Question

我刚刚开始学习CUDA编程，我对减少有些困惑。

我知道全局内存与共享内存相比有很多访问延迟，但是我可以使用全局内存来（至少）模拟类似于共享内存的行为吗？

例如，我想总结一个长度正好为BLOCK_SIZE * THREAD_SIZE的大数组的元素（网格和块的维度都是2的幂），我试图使用以下代码：

    __global__ void parallelSum(unsigned int* array) {

    unsigned int totalThreadsNum = gridDim.x * blockDim.x;
    unsigned int idx = blockDim.x * blockIdx.x + threadIdx.x;

    int i = totalThreadsNum / 2;
    while (i != 0) {
            if (idx < i) {
                array[idx] += array[idx + i];
        }
        __syncthreads();
        i /= 2;
    }
}

我比较了这段代码的结果和在主机上连续生成的结果，奇怪的是：有时结果是相同的，但有时它们显然是不同的。在这里使用全局内存是否有任何原因？

Answer 1

Tom已经回答了这个问题。在他的回答中，他建议使用Thrust或CUB来减少CUDA。

在这里，我提供了一个关于如何使用两个库来执行缩减的完整工作示例。

#define CUB_STDERR

#include <stdio.h>

#include <thrust/device_ptr.h>
#include <thrust/reduce.h>
#include <thrust/execution_policy.h>

#include <cub/device/device_reduce.cuh>

#include "TimingGPU.cuh"
#include "Utilities.cuh"

using namespace cub;

/********/
/* MAIN */
/********/
int main() {

    const int N = 8388608;

    gpuErrchk(cudaFree(0));

    float *h_data       = (float *)malloc(N * sizeof(float));
    float h_result = 0.f;

    for (int i=0; i<N; i++) {
        h_data[i] = 3.f;
        h_result = h_result + h_data[i];
    }

    TimingGPU timerGPU;

    float *d_data;          gpuErrchk(cudaMalloc((void**)&d_data, N * sizeof(float)));
    gpuErrchk(cudaMemcpy(d_data, h_data, N * sizeof(float), cudaMemcpyHostToDevice));

    /**********/
    /* THRUST */
    /**********/
    timerGPU.StartCounter();
    thrust::device_ptr<float> wrapped_ptr = thrust::device_pointer_cast(d_data);
    float h_result1 = thrust::reduce(wrapped_ptr, wrapped_ptr + N);
    printf("Timing for Thrust = %f\n", timerGPU.GetCounter());

    /*******/
    /* CUB */
    /*******/
    timerGPU.StartCounter();
    float           *h_result2 = (float *)malloc(sizeof(float));
    float           *d_result2; gpuErrchk(cudaMalloc((void**)&d_result2, sizeof(float)));
    void            *d_temp_storage = NULL;
    size_t          temp_storage_bytes = 0;

    DeviceReduce::Sum(d_temp_storage, temp_storage_bytes, d_data, d_result2, N);
    gpuErrchk(cudaMalloc((void**)&d_temp_storage, temp_storage_bytes));
    DeviceReduce::Sum(d_temp_storage, temp_storage_bytes, d_data, d_result2, N);

    gpuErrchk(cudaMemcpy(h_result2, d_result2, sizeof(float), cudaMemcpyDeviceToHost));

    printf("Timing for CUB = %f\n", timerGPU.GetCounter());

    printf("Results:\n");
    printf("Exact: %f\n", h_result);
    printf("Thrust: %f\n", h_result1);
    printf("CUB: %f\n", h_result2[0]);

}

请注意，由于不同的基础理念，CUB可能比Thrust快一些，因为CUB会留下性能关键的细节，例如算法的确切选择以及未绑定并且在用户手中的并发程度。通过这种方式，可以调整这些参数，以便最大限度地提高特定体系结构和应用程序的性能。

在CUB in Action – some simple examples using the CUB template library报告了计算数组欧几里德范数的比较。

Answer 2

您最好的选择是从CUDA样本中的reduction example开始。 scan example Thrust 也适用于在吞吐量架构上学习并行计算的原理。

那就是说，如果你真的只想在你的代码中使用一个简化运算符，那么你应该看看CUB（从主机，跨平台调用）和{{3} （CUDA GPU特定）。

查看您的具体问题：

没有理由不能使用全局内存进行缩减，工具箱中的示例代码遍历各种级别的优化，但在每种情况下，数据都从全局内存开始。
您的代码效率低下（有关工作效率的详细信息，请参阅工具包中的示例！）。
您的代码在没有正确同步的情况下尝试在不同块中的线程之间进行通信; __syncthreads()仅同步特定块内的线程，而不是跨越不同的块（这是不可能的，至少在一般情况下，因为您倾向于超额认购GPU意味着并非所有块都将在给定时间运行）。

最后一点是最重要的。如果块X中的线程想要读取由块Y写入的数据，那么您需要在两次内核启动时解决这个问题，这就是典型的并行缩减采用多阶段方法的原因：减少块内的批量，然后减少批次之间的批量

减少CUDA

2 个答案: