Question

我正在分析一些代码，但无法找出性能差异。我试图在两个数组之间进行简单的元素添加（就地）。这是使用numba的CUDA内核：

from numba import cuda

@cuda.jit('void(float32[:], float32[:])')
def cuda_add(x, y):

    ix = cuda.threadIdx.x + cuda.blockIdx.x * cuda.blockDim.x
    stepSize = cuda.gridDim.x * cuda.blockDim.x
    while ix < v0.shape[0]:
        y[ix] += x[ix]
        ix += stepSize

我认为表现很好，但后来我将它与cuBLAS方法进行了比较：

from accelerate.cuda.blas import Blas

blas = Blas()
blas.axpy(1.0, X, Y)

对于大型阵列（20M元素），BLAS方法的性能大约快25％。这是在cuda.jit内核之前通过调用它来预热，因此编译的PTX代码已经被缓存（不确定这是否重要，但只是为了确保这不是问题）。

我可以理解3级矩阵矩阵运算的性能差异，但这是一个简单的补充。我能做些什么来从cuda.jit代码中挤出更多性能？我问，因为我想优化的真实代码是一个二维数组，不能传递给blas.axpy。

编辑执行代码和其他所需的软件包：

import numpy as np

def main():
    n = 20 * 128 * 128 * 64
    x = np.random.rand(n).astype(np.float32)
    y = np.random.rand(n).astype(np.float32)

    ##  Create necessary GPU arrays
    d_x = cuda.to_device(x)
    d_y = cuda.to_device(y)

    ##  My function
    cuda_add[1024, 64](d_x , d_y)

    ##  cuBLAS function
    blas = Blas()
    blas.axpy(1.0, d_x , d_y)

Answer 1

非常简短的回答是否定的。 CUBLAS利用许多东西（纹理，矢量类型）来改善内存绑定代码的性能，这是numba CUDA方言目前不支持的。

我在CUDA中删掉了这个：

__device__ float4 add(float4 x, float4 y) 
{
    x.x += y.x; x.y += y.y; x.z += y.z; x.w += y.w; 
    return x;
} 

__global__ void mykern(float* x, float* y, int N)
{
    float4* x4 = reinterpret_cast<float4*>(x);
    float4* y4 = reinterpret_cast<float4*>(y);

    int strid = gridDim.x * blockDim.x;
    int tid = threadIdx.x + blockDim.x * blockIdx.x;

    for(; tid < N/4; tid += strid) {
        float4 valx = x4[tid];
        float4 valy = y4[tid];
        y4[tid] = add(valx, valy);
    }       
}

我的基准测试显示它在CUBLAS的5％左右，但我不相信你现在可以在numba中做到这一点。

顺便说一句，我不明白你关于无法在2D数组上运行saxpy的说法。如果数组在内存中连续（因为我怀疑它们必须是）并且具有相同的布局（即不尝试添加转置），那么可以在2D数组上使用saxpy

Numba python CUDA与简单操作的cuBLAS速度差异

1 个答案: