Question

我希望加速计算机视觉应用，在英特尔CPU上使用FFTW和OpenMP计算许多FFT。但是，对于各种FFT问题大小，我发现cuFFT比使用OpenMP的FFTW慢。

在下面的实验和讨论中，我发现对于批量2D FFT，cuFFT 比FFTW 更慢。 为什么cuFFT这么慢，我能做些什么来让cuFFT运行得更快？

实验（code download）

我们的computer vision application需要在一堆256x256的小型平面上进行正向FFT。我正在HOG功能上运行FFT，深度为32，因此我使用批处理模式为每个函数调用执行32次FFT。通常，我会进行大约256个256x256的FFT函数调用，批量大小为32。

FFTW + OpenMP
以下代码在Intel i7-2600 8-core CPU上的 16.0ms 中执行。

int depth = 32; int nRows = 256; int nCols = 256; int nIter = 8;
int n[2] = {nRows, nCols};

//if nCols is even, cols_padded = (nCols+2). if nCols is odd, cols_padded = (nCols+1)
int cols_padded = 2*(nCols/2 + 1); //allocate this width, but tell FFTW that it's nCols width
int inembed[2] = {nRows, 2*(nCols/2 + 1)};
int onembed[2] = {nRows, (nCols/2 + 1)}; //default -- equivalent ot onembed=NULL

float* h_in = (float*)malloc(sizeof(float)*nRows*cols_padded*depth);
memset(h_in, 0, sizeof(float)*nRows*cols_padded*depth);
fftwf_complex* h_freq = reinterpret_cast<fftwf_complex*>(h_in); //in-place version

fftwf_plan forwardPlan = fftwf_plan_many_dft_r2c(2, //rank
                                                 n, //dims -- this doesn't include zero-padding
                                                 depth, //howmany
                                                 h_in, //in
                                                 inembed, //inembed
                                                 depth, //istride
                                                 1, //idist
                                                 h_freq, //out
                                                 onembed, //onembed
                                                 depth, //ostride
                                                 1, //odist
                                                 FFTW_PATIENT /*flags*/);
double start = read_timer();
#pragma omp parallel for
for(int i=0; i<nIter; i++){
    fftwf_execute_dft_r2c(forwardPlan, h_in, h_freq);
}
double responseTime = read_timer() - start;
printf("did %d FFT calls in %f ms \n", nIter, responseTime);

cuFFT
以下代码在顶级NVIDIA K20 GPU上的 21.7ms 中执行。请注意，即使我使用了流，cuFFT does not run multiple FFTs concurrently。

int depth = 32; int nRows = 256; int nCols = 256; int nIter = 8;
int n[2] = {nRows, nCols};

int cols_padded = 2*(nCols/2 + 1); //allocate this width, but tell FFTW that it's nCols width
int inembed[2] = {nRows, 2*(nCols/2 + 1)};
int onembed[2] = {nRows, (nCols/2 + 1)}; //default -- equivalent ot onembed=NULL in FFTW
cufftHandle forwardPlan;
float* d_in; cufftComplex* d_freq;
CHECK_CUFFT(cufftPlanMany(&forwardPlan,
              2, //rank
              n, //dimensions = {nRows, nCols}
              inembed, //inembed
              depth, //istride
              1, //idist
              onembed, //onembed
              depth, //ostride
              1, //odist
              CUFFT_R2C, //cufftType
              depth /*batch*/));

CHECK_CUDART(cudaMalloc(&d_in, sizeof(float)*nRows*cols_padded*depth));
d_freq = reinterpret_cast<cufftComplex*>(d_in);

double start = read_timer();
for(int i=0; i<nIter; i++){

    CHECK_CUFFT(cufftExecR2C(forwardPlan, d_in, d_freq));
}
CHECK_CUDART(cudaDeviceSynchronize());
double responseTime = read_timer() - start;
printf("did %d FFT calls in %f ms \n", nIter, responseTime);

其他说明

在GPU版本中，CPU和GPU之间的cudaMemcpy在我的计算时间内不包括。
此处显示的性能数字是几个实验的平均值，其中每个实验有8个FFT函数调用（总共10个实验，因此有80个FFT函数调用）。
我尝试了很多问题大小（例如128x128,256x256,512x512,1024x1024），所有问题都是深度= 32。基于nvvp分析器，1024x1024等一些大小能够完全饱和GPU。但是，对于所有这些尺寸，CPU FFTW + OpenMP都比cuFFT快。

Answer 1

问题可能已经过时，但这是一个可能的解释（因为cuFFT的缓慢）。

在为cufftPlanMany构建数据时，GPU的数据排列不是很好。实际上，使用32的istride和ostride意味着没有数据读取被合并。有关读取模式的详细信息，请参阅here

input[b * idist + (x * inembed[1] + y) * istride]
output[b * odist + (x * onembed[1] + y) * ostride]

在这种情况下，如果i / ostride为32，则不太可能合并/最优。（确实b是批号）。以下是我应用的更改：

    CHECK_CUFFT(cufftPlanMany(&forwardPlan,
              2, //rank
              n, //dimensions = {nRows, nCols}
              inembed, //inembed
              1,  // WAS: depth, //istride
              nRows*cols_padded, // WAS: 1, //idist
              onembed, //onembed
              1, // WAS: depth, //ostride
              nRows*cols_padded, // WAS:1, //odist
              CUFFT_R2C, //cufftType
              depth /*batch*/));

运行此命令，由于非法内存访问，我输入了未指定的启动失败。您可能想要更改内存分配（cufftComplex是两个浮点数，您需要在分配大小中使用x2 - 看起来像拼写错误。）

// WAS : CHECK_CUDART(cudaMalloc(&d_in, sizeof(float)*nRows*cols_padded*depth)); 
CHECK_CUDART(cudaMalloc(&d_in, sizeof(float)*nRows*cols_padded*depth*2));

以这种方式运行时，我的卡上的性能提升了x8。

为什么cuFFT这么慢？

实验（code download）

1 个答案: