Question

我在其他地方读过cudaMalloc将跨内核同步。（例如will cudaMalloc synchronize host and device?）但是，我刚刚测试了这段代码并根据我在visual Profiler中看到的内容，似乎cudaMalloc没有同步。如果你将cudaFree添加到循环中，同步。我正在使用CUDA 7.5。有谁知道cudaMalloc是否改变了它的行为？还是我错过了一些微妙之处？非常感谢！

__global__ void slowKernel()
{
  float input = 5;
  for( int i = 0; i < 1000000; i++ ){
    input = input * .9999999;
  }
}

__global__ void fastKernel()
{
  float input = 5;
  for( int i = 0; i < 100000; i++ ){
    input = input * .9999999;
  }
}

void mallocSynchronize(){
  cudaStream_t stream1, stream2;
  cudaStreamCreate( &stream1 );
  cudaStreamCreate( &stream2 );
  slowKernel <<<1, 1, 0, stream1 >>>();
  int *dev_a = 0;
  for( int i = 0; i < 10; i++ ){
    cudaMalloc( &dev_a, 4 * 1024 * 1024 );
    fastKernel <<<1, 1, 0, stream2 >>>();
    // cudaFree( dev_a ); // If you uncomment this, the second fastKernel launch will wait until slowKernel completes
  }
}

Answer 1

你的方法存在缺陷，但你的结论对我来说是正确的（如果你查看你的个人资料数据，你应该看到长核和短核都花费相同的时间并快速运行非常，因为积极的编译器优化正在消除两种情况下的所有代码）。

我把你的榜样变成了更合理的东西

#include <time.h>
__global__ void slowKernel(float *output, bool write=false)
{
    float input = 5;
#pragma unroll
    for( int i = 0; i < 10000000; i++ ){
        input = input * .9999999;
    }
    if (write) *output -= input;
}

__global__ void fastKernel(float *output, bool write=false)
{
    float input = 5;
#pragma unroll
    for( int i = 0; i < 100000; i++ ){
        input = input * .9999999;
    }
    if (write) *output -= input;
}

void burntime(long val) {
    struct timespec tv[] = {{0, val}};
    nanosleep(tv, 0);
}

void mallocSynchronize(){
    cudaStream_t stream1, stream2;
    cudaStreamCreate( &stream1 );
    cudaStreamCreate( &stream2 );
    const size_t sz = 1 << 21;
    slowKernel <<<1, 1, 0, stream1 >>>((float *)(0));
    burntime(500000000L); // 500ms wait - slowKernel around 1300ms
    int *dev_a = 0;
    for( int i = 0; i < 10; i++ ){
        cudaMalloc( &dev_a, sz );
        fastKernel <<<1, 1, 0, stream2 >>>((float *)(0));
        burntime(1000000L); // 1ms wait - fastKernel around 15ms
    }
}

int main()
{
    mallocSynchronize();
    cudaDeviceSynchronize();
    cudaDeviceReset();
    return 0;
}

[注意需要POSIX时间功能，所以这不会在Windows上运行]

在速度相当快的Maxwell设备（GTX970）上，我看到循环中的cudaMalloc次调用与配置文件跟踪中仍在执行的slowKernel调用重叠，然后运行fastKernel在另一个流中调用。我愿意接受最初的结论，即微小的时间变化可能会导致你在破碎的例子中看到的效果。但是，在此代码中，主机和设备跟踪之间0.5秒的同步时移似乎非常不可能。您可能需要更改burntime调用的持续时间才能获得相同的效果，具体取决于您的GPU速度。

所以这是一个很长的说法，是的，看起来它是Linux上使用CUDA 7.5和Maxwell设备的非同步调用。我不相信这种情况一直都是这样，但是文档从来没有像我所知的那样，说是否应该阻止/同步。我无法访问较旧的CUDA版本和支持的硬件，以查看此示例对旧驱动程序和Fermi或Kepler设备的作用。

cudaMalloc改为异步吗？

1 个答案: