上一篇我们写了一个简单的并行归约算法,虽然相比与CPU已经达到了较快的速度,但其实程序还有很大的优化空间。
比较明显的是有两个需要优化的点:
- 线程束分化
- 内存访问
下面我们来一一解决。
线程束分化
首先我们来回忆一下上个程序的实现思路,我们是利用stride变量来实现每轮迭代时的被加数选择,这造成线程束的分化,也就是每个线程束中只有部分线程是活跃的,但由于硬件设计,调度会以一整个线程束为单位进行,所以影响了程序的效率。
这种情况下,我们可以通过重新组织线程索引来解决线程束分化的问题。我们把核函数的代码修改成这样:
__global__
相比于之前的初版代码,我们现在使用线程ID来生成一个数组访问索引,这种方式有效地避免了线程束的分化。可能会有点迷惑,我们更具体说说,在每个线程块有1024个线程(32个线程束)时,在第一轮迭代,前16个线程束执行计算,后16个线程束什么都不做;而原来的代码中,32个线程束都执行计算,但只有偶数标号的线程活跃。第二轮迭代时,前8个线程束执行计算,后24个线程束执行计算;而原来的代码中,32个线程束都执行计算,但只有标号是4的倍数的线程活跃。这样重新组织线程ID后,线程束分化就被避免掉了。我们来实际运行一下,看看效果。
运行时间从2.5ms变成了1.5ms,加速了1.6倍,非常可观,可见尽量避免线程束的分化十分重要。这给了我们一点的启发,看似不起眼的细节,在CUDA编程中却会产生不小的影响,这也是我们需要了解底层硬件运行机制的一个重要原因。
内存组织
在CPU编程中,我们学过空间局部性与时间局部性,这在CUDA编程中对我们也是很有启发的。之前我们采用相邻配对进行求和,这种方法最为直观,但会造成在第二轮之后内存访问的不连续(因为使用了stride变量作为跨度)。为了缓解这种现象,我们重新组织一下配对方法,让对内存的访问更加集中,如下图,这种新的配对方法我们称为交错配对。
新编写的核函数如下:
__global__
我们来看看运行结果:
在改进线程束分化后,我们重新组织了内存的访问方式,运行时间从1.54ms提升到了1.36ms,获得了大约1.13倍的加速。
这给我们的启发是,对全局内存的访问要尽量进行合并访问与存储,这样才能达到最大的带宽。
完整代码放在这里:
ZihaoZhao/CUDA_study
小结一下,这一篇我们使用两种思路对程序进行了简单的优化,程序从2.48ms加速到1.36ms,累计获得了1.8倍的加速比。而这两点,恰恰对应了系列开篇中我们提到的CUDA编程的特点,线程组织和内存组织,这也是我们在CUDA编程中需要随时注意的。