Question

我有一个CUDA内核，它将两个矩阵相乘，其宽度和高度是我正在使用的块大小的倍数。

我使用的Nvidia Quadro Fx 3800的理论带宽为50 Gb / s，我有一些奇怪的结果（有效带宽大于理论带宽）

我会在这里发布一些结果：

使用Blocksize 2

[10] [10] * [10] [10]    - ＆GT; BW = 0,02 Gb / s [1000] [1000] * [1000] [1000] - ＆gt; BW = 69,4   Gb / s的

使用Blocksize 64

[1000] [1000] *   [1000] [1000] - ＆gt; BW = 486,4 Gb / s   [10000] [10000] * [10000] [10000] - ＆gt; BW =   45072,12 Gb / s

我采用了Nvidia最佳实践指南中的有效带宽公式（我已经简化了它但它的等价物（除非有一个愚蠢的错误））。我认为内核很好，因为它与我读过的一些Nvidia讲座非常相似（如果不相同），也因为它正常工作（afaik）。

#define blocksize 64
#define HM (10000) 
#define WM (10000) 
#define WN (10000)
#define HN WM 
#define WP WN   
#define HP HM  
#define PTH WM
#define PTW HM

__global__ void nonsquare(float*M, float*N, float*P, int uWM,int uWN)
   {
__shared__ float MS[blocksize][blocksize];
__shared__ float NS[blocksize][blocksize];

int tx=threadIdx.x, ty=threadIdx.y, bx=blockIdx.x, by=blockIdx.y;
int rowM=ty+by*blocksize;
int colN=tx+bx*blocksize;
int Pvalue=0;

for(int m=0; m< uWM/blocksize;m++){
    MS[ty][tx]=M[rowM*uWM+(m*blocksize+tx)];
    NS[ty][tx]=M[colN + uWN*(m*blocksize+ty)];
    __syncthreads();
    for(int k=0;k<blocksize;k++)
        Pvalue+=MS[ty][k]*NS[k][tx];
    P[rowM*WP+colN]=Pvalue;
}

}
int main(){


cudaEvent_t evstart, evstop;
cudaEventCreate(&evstart);
cudaEventCreate(&evstop);

float*M=(float*)malloc(sizeof(float)*HM*WM);
float*N=(float*)malloc(sizeof(float)*HN*WN);

for(int i=0;i<WM*HM;i++)
    M[i]=(float)i;
for(int i=0;i<WN*HN;i++)
    N[i]=(float)i;




float*P=(float*)malloc(sizeof(float)*HP*WP);



float *Md,*Nd,*Pd;
cudaMalloc((void**)&Md,HM*WM*sizeof(float));

cudaMalloc((void**)&Nd,HN*WN*sizeof(float));

cudaMalloc((void**)&Pd,HP*WP*sizeof(float));



cudaMemcpy(Md,M,HM*WM*sizeof(float),cudaMemcpyHostToDevice);

cudaMemcpy(Nd,N,HN*WN*sizeof(float),cudaMemcpyHostToDevice);



dim3 dimBlock(blocksize,blocksize);//(tile_width , tile_width);
dim3 dimGrid(WN/dimBlock.x,HM/dimBlock.y);//(width/tile_width , width/tile_witdh);

cudaEventRecord(evstart,0);

nonsquare<<<dimGrid,dimBlock>>>(Md,Nd,Pd,WM,WN);

cudaEventRecord(evstop,0);
cudaEventSynchronize(evstop);
float time;
cudaEventElapsedTime(&time,evstart,evstop);

cudaMemcpy(P,Pd,WP*HP*sizeof(float),cudaMemcpyDeviceToHost);

    cudaFree(Md);
cudaFree(Nd);
cudaFree(Pd);


    printf("\ntime spent:%f",time);
float Bandwidth=(HM*WM*4+WN*HN*4+HP*WP*4)/(time*1000000); /
printf("\nEffective Bandwidth:%f Gb/s\n",Bandwidth);
    }

提前致谢

Answer 1

我认为内核正在默默地失败。

您是否检查过任何错误？内核调用？
代码是否有效？
你有什么结果？时间？

Answer 2

请注意，通过使用共享内存，纹理内存等，有时可能会超出理论带宽。这通常意味着您可能无意中使用了一些专用硬件支持的功能（例如内置双线性纹理插值等）。

除了罗伯特哈维提到的原因之外，供应商也可能会在工厂超频（尽管GeForce比Quadros更常见）。

总的来说，如果你接近或超过理论带宽（在内存或计算中），我会说你做得很好。

Answer 3

我可以想到一些解释：

对测量产生不利影响的基线代码的更改
无效的表现假设
未识别的微优化。
不切实际的基准。

您说您的代码已经简化了。我会尝试使用原始基准代码，看看会发生什么。如果数字更加真实，您可以将原始基准代码与简化代码进行比较，以确定差异。

CUDA理论带宽与有效带宽

3 个答案: