Question

我试图实现三相并行扫描，如编程大规模并行处理器第3版的第8章所述（有任何代码行但只有指令）。此算法仅允许使用块中具有最大线程数的1个块，并且它受共享内存大小的限制，因为所有元素必须适合共享内存

经过一些调试后，我在第3阶段的总和中遇到了一个问题（参见下面的代码），当我使用大量元素时，例如8192，以及超过1个线程。

算法的图形概念如下：

下面你可以看到内核代码：

__global__ 
void efficient_Kogge_Stone_scan_kernel(float *X, float *Y, int InputSize) {
    __shared__ float XY[SECTION_SIZE];
    __shared__ float AUS[BLOCK_DIM];
    //int i = blockIdx.x * blockDim.x + threadIdx.x;

    // Keep mind: Partition the input into blockDim.x subsections: i.e. for 8 threads --> 8 subsections

    // collaborative load in a coalesced manner
    for (int j = 0; j < SECTION_SIZE; j += blockDim.x) {
        XY[threadIdx.x + j] = X[threadIdx.x + j];
    }
    __syncthreads();


    // PHASE 1: scan inner own subsection
    // At the end of this phase the last element of each subsection contains the sum of all alements in own subsection
    for (int j = 1; j < SUBSECTION_SIZE; j++) {
        XY[threadIdx.x * (SUBSECTION_SIZE)+j] += XY[threadIdx.x * (SUBSECTION_SIZE)+j - 1];
    }
    __syncthreads();


    // PHASE 2: perform iterative kogge_stone_scan of the last elements of each subsections of XY loaded first in AUS
    AUS[threadIdx.x] = XY[threadIdx.x * (SUBSECTION_SIZE)+(SUBSECTION_SIZE)-1];
    float in;
    for (unsigned int stride = 1; stride < blockDim.x; stride *= 2) {
        __syncthreads();
        if (threadIdx.x >= stride) {
            in = AUS[threadIdx.x - stride];
        }
        __syncthreads();
        if (threadIdx.x >= stride) {
            AUS[threadIdx.x] += in;
        }
    }
    __syncthreads();


    // PHASE 3: each thread adds to its elements the new value of the last element of its predecessor's section
    if (threadIdx.x > 0) {
        for (unsigned int stride = 0; stride < (SUBSECTION_SIZE); stride++) {
            XY[threadIdx.x * (SUBSECTION_SIZE)+stride] += AUS[threadIdx.x - 1];  // <-- 
        }
    }
    __syncthreads();


    // store the result into output vector
    for (int j = 0; j < SECTION_SIZE; j += blockDim.x) {
        Y[threadIdx.x + j] = XY[threadIdx.x + j];
    }
}

如果我在块中使用一个线程和8192个元素，它可以完美地工作，但是如果我使用多个线程，则结果在XY [5793]中错误（或者在完成并存储结果时为X [5793]）。它有4096个元素和一个或多个线程，最多1024个线程。如果我使用int而不是float数字，它甚至可以使用带有一个或多个线程的8192个元素。

我也尝试在MATLAB中进行验证，这些是输出比较：

X [5973] = 1678811 5 ---- MATLAB
X [5973] = 1678811 4 ---- CPU
X [5973] = 1678811 6 ---- GPU

正如我们所看到的，CPU结果也不同于MATLAB，所以在这些结果之后我认为问题是关于浮点加法，但我告诉你我用有序的＆＃34; x填充了输入数组。 0.00＆＃34;浮点数（例如{1.00,2.00,3.00,4.00 ..... 8192.00}）。

另一个问题是关于性能，主机代码总是比内核代码快，有了这些配置参数和这些输入，这是正常的吗？

如果您需要完整的源代码，可以找到它here

Answer 1

8192是2 ^ 13

总和（1..8192）接近8192 ^ 2/2：8192 * 8193/2，即略高于2 ^ 25。

因此，您需要26位来表示它（参见下面的注释）。

单精度IEEE 754浮点数只有24位有效数，因此，取决于求和的执行方式（以哪种顺序），最终取决于舍入方向（通常是默认舍入到最近，连接到偶数），然后结果可能会有所不同。

注意严格地说，精确的和可以用浮点表示而不用舍入，因为最后12位是零，所以有效位只跨越14位。但是部分金额并非如此。

Answer 2

第一次扫描可能存在问题：

XY[threadIdx.x * (SUBSECTION_SIZE)+j] += XY[threadIdx.x * (SUBSECTION_SIZE)+j - 1];

这可能导致共享内存中元素的不一致读取。当您读取前一个元素时，不能保证任何其他线程都没有更新该值。

尝试通过将值存储在寄存器中来将此部分分成几部分。例如：

int t =  XY[threadIdx.x * (SUBSECTION_SIZE)+j - 1];
 __syncthreads();
 XY[threadIdx.x * (SUBSECTION_SIZE)+j] += t;

CUDA Paralell前缀和错误

2 个答案: