Question

我想通过在GPU上并行运行矩阵运算来执行适合大量较小矩阵的OLS。我写的代码似乎正在运行，但是它比预期的要慢。当前，尽管在GPU上进行并行计算，但在CPU上的单个线程上运行它所需的时间却较短。 Nvidia Visual Profiler似乎表明内存分配占用了大量时间。我怀疑罪魁祸首是内核内部不同大小矩阵的动态内存分配。我需要加快内核运行速度的建议和帮助。

我尝试对循环中创建的每个矩阵使用new和delete。

这是内核：

__global__
void comb_ols(double *y, double *X, double *R2 ,const unsigned int M, const unsigned int N, int* sub_col, int *sub_size, int* cumulative_size, const unsigned int numberOfCalculations){

    int size;   
    int start_index;

    int index = blockIdx.x*blockDim.x+threadIdx.x;
    int stride = blockDim.x*gridDim.x;  
    for(int i = index; i < numberOfCalculations; i+=stride){    

        size = sub_size[i];
        start_index = cumulative_size[i];             

        double *sub_matrix = new double[M*(1+size)];


            for(int j = 0; j < size; j++){
            for(int k  = 0; k<M; k++){
                sub_matrix[k] = 1;
                sub_matrix[k + M * (1 +  j)] = X[k + M * (sub_col[start_index+j]+1)];                                           
                                            }       
            }
        }

        R2[i] = getR2(y,sub_matrix,M,size+1);


        delete [] sub_matrix;
    }
}

在设备功能getR2中，我们具有以下内容：

__device__
double getR2(double *y, double *X ,const unsigned int M, const unsigned int N) {

    // Initilize values
    double R2, numerator;
    double* A = new double[N*N];
    double* IA = new double[N*N];
    double* yX = new double[N];  
    // Generate all components
    XtX(X, A, M, N);
    LUPDecompose(A, N);
    LUPInvert(A, N, IA);
    yTX(y, X, yX, M, N);
    // Calc R2
    numerator = olsR2numerator(yX, IA, N);
    R2 = numerator / yTy(y, M);
    //R2 = yTy(y,M);

    delete[] A;
    delete[] IA;
    delete[] yX;

    return R2;
}

实际的内核调用是这样的：

com_ols<<<numBlocks, blockSize >>>(Y,X,R2,M,N,sub_columns, sub_size, cumulative_size, numberOfCalculations);

当前，内核运行时间仅为1.4秒，而在单线程cpu上为0.7秒。我希望内核运行时间会更快，因为它只会循环执行矩阵操作的许多迭代，这对于gpu应该是适当的。如何分配大小不同的矩阵的内存有些效率低下。你们怎么说在内核内部动态存储各种大小的矩阵？应该如何以最有效的方式完成此操作？

对于给定代码的任何其他反馈都将受到赞赏。

Answer 1

在我看来，这里适用三个非常简单的经验法则：

动态内存分配总是昂贵。
除非绝对必要，否则性能代码从不使用动态内存分配。
如果绝对需要动态内存分配，请预先分配内存并尽可能多地重复使用

如果您查看代码，则会违反所有这三个概念。

您清楚地知道（或可以简单地计算）内核启动之前sub_size的最大值。充分利用先验知识–为计算预分配堆内存，该内存足够大，可以处理数据集中最大的问题，并在线程的生命周期内重新使用它。您的内核很容易看起来像这样：

__global__
void comb_ols(double *y, double *X, double *R2 ,const unsigned int M, 
             const unsigned int N, int* sub_col, int *sub_size, int* cumulative_size, 
             const unsigned int numberOfCalculations, const int max_size){

    int size;   
    int start_index;

    int index = blockIdx.x*blockDim.x+threadIdx.x;
    int stride = blockDim.x*gridDim.x;

    double *sub_matrix = new double[M*(1+max_size)];
    R2scratch temp(1+max_size);

    for(int i = index; i < numberOfCalculations; i+=stride){    

        size = sub_size[i];
        start_index = cumulative_size[i];             
        for(int j = 0; j < size; j++){
            for(int k  = 0; k<M; k++){
                sub_matrix[k] = 1;
                sub_matrix[k + M * (1 +  j)] = X[k + M * (sub_col[start_index+j]+1)];                                           
                                            }       
            }
        }
        R2[i] = getR2(y,sub_matrix,M,size+1,temp);
    }
    delete [] sub_matrix;
}

和设备功能如下：

struct R2scratch
{
    double* A;
    double* IA;
    double* yX;  

    __device__
    R2scratch(int N) {
        A = new double[N*N];
        IA = new double[N*N];
        yX = new double[N];  
    };

    __device__
    ~R2scratch() {
        delete[] A;
        delete[] IA;
        delete[] yX;
    };
};

__device__
double getR2(double *y, double *X ,const unsigned int M, const unsigned int N, 
             R2scratch &scratch) {

    // Initilize values
    double R2, numerator;
    double* A = scratch.A;
    double* IA = scratch.IA;
    double* yX = scratch.yX;

    // Generate all components
    XtX(X, A, M, N);
    LUPDecompose(A, N);
    LUPInvert(A, N, IA);
    yTX(y, X, yX, M, N);
    // Calc R2
    numerator = olsR2numerator(yX, IA, N);
    R2 = numerator / yTy(y, M);
    //R2 = yTy(y,M);

    return R2;
}

[代码显然是用浏览器编写的，从未进行编译和测试，使用风险自负]。

通过这样做，您可以一次分配一次内存分配的成本来进行许多计算，这应该比当前的方法效率更高。

减少cuda内核运行时：内核中矩阵的动态内存分配

1 个答案: