Question

我有一个简单的cuda应用程序，代码如下：

#include <stdio.h>
#include <sys/time.h>
#include <stdint.h>
__global__
void daxpy(int n, int a, int *x, int *y) {
  int i = blockIdx.x*blockDim.x + threadIdx.x;
  y[i] = x[i];
  int j;
  for(j = 0; j < 1024*10000; ++j) {
     y[i] += j%10;
  }
}
// debug time
void calc_time(struct timeval *start, const char *msg) {
   struct timeval end;
   gettimeofday(&end, NULL);
   uint64_t us = end.tv_sec * 1000000 + end.tv_usec - (start->tv_sec * 1000000 + start->tv_usec);
   printf("%s cost us = %llu\n", msg, us);
   memcpy(start, &end, sizeof(struct timeval));
}
void do_test() {
   unsigned long n = 1536;
   int *x, *y, a, *dx, *dy;
   a = 2.0;
   x = (int*)malloc(sizeof(int)*n);
   y = (int*)malloc(sizeof(int)*n);
   for(i = 0; i < n; ++i) {
      x[i] = i;
   }

   cudaMalloc((void**)&dx, n*sizeof(int));
   cudaMalloc((void**)&dy, n*sizeof(int));
   struct timeval start;
   gettimeofday(&start, NULL);
   cudaMemcpy(dx, x, n*sizeof(int), cudaMemcpyHostToDevice);

   daxpy<<<1, 512>>>(n, a, dx, dy); // this line 
   cudaThreadSynchronize();
   cudaMemcpy(y, dy, n*sizeof(int), cudaMemcpyDeviceToHost);
   calc_time(&start, "do_test ");
   cudaFree(dx);
   cudaFree(dy);
   free(x);
   free(y);
}
int main() {
   do_test();
   return 0;
}

gpu内核调用是daxpy<<<1, 512>>>(n, a, dx, dy)，我使用不同的块大小执行了一些测试：

daxpy<<<1, 32>>>(n, a, dx, dy)
daxpy<<<1, 64>>>(n, a, dx, dy)
daxpy<<<1, 128>>>(n, a, dx, dy)
daxpy<<<1, 129>>>(n, a, dx, dy)
daxpy<<<1, 512>>>(n, a, dx, dy)

......并提出以下意见：

32，64和128块大小的执行时间相同，
块大小128和129的执行时间不同，特别是：
- 对于128，执行时间为280毫秒，
- 对于129，执行时间为386ms。

我想问一下导致块大小128和129的执行时间差异的原因。

我的GPU是特斯拉K80：

CUDA Driver Version / Runtime Version          6.5 / 6.5
CUDA Capability Major/Minor version number:    3.7
Total amount of global memory:                 11520 MBytes (12079136768 bytes)
(13) Multiprocessors, (192) CUDA Cores/MP:     2496 CUDA Cores
GPU Clock rate:                                824 MHz (0.82 GHz)
Memory Clock rate:                             2505 Mhz
Memory Bus Width:                              384-bit
L2 Cache Size:                                 1572864 bytes
Maximum Texture Dimension Size (x,y,z)         1D=(65536), 2D=(65536, 65536), 3D=(4096, 4096, 4096)
Maximum Layered 1D Texture Size, (num) layers  1D=(16384), 2048 layers
Maximum Layered 2D Texture Size, (num) layers  2D=(16384, 16384), 2048 layers
Total amount of constant memory:               65536 bytes
Total amount of shared memory per block:       49152 bytes
Total number of registers available per block: 65536
Warp size:                                     32
Maximum number of threads per multiprocessor:  2048
Maximum number of threads per block:           1024
Max dimension size of a thread block (x,y,z): (1024, 1024, 64)
Max dimension size of a grid size    (x,y,z): (2147483647, 65535, 65535)
Maximum memory pitch:                          2147483647 bytes
Texture alignment:                             512 bytes
Concurrent copy and kernel execution:          Yes with 2 copy engine(s)
Run time limit on kernels:                     No
Integrated GPU sharing Host Memory:            No
Support host page-locked memory mapping:       Yes
Alignment requirement for Surfaces:            Yes
Device has ECC support:                        Enabled
Device supports Unified Addressing (UVA):      Yes
Device PCI Bus ID / PCI location ID:           135 / 0

Answer 1

在向我们提供其中一条评论中的确切时间差异后，即：

最多128个线程的280毫秒，
386ms for 129+ threads，

我认为它间接支持我的问题理论与扭曲调度有关。看看GK210 whitepaper，这是K80中使用的芯片：

K80 SMX具有四线扭曲调度程序，请参阅四线扭曲调度程序部分，
这意味着K80 SMX能够一次安排最多128个线程（4个warp == 128个线程），然后这些线程同时执行，

因此，对于129个线程，调度不能同时发生，因为SMX必须安排5个warp，即调度将分两步进行。

如果上述情况属实，那么我希望：

块大小1 - 128，
块大小129 - 192的执行时间大致相同。

192是SMX上的核心数，请参阅白皮书。提醒一下 - 整个块总是安排在一个SMX上，所以很明显，如果你生成超过192个线程，那么肯定不能并行执行，并且执行时间应该更高，超过193个线程数。

您可以通过将内核代码简化到几乎不执行任何操作的程度来验证上述论文，因此只要由于调度而执行需要更长时间就应该或多或少地明显（不会有其他限制因素，例如内存吞吐量）。

免责声明：以上只是我的假设，因为我无法访问K80，也没有任何其他具有四线扭曲调度程序的GPU，因此我无法正确分析您的代码。但无论如何，我相信这是你的任务 - 为什么不自己使用nvprof并编写你的代码？然后你应该能够看到时差的位置。

为什么我的cuda程序在块上使用128个线程后会变慢？

1 个答案: