第一次在这里提问。我在CUDA计划中遇到了一些问题。
我有数百万个四面体,其中一个点位于(0,0,0),所以我可以使用公式:
获得四面体的体积。
所以,这是代码:
struct Triangle
{
double x1;
double y1;
double z1;
double x2;
double y2;
double z2;
double x3;
double y3;
double z3;
};
CUDA代码:
__global__ void getResult(double *d_volume ,Triangle *d_triangles, Origin *d_point)
{
extern __shared__ Triangle s_data[];
int tid = threadIdx.x;
int i = blockDim.x * blockIdx.x + threadIdx.x;
s_data[tid] = d_triangles[i];
__syncthreads();
d_volume[i] =s_data[tid].x1 * s_data[tid].y2 * s_data[tid].z3 + \
s_data[tid].y1 * s_data[tid].z2 * s_data[tid].x3 + \
s_data[tid].x2 * s_data[tid].y3 * s_data[tid].z1 - \
s_data[tid].x3 * s_data[tid].y2 * s_data[tid].z1 - \
s_data[tid].x2 * s_data[tid].y1 * s_data[tid].z3 - \
s_data[tid].y3 * s_data[tid].z2 * s_data[tid].x1;
}
我从其他函数中得到了数百万个四面体作为数组。
// Host
Triangle *h_triangles = triangles;
double *h_volume;
// Device
Triangle *d_triangles;
double *d_volume;
// define grid and block size
int numThreadsPerBlock = numTriangles;
int numBlocks = numTrianges / 512;
// Shard memory size
int sharedMemSize = numThreadsPerBlock * sizeof(Triangle);
// allocate host and device memory
size_t memSize_triangles = numBlocks * numThreadsPerBlock * sizeof(Triangle);
size_t memSize_volume = numBlocks * numThreadsPerBlock * sizeof(double);
cudaMalloc( (void **) &d_triangles, memSize_triangles );
cudaMalloc( (void **) &d_volume, memSize_volume );
// Copy host array to device array
cudaMemcpy( d_triangles, h_triangles, memSize_triangles, cudaMemcpyHostToDevice );
cudaMemcpy( d_point, h_point, memSize_point, cudaMemcpyHostToDevice );
// launch kernel
dim3 dimGrid(numBlocks);
dim3 dimBlock(numThreadsPerBlock);
getResult<<< dimGrid, dimBlock, sharedMemSize >>>( d_volume, d_triangles);
// block until the device has completed
cudaThreadSynchronize();
// device to host copy
cudaMemcpy( h_volume, d_volume, memSize_volume, cudaMemcpyDeviceToHost );
// free device memory
cudaFree(d_triangles);
cudaFree(d_volume);
// free host memory
free(h_triangles);
free(h_volume);
到目前为止,一切正常。但是我花费的时间比想象的要多。 我的设备是Tesla C2050(515Gflops),比我的CPU快20倍(单核,20.25Gflops)。 但只能加速大约10倍(不包括在设备和主机之间复制内存的时间。)
我想知道如何使它比CPU代码快20倍(用于获取音量的循环)。
谢谢!
PS:也许cudaMallocPitch()会帮助我,但三角形不是矩阵,我不能用cudaMemcpy2D()复制内存而不是cudaMemcpy()。有谁可以帮我解决这个问题?答案 0 :(得分:1)
与CPU相比,GPU上的峰值性能通常更难获得。其中一个原因是许多内核受带宽限制而不是计算限制。
因为你的内核的计算复杂度是O(n)。您可能应该使用带宽度量来计算理论峰值性能,如下所示
1024*1024*64 * sizeof(double) * (9 + 1) / (144e9 * 8/9) = 42 ms
#tetrahedron #input #output peak mem bw ECC cost
另一方面,您的内核可以进一步优化。
__syncthreads()
可能会被淘汰。获得了一个具有大型L1缓存设置和最佳blockDim / gridDim选择的新内核。它快了15%。这是代码和配置文件的结果。我的设备是M2090。
#include <stdlib.h>
#include <thrust/transform.h>
#include <thrust/device_vector.h>
#include <thrust/host_vector.h>
#include <iterator>
#include <thrust/inner_product.h>
using namespace thrust::placeholders;
struct Triangle
{
double x1;
double y1;
double z1;
double x2;
double y2;
double z2;
double x3;
double y3;
double z3;
};
__global__ void getResultNoSMem(double *d_volume, Triangle *d_triangles)
{
int i = blockDim.x * blockIdx.x + threadIdx.x;
d_volume[i] = d_triangles[i].x1 * d_triangles[i].y2 * d_triangles[i].z3 +
d_triangles[i].y1 * d_triangles[i].z2 * d_triangles[i].x3 +
d_triangles[i].x2 * d_triangles[i].y3 * d_triangles[i].z1 -
d_triangles[i].x3 * d_triangles[i].y2 * d_triangles[i].z1 -
d_triangles[i].x2 * d_triangles[i].y1 * d_triangles[i].z3 -
d_triangles[i].y3 * d_triangles[i].z2 * d_triangles[i].x1;
}
__global__ void getResult(double *d_volume, Triangle *d_triangles)
{
extern __shared__ Triangle s_data[];
int tid = threadIdx.x;
int i = blockDim.x * blockIdx.x + threadIdx.x;
s_data[tid] = d_triangles[i];
// __syncthreads();
d_volume[i] = s_data[tid].x1 * s_data[tid].y2 * s_data[tid].z3 +
s_data[tid].y1 * s_data[tid].z2 * s_data[tid].x3 +
s_data[tid].x2 * s_data[tid].y3 * s_data[tid].z1 -
s_data[tid].x3 * s_data[tid].y2 * s_data[tid].z1 -
s_data[tid].x2 * s_data[tid].y1 * s_data[tid].z3 -
s_data[tid].y3 * s_data[tid].z2 * s_data[tid].x1;
}
__global__ void getResultOpt(double *d_volume, Triangle *d_triangles, int len)
{
const int gridSize = blockDim.x * gridDim.x;
int i = blockDim.x * blockIdx.x + threadIdx.x;
while (i < len)
{
d_volume[i] = d_triangles[i].x1 * d_triangles[i].y2 * d_triangles[i].z3 +
d_triangles[i].y1 * d_triangles[i].z2 * d_triangles[i].x3 +
d_triangles[i].x2 * d_triangles[i].y3 * d_triangles[i].z1 -
d_triangles[i].x3 * d_triangles[i].y2 * d_triangles[i].z1 -
d_triangles[i].x2 * d_triangles[i].y1 * d_triangles[i].z3 -
d_triangles[i].y3 * d_triangles[i].z2 * d_triangles[i].x1;
i += gridSize;
}
}
int main(void)
{
const int m = 1024 * 1024;
thrust::host_vector<Triangle> data(m);
for (int i = 0; i < m; i++)
{
data[i].x1 = (double) rand() / RAND_MAX;
data[i].y1 = (double) rand() / RAND_MAX;
data[i].z1 = (double) rand() / RAND_MAX;
data[i].x2 = (double) rand() / RAND_MAX;
data[i].y2 = (double) rand() / RAND_MAX;
data[i].z2 = (double) rand() / RAND_MAX;
data[i].x3 = (double) rand() / RAND_MAX;
data[i].y3 = (double) rand() / RAND_MAX;
data[i].z3 = (double) rand() / RAND_MAX;
}
thrust::device_vector<Triangle> triangles = data;
thrust::device_vector<double> volume(m);
thrust::device_vector<double> volumeOpt(m);
Triangle* dTriangles = thrust::raw_pointer_cast(&triangles[0]);
double* dVolume = thrust::raw_pointer_cast(&volume[0]);
double* dVolumeOpt = thrust::raw_pointer_cast(&volumeOpt[0]);
int g;
int b;
int threadUpperLimit = 48 * 1024 / sizeof(Triangle);
//for (b = 32; b <= 1024; b += 32)
{
b = 64;
int gridDim = (m + b - 1) / b;
getResultNoSMem<<<gridDim, b, 0, 0>>>(dVolume, dTriangles);
}
// for (b = 32; b <= threadUpperLimit; b += 32)
{
b = 64;
int gridDim = (m + b - 1) / b;
getResult<<<gridDim, b, b * sizeof(Triangle), 0>>>(dVolume, dTriangles);
}
//for (g = 32; g <= 512; g += 32)
// for (b = 32; b <= 1024; b += 32)
{
b = 64;
g = 64;
getResultOpt<<<g, b, 0, 0>>>(dVolumeOpt, dTriangles, m);
}
//for (g = 32; g <= 512; g += 32)
// for (b = 32; b <= 1024; b += 32)
{
b = 64;
g = 512;
cudaFuncSetCacheConfig(getResultOpt, cudaFuncCachePreferL1);
getResultOpt<<<g, b, 0, 0>>>(dVolumeOpt, dTriangles, m);
}
thrust::device_vector<double> X = volume;
thrust::device_vector<double> Y = volumeOpt;
thrust::transform(X.begin(), X.end(), Y.begin(), X.begin(), _1 - _2);
double result = thrust::inner_product(X.begin(), X.end(), X.begin(), 0.0);
std::cout << "difference: " << result << std::endl;
return 0;
}
答案 1 :(得分:1)
正如Eric的回答所暗示的,你的内核需要9个64位加载和每个线程64位存储,但每个线程只执行17个FLOP。这可能意味着您的代码内存带宽有限,而不是计算有限,并且您不应期望能够达到此类代码的峰值FLOP / s吞吐量。
因此,最佳性能的关键很可能是内存带宽优化。目前,你的内核有几个明显的问题,其中一个是我在评论中提到的。你真的不需要在内核中写入共享内存 - 它比寄存器慢,并且使用它没有内存带宽的改进。 __syncthreads()
的使用也会给内核增加不必要的延迟。你的代码可以简单地写成:
__global__ void getresult2(double *d_volume, Triangle *d_triangles)
{
int i = blockDim.x * blockIdx.x + threadIdx.x;
Triangle t = d_triangles[i];
d_volume[i] = t.x1 * t.y2 * t.z3 +
t.y1 * t.z2 * t.x3 +
t.x2 * t.y3 * t.z1 -
t.x3 * t.y2 * t.z1 -
t.x2 * t.y1 * t.z3 -
t.y3 * t.z2 * t.x1;
}
[免责声明,从未编译或运行,自担风险使用]
我希望它的性能优于共享内存版本。
第二个问题是内存合并问题。你拥有的结构相当大,每个加载Triangle
完整实例的线程对内存合并或缓存重用都不是很友好。您可以尝试使用共享内存来提高内存负载性能,并通过执行以下操作来合并写入:
__global__
void __launch_bounds__(288, 3)getresult3(double *d_volume, Triangle *d_triangles)
{
__shared__ double s_data[9*32];
int i = blockDim.x * blockIdx.x + threadIdx.x;
double * t_data = reinterpret_cast<double *>(d_triangles);
s_data[threadIdx.x] = t_data[i];
__syncthreads();
if (threadIdx.x < 32) {
Triangle * t = reinterpret_cast<Triangle *>(&s_data[9*threadIdx.x]);
d_volume[i] = t->x1 * t->y2 * t->z3 +
t->y1 * t->z2 * t->x3 +
t->x2 * t->y3 * t->z1 -
t->x3 * t->y2 * t->z1 -
t->x2 * t->y1 * t->z3 -
t->y3 * t->z2 * t->x1;
}
}
[免责声明,从未编译或运行,自担风险使用]
这里,288个线程的块在合并的加载中将32个Triangle
实例提取到共享内存,然后块中的前32个线程执行计算并存储32个结果。如果内核实际上没有达到全球内存带宽吞吐量的很大一部分,那么这样的方案可能证明更快。 CUDA工具包分析工具具有一些非常有用的性能指标分析,可以帮助查明代码中的性能瓶颈。与所有优化练习一样,关键是仔细分析和基准测试,这是您无处可做的事情。