我正在编写一个n体仿真,基本上整个操作是:
applicationUser
我注意到将近90%的时间用于将数据写入内核中的全局设备内存。这是内核:
-Prepare CUDA memory
loop {
-Copy data to CUDA
-Launch kernel
-Copy data to host
-Operations using data (drawing etc.)
}
运行它的设备是GTX 970.执行所需的时间大约为8.0秒,但是在添加这些标志后: -gencode arch = compute_52,code = sm_52 ,性能提升到6.7秒左右。在注释掉写入全局设备内存的代码之后:
__global__ void calculateForcesCuda(float *deviceXpos, float *deviceYpos, float *deviceZpos,
float *deviceXforces, float *deviceYforces, float *deviceZforces,
float *deviceMasses, int particlesNumber) {
int tid = threadIdx.x + blockIdx.x * blockDim.x;
if (tid <= particlesNumber) {
float particleXpos = deviceXpos[tid];
float particleYpos = deviceYpos[tid];
float particleZpos = deviceZpos[tid];
float xForce = 0.0f;
float yForce = 0.0f;
float zForce = 0.0f;
for (int index=0; index<particlesNumber; index++) {
if (tid != index) {
float otherXpos = deviceXpos[index];
float otherYpos = deviceYpos[index];
float otherZpos = deviceZpos[index];
float mass = deviceMasses[index];
float distx = particleXpos - otherXpos;
float disty = particleYpos - otherYpos;
float distz = particleZpos - otherZpos;
float distance = sqrt((distx*distx + disty*disty + distz*distz) + 0.01f);
xForce += 10.0f * mass / distance * (otherXpos - particleXpos);
yForce += 10.0f * mass / distance * (otherYpos - particleYpos);
zForce += 10.0f * mass / distance * (otherZpos - particleZpos);
}
}
deviceXforces[tid] += xForce;
deviceYforces[tid] += yForce;
deviceZforces[tid] += zForce;
}
}
...总执行时间减少到大约0.92秒,这意味着写入全局设备内存大约需要86%的执行时间。有没有办法可以提高这些写入的性能?
答案 0 :(得分:2)
在这种计算中,记忆通常是瓶颈,即使你测量的时间不是90%。我会建议两件事。
device...[index]
加载到共享内存目前,所有线程都读取相同的deviceXpos[index]
,deviceYpos[index]
,deviceZpos[index]
和deviceMasses[index]
。相反,您可以将它们加载到共享内存中:
static const int blockSize = ....;
__shared__ float shXpos[blockSize];
__shared__ float shYpos[blockSize];
__shared__ float shZpos[blockSize];
__shared__ float shMasses[blockSize];
for (int mainIndex=0; mainIndex<particlesNumber; index+=blockSize) {
__syncthreads(); //ensure computation from previous iteration has completed
shXpos[threadIdx.x] = deviceXpos[mainIndex + threadIdx.x];
shYpos[threadIdx.x] = deviceYpos[mainIndex + threadIdx.x];
shZpos[threadIdx.x] = deviceZpos[mainIndex + threadIdx.x];
shMasses[threadIdx.x] = deviceMasses[mainIndex + threadIdx.x];
__syncthreads(); //ensure all data is read before computation starts
for (int index=0; index<blockSize; ++index) {
.... //your computation, using sh....[index] values
}
}
这应该减少全局内存读取的数量,因为每个线程读取不同的数据,而不是所有读取相同的东西。
请注意,如果驱动程序正确管理L1缓存,则此建议可能不会那么有效。试试吧!
您可能希望一次执行多个粒子的计算。而不是只有一组{particleX/Y/Zpos
,x/y/zForce
},代表一个接收力的粒子,你可以同时拥有其中的一些。
这样,通过在循环中加载源一次,就可以处理多个接收器。
这可能会显着降低您的记忆力,但同时会增加您的记录计数。太多的寄存器 - 你将无法启动那么多线程。
检查您的线程已有多少个寄存器,并查阅CUDA占用计算器以查看您可以使用多少寄存器。也许可以将占用率从1降低到0.5或0.75,但同时处理更多颗粒将是有益的?您需要进行实验,因为这可能因GPU而异。