Question

我试图比较CPU和GPU的性能。我有

CPU：英特尔®酷睿™i5 CPU M 480 @ 2.67GHz×4
GPU：NVidia GeForce GT 420M

我可以确认GPU已配置好并且可以正常使用CUDA。

我正在实施Julia集计算。 http://en.wikipedia.org/wiki/Julia_set 基本上对于每个像素，如果坐标在集合中，则将其绘制为红色否则把它漆成白色。

尽管如此，我对CPU和GPU都给出了相同的答案，而不是得到一个性能提升，使用GPU可以降低性能。

运行时间

CPU：0.052s
GPU：0.784s

我知道将数据从设备传输到主机可能需要一些时间。但是，我怎么知道GPU的使用是否真的有益呢？

这是相关的GPU代码

    #include <stdio.h>
    #include <cuda.h>

    __device__ bool isJulia( float x, float y, float maxX_2, float maxY_2 )
    {
        float z_r = 0.8 * (float) (maxX_2 - x) / maxX_2;
        float z_i = 0.8 * (float) (maxY_2 - y) / maxY_2;

        float c_r = -0.8;
        float c_i = 0.156;
        for( int i=1 ; i<100 ; i++ )
        {
        float tmp_r = z_r*z_r - z_i*z_i + c_r;
        float tmp_i = 2*z_r*z_i + c_i;

        z_r = tmp_r;
        z_i = tmp_i;

        if( sqrt( z_r*z_r + z_i*z_i ) > 1000 )
            return false;
        }
        return true;
    }

    __global__ void kernel( unsigned char * im, int dimx, int dimy )
    {
        //int tid = blockIdx.y*gridDim.x + blockIdx.x;
        int tid = blockIdx.x*blockDim.x + threadIdx.x;
        tid *= 3;
        if( isJulia((float)blockIdx.x, (float)threadIdx.x, (float)dimx/2, (float)dimy/2)==true )
        {
        im[tid] = 255;
        im[tid+1] = 0;
        im[tid+2] = 0;
        }
        else
        {
        im[tid] = 255;
        im[tid+1] = 255;
        im[tid+2] = 255;
        }

    }

    int main()
    {
        int dimx=768, dimy=768;

        //on cpu
        unsigned char * im = (unsigned char*) malloc( 3*dimx*dimy );

        //on GPU
        unsigned char * im_dev;

        //allocate mem on GPU
        cudaMalloc( (void**)&im_dev, 3*dimx*dimy ); 

        //launch kernel. 
**for( int z=0 ; z<10000 ; z++ ) // loop for multiple times computation**
{
        kernel<<<dimx,dimy>>>(im_dev, dimx, dimy);
}

        cudaMemcpy( im, im_dev, 3*dimx*dimy, cudaMemcpyDeviceToHost );

        writePPMImage( im, dimx, dimy, 3, "out_gpu.ppm" ); //assume this writes a ppm file

        free( im );
        cudaFree( im_dev );
    }

这是CPU代码

    bool isJulia( float x, float y, float maxX_2, float maxY_2 )
    {
        float z_r = 0.8 * (float) (maxX_2 - x) / maxX_2;
        float z_i = 0.8 * (float) (maxY_2 - y) / maxY_2;

        float c_r = -0.8;
        float c_i = 0.156;
        for( int i=1 ; i<100 ; i++ )
        {
        float tmp_r = z_r*z_r - z_i*z_i + c_r;
        float tmp_i = 2*z_r*z_i + c_i;

        z_r = tmp_r;
        z_i = tmp_i;

        if( sqrt( z_r*z_r + z_i*z_i ) > 1000 )
            return false;
        }
        return true;
    }


    #include <stdlib.h>
    #include <stdio.h>

    int main(void)
    {
      const int dimx = 768, dimy = 768;
      int i, j;

      unsigned char * data = new unsigned char[dimx*dimy*3];

**for( int z=0 ; z<10000 ; z++ ) // loop for multiple times computation**
{
      for (j = 0; j < dimy; ++j)
      {
        for (i = 0; i < dimx; ++i)
        {
          if( isJulia(i,j,dimx/2,dimy/2) == true )
          {
          data[3*j*dimx + 3*i + 0] = (unsigned char)255;  /* red */
          data[3*j*dimx + 3*i + 1] = (unsigned char)0;  /* green */
          data[3*j*dimx + 3*i + 2] = (unsigned char)0;  /* blue */
          }
          else
          {
          data[3*j*dimx + 3*i + 0] = (unsigned char)255;  /* red */
          data[3*j*dimx + 3*i + 1] = (unsigned char)255;  /* green */
          data[3*j*dimx + 3*i + 2] = (unsigned char)255;  /* blue */
          }
        }
      }
}

      writePPMImage( data, dimx, dimy, 3, "out_cpu.ppm" ); //assume this writes a ppm file
      delete [] data


      return 0;
    }

此外，根据@hyde的建议，我已经循环了仅计算部分以生成10,000个图像。我不打算写所有这些图像。计算只是我正在做的事情。

以下是运行时间

CPU：超过10分钟且代码仍在运行
GPU：1m 14.765s

Answer 1

将评论转为答案：

要获得相关数据，您需要计算多个图像，因此执行时间至少为几秒或几十秒。此外，在结果中包括文件保存时间将增加噪声并隐藏实际的CPU与GPU差异。

获得实际结果的另一种方法是选择一个具有属于该集合的批量点的Julia集合，然后将迭代计数提高到如此之高，只需要几秒钟来计算一个图像。然后只有一个单一的计算设置，因此这可能是GPU / CUDA最有利的场景。

要测量有多少开销，请将图像大小更改为1x1并将迭代限制为1，然后计算足够的图像，至少需要几秒钟。在这种情况下，GPU可能会明显变慢。

要获得最相关的用例时序，请选择您真正要使用的图像大小和迭代次数，然后测量图像数，两个版本的速度相同。这将为您提供一个粗略的经验法则来决定您何时应该使用它。

实际结果的替代方法，如果您只想获得一个图像：找到单个最坏情况图像的迭代限制，其中CPU和GPU同样快。如果多次或多次迭代将是有利的，请选择GPU，否则选择CPU。

GPU在Julia集计算中没有提供性能改进

1 个答案: