernel>>>(d_float_a,d_float_b,d_Input,d_Out);
while(!(1==flag_a[0])){
cudaMemcpyAsync(d_Input,Input,sizeof(int)*32,cudaMemcpyHostToDevice,stream_datacopy);
cudaStreamSynchronize(stream_datacopy);
flag_b[0]=1;
break;
}
cudaStreamSynchronize(stream_kernel);
cudaMemcpy(Out,d_Out,sizeof(int)*32,cudaMemcpyDeviceToHost);
for(int i=0;i<32;i++){
printf("%d:%d\n",i,Out[i]);
}
cudaFreeHost(flag_a);
cudaFreeHost(flag_b);
cudaFree(d_Input);
cudaFree(d_Out);
free(Out);
free(Input);
return 0;
}
运行结果:
lucas@lucas-desktop:~/cuda/new$ ls
Makefile pipeline.cu
lucas@lucas-desktop:~/cuda/new$ make
nvcc -O3 -o pile pipeline.cu
lucas@lucas-desktop:~/cuda/new$ ./pile
0:0
1:2
2:4
3:6
4:8
5:10
6:12
7:14
8:16
9:18
10:20
11:22
12:24
13:26
14:28
15:30
16:32
17:34
18:36
19:38
20:40
21:42
22:44
23:46
24:48
25:50
26:52
27:54
28:56
29:58
30:60
31:62
lucas@lucas-desktop:~/cuda/new$
由于CPU和GPU端常规方式在kernel执行期间不能直接通信,所以利用了pinned memory,并且利用了两个stream。代码也是比较简单,就不详细说明了。
需要注意的是在kernel段,为什么会有:
asm volatile("ld.global.cg.u32 %0, [%1];" :"=r"(value) :"l"(&flag_b[0]));//数据发送ok信号
ptx的代码呢?
在刚开始的实现中,我的办法如下:
while(!(1==flag_b[0])){
}
对于此种实现方式,在开始实现while之前,编译器优化掉flag_b[0]的值,把其值保存在一个寄存器中。使得pinned memory中flag_b有更新,但是kernel中的值并不是最新的,所以才有ptx的代码。