当前位置: 代码迷 >> CUDA >> CUDA系列学习(2)CUDA memory & variables
  详细解决方案

CUDA系列学习(2)CUDA memory & variables

热度:967   发布时间:2016-04-29 10:44:12.0
CUDA系列学习(二)CUDA memory & variables

本文来介绍CUDA的memory和变量存放,分为以下章节:

(一)、CPU Memory 结构

(二)、GPU Memory结构

(三)、CUDA Context

(四)、kernel设计

(五)、变量 & Memory

             5.1 global arrays

             5.2 global variables

             5.3 Constant variables

             5.4 Register

             5.5 Local Array

             5.6 Shared Memory

             5.7 Texture Memory

             5.8 总结        





(一)、CPU Memory 结构

CPU提速主要依靠局部性原理,即时间局部性和空间局部性。我们先看一下CPU的内存结构:



Data Access

先复习一下数据在这几级存储中的传输。作为数据transfer的基本单位,cache line的典型大小为8*8(8个变量,每个8bytes)=64bytes. 当一个cache想要load数据到寄存器时,检查cache中的line,如果hit了就get到数据,否则将整条line从主存中去出来,(通常通过LRU)替换cache中一条line。寄存器传数据到cache也一样的过程。


Importance of Locality

上图中可见在CPU中memory<--->L3 Cache传输带宽为20GB/s, 除以64bytes/line得到传输记录速度约300M line/s,约为300M*8= 2.4G double/s. 一般地,浮点数操作需要两个输入+1个输出,那么loading 3个数(3 lines)的代价为 100Mflops。如果一个line中的全部8个variables都被用到,那么每秒浮点操作可以达到800Mflops。而CPU工作站典型为10 Gflops。这就要靠时间局部性来重用数据了。




(二)、GPU Memory结构



Data Access

  • Kepler GPU的cache line通常为128bytes(32个float or 16个double)。
  • 数据传输带宽最高250GB/s
  • SMX的L2 cache统一1.5MB,L1 cache / shared memory有64KB
  • 没有CPU中的全局缓存一致性,所以几乎没有两块block更新相同的全局数组元素。


Importance of Locality

GPU对浮点数的操作速度可达1Tflops。和上面CPU的计算类似,GPU中memory<--->L2Cache传输带宽为250GB/s, 除以128bytes/line得到传输记录速度约2G line/s,约为2G*16= 32G double/s. 一般地,浮点数操作需要两个输入+1个输出,那么loading 3个数(3 lines)的代价为 670Mflops。如果一个line中的全部16个variables都被用到,那么每秒浮点操作可以达到11Gflops。

这样的话每进行一次数据到device的传输需要45flops(45次浮点操作)才能达到500Gflops. 所以很多算法基本上不是卡在计算瓶颈,而是传输带宽



(三)、CUDA Context

一个CUDA Context类似于一个CPU进程。程序在Initialization的时候,runtime给每个device创建一个CUDA context,这个context在所有host threads中共享。driver API中的所有资源和action都封装在一个CUDA context中,context被销毁的时候系统自动清空这些资源,每个context拥有其自己的地址空间。所以,CUdeviceptr的value在不同context中会指向不同的内存空间。


一个host thread同一时刻只能用一个device context,每个host thread都有一个保存当前contexts的stack。当一个context被cuCtxCreate()创建时,这个新的context被压入栈(在栈顶),调用cuCtxPopCurrent() 可将这个context弹出来,然后这个context就会“漂”到其他host thread中再被压入栈。


每个context都会维护一个count,表示有多少个threads在用。cuDtrCreate()令count = 1, cuCtxAttach()令count++,cuCtxDetach()令count--,cuCtxDestroy()令count = 0;一旦count=0,这个context就被销毁。







(四)、kernel设计

我们在CUDA系列学习(一)中提到了GPU用的是SIMT cores,现在看一下它是如何进行线程管理的。每个SMX 多处理器在创建,管理,调度,执行的时候将threads每32个组成一组,称为“wraps”。具体地,一个多处理器分配到多个blocks去执行的时候,它将blocks中的threads 分成wraps而且每个warp被一个warp scheduler来调度执行。一个warp一次执行一条相同指令,所以warp中所有threads同步执行是最有效的。那么如果warp中的部分threads走上了数据相关的条件分支,warp就连续在各个branch上执行,暂停没进入branch的threads。直到所有branch上的threads都执行完再合并了一起向下走。所以实现性能提升要注意尽量使warp内线程不要出现divergence。另外,注意这个branch divergence 之发生在warp内部;不同warp之间是独立执行的。


看两个kernel设计:

__global__ void kernel_1(float* x){	int tid = threadIdx.x + blockDim.x * blockIdx.x;	x[tid] = threadIdx.x;}__global__ void kernel_2(float* x){	int tid = threadIdx.x + blockDim.x * blockIdx.x;	x[1000*tid] = threadIdx.x;}


kernel_1中一个warp的32个thread访问x的相邻元素,即x[0]~x[31]在相同的cache line, 就是一个好的transfer;

kernel_2中访问不连续内存,就要请求不同cache line,严重影响performance





(五)、变量 & Memory

 上一篇CUDA系列学习(一)An Introduction to GPU and CUDA中我们提到了memory由host memory和device memory组成,每部分尤其自己独立的内存空间。Kernel跑在device memory上,所以runtime提供了分配,释放,复制 device memory 和device <-->host 间transfer data的函数。


5.1 global arrays

global arrays:

  • 保存在/占用device memory
  • 由host code(非kernel部分code)声明
  • 一直存在,直到被host code释放
  • 因为所有block执行顺序不定,所以如果一个block修改了一个数组元素,其他block就不能再对该元素进行读写


5.2 global variables

声明前加标识符__device__,表示变量要放在device上了           e.g.  __device__ int reduction_lock=0;

__shared__(见4.6)和__constant__(见4.3)中至多有一个跟在__device__后面同时使用,标明用哪块memory空间,如果这两个都没写,则:

  • 变量可以被grid内的所有threads读写
  • 与application同生死
  • 也可以定义为array,但是必须指定size
  • 可以在host code中通过以下函数读写:

            1. cudaMemcpyToSymbol;     

            2. cudaMemcpyFromSymbol;

            3. cudaMemcpy + cudaGetSymbolAddress


Demo Code:

// float scalar__device__ float devData;float value = 3.14f;cudaMemcpyToSymbol(devData, &value, sizeof(float));//cudaMemcpyToSymbol(const char* symbol, const void* src, size_t count, size_t offset = 0, enum cudaMemcpyKind)// float array__device__ float* devPointer;float* ptr;cudaMalloc(&ptr, 256 * sizeof(float));cudaMemcpyToSymbol(devPointer, &ptr, sizeof(ptr));




5.3 Constant variables <常用>

  • 哪里声明随便,声明前加标识符__constant__
  • 与application同生死
  • grid内所有thread可直接读(不可update),在host code中通过以下函数初始化

            1. cudaMemcpyToSymbol;     

            2. cudaMemcpyFromSymbol;

            3. cudaMemcpy + cudaGetSymbolAddress


Demo Code:

__constant__ float constData[256];float data[256];cudaMemcpyToSymbol(constData, data, sizeof(data)); //cudaMemcpyToSymbol(const char* symbol, const void* src, size_t count, size_t offset = 0, enum cudaMemcpyKind)cudaMemcpyFromSymbol(data, constData, sizeof(data)); //cudaMemcpyFromSymbol(const char* dst, const void* src_symbol, size_t count, size_t offset = 0, enum cudaMemcpyKind)








5.4 Register

  • 默认一个kernel中的所有内部变量都存在register中
  • 64K 32-bit registers per SMX
  • up to 63 registers per thread (up to 255 for K20 / K40)

        这时有64K/63 = 1024个threads (256个threads for K20 / K40)

  • up to 2048 threads (at most 1024 per thread block)

        这时每个thread有32个register

  • not much difference between “fat” and “thin” threads
  • 如果程序需要更多的register呢?就“spill over”到L1 cache,这样访问速度就慢了,我们要尽量避免spill




5.5 Local Array

指kernel code中声明的数组。

  • 简单情况下,编译器会将小数组float a[3]转换成3个标量registers:a0,a1,a2作处理
  • 复杂的情况,会将array放到L1(16KB),只能放4096个32-bit的变量,如果有1024个线程,每个线程只能分配放4个变量。




5.6 Shared Memory

前面加标识符__shared__  e.g.    __shared__   int  x_dim;  

  • 要占用thread block的shared memory space.
  • 要比global memory快很多,所以只要有机会就把global memory整成shared memory
  • 与block同生死
  • thread block内所有threads共用(可读可写)
  • 啥时侯用呢?当所有threads访问都是同一个值的时候,这样就避免用register了

但是有问题就是,如果一个thread block有多个warp(上一篇blog中提到的概念,block中的thread每32个被分到一个warp,最后一个不足32个thread也没关系,同样形成一个warp),各warp执行指令顺序是不定的,那么久需要线程同步机制,用指令__syncthreads(); 插入一个“barrier”,所有wrap执行到这个barrier之前没有thread/warp能够越过去。


Kepler GPU给L1 Cache + shared memory总共64KB,可以分为16+48,32+32,48+16;这个split可以通过cudaFuncSetCacheConfig()或cudaDeviceSetCacheConfig()设置,默认给shared memroy 48KB。这个具体情况看程序了。




下面通过一个经典例子来看shared memory作用:矩阵乘法

目的:实现C=A*B,方法:c[i,j] = A[i,:] * B[:,j],

其中矩阵用row-major表示,即c[i,j] = *(c.elements + i*c.width + j)



1. 不用shared memory优化版:

设A为m*t的矩阵;B为t*n的矩阵;

每个线程读取A的一行,B的一列,计算C的对应值;

所以这样需要从global memory中读n次A,m次B。

// Matrices are stored in row-major order:// M(row, col) = *(M.elements + row * M.width + col)typedef struct {	int width;	int height;	float* elements;} Matrix;// Thread block size#define BLOCK_SIZE 16// Forward declaration of the matrix multiplication kernel__global__ void MatMulKernel(const Matrix, const Matrix, Matrix);// Matrix multiplication - Host code// Matrix dimensions are assumed to be multiples of BLOCK_SIZEvoid MatMul(const Matrix A, const Matrix B, Matrix C){	// Load A and B to device memory	Matrix d_A;	d_A.width = A.width; d_A.height = A.height;	size_t size = A.width * A.height * sizeof(float);	cudaMalloc(&d_A.elements, size);	cudaMemcpy(d_A.elements, A.elements, size,	cudaMemcpyHostToDevice);	Matrix d_B;	d_B.width = B.width; d_B.height = B.height;	size = B.width * B.height * sizeof(float);	cudaMalloc(&d_B.elements, size);	cudaMemcpy(d_B.elements, B.elements, size,	cudaMemcpyHostToDevice);	// Allocate C in device memory	Matrix d_C;	d_C.width = C.width; d_C.height = C.height;	size = C.width * C.height * sizeof(float);	cudaMalloc(&d_C.elements, size);	// Invoke kernel	dim3 dimBlock(BLOCK_SIZE, BLOCK_SIZE);	dim3 dimGrid(B.width / dimBlock.x, A.height / dimBlock.y);	MatMulKernel<<<dimGrid, dimBlock>>>(d_A, d_B, d_C);	// Read C from device memory	cudaMemcpy(C.elements, Cd.elements, size,	cudaMemcpyDeviceToHost);	}	// Free device memory	cudaFree(d_A.elements);	cudaFree(d_B.elements);	cudaFree(d_C.elements);}// Matrix multiplication kernel called by MatMul()__global__ void MatMulKernel(Matrix A, Matrix B, Matrix C){	// Each thread computes one element of C	// by accumulating results into Cvalue	float Cvalue = 0;	int row = blockIdx.y * blockDim.y + threadIdx.y;	int col = blockIdx.x * blockDim.x + threadIdx.x;	for (int e = 0; e < A.width; ++e)	Cvalue += A.elements[row * A.width + e]* B.elements[e * B.width + col];	C.elements[row * C.width + col] = Cvalue;}





2. 利用shared memory

每个thread block负责计算一个子矩阵Csub, 其中每个thread负责计算Csub中的一个元素。如下图所示。为了将fit设备资源,A,B都分割成很多block_size维的方形matrix,Csub将这些方形matrix的乘积求和而得。每次计算一个乘积时,先将两个对应方形矩阵从global memory 载入 shared memory(一个thread负责载入A, B两个sub matrix的元素),然后每个thread计算乘积的一个元素,再由每个thread将这些product加和,存入一个register,最后一次性写入global memory。计算时注意同步,详见代码。


设A为m*t的矩阵;B为t*n的矩阵;

这样呢,A只从global memory读了n/block_size次,B只读了m/block_size次;





Kernel Code:

__global__ void MatMulKernel(Matrix A, Matrix B, Matrix C){	// Block row and column	int blockRow = blockIdx.y;	int blockCol = blockIdx.x;	// Each thread block computes one sub-matrix Csub of C	Matrix Csub = GetSubMatrix(C, blockRow, blockCol);	// Each thread computes one element of Csub by accumulating results into Cvalue	float Cvalue = 0;	// Thread row and column within Csub	int row = threadIdx.y;	int col = threadIdx.x;	// Loop over all the sub-matrices of A and B that are	// required to compute Csub	// Multiply each pair of sub-matrices together	// and accumulate the results	for (int m = 0; m < (A.width / BLOCK_SIZE); ++m) {		// Get sub-matrix Asub of A		Matrix Asub = GetSubMatrix(A, blockRow, m);		// Get sub-matrix Bsub of B		Matrix Bsub = GetSubMatrix(B, m, blockCol);		// Shared memory used to store Asub and Bsub respectively		__shared__ float As[BLOCK_SIZE][BLOCK_SIZE];		__shared__ float Bs[BLOCK_SIZE][BLOCK_SIZE];		// Load Asub and Bsub from device memory to shared memory		// Each thread loads one element of each sub-matrix		As[row][col] = GetElement(Asub, row, col);		Bs[row][col] = GetElement(Bsub, row, col);		// Synchronize to make sure the sub-matrices are loaded		// before starting the computation		__syncthreads();		// Multiply Asub and Bsub together		for (int e = 0; e < BLOCK_SIZE; ++e)			Cvalue += As[row][e] * Bs[e][col];		// Synchronize to make sure that the preceding		// computation is done before loading two new		// sub-matrices of A and B in the next iteration		__syncthreads();	}	// Write Csub to device memory	// Each thread writes one element	SetElement(Csub, row, col, Cvalue);}




Host Code:

// Invoke kerneldim3 dimBlock(BLOCK_SIZE, BLOCK_SIZE);dim3 dimGrid(B.width / dimBlock.x, A.height / dimBlock.y);MatMulKernel<<<dimGrid, dimBlock>>>(d_A, d_B, d_C);




5.7 Texture memory

前面加标识符const __restrict__, 之所以叫texture是因为之前用texture memory想服务于纯graphics的应用。

不同于shared memory,对texture memory, 不同线程可以访问到不同value。K20/K40中texture cache有48KB。




5.8 总结 

综上,每个block内有以下资源:

  • threads
  • registers (registers per thread * number of threads)
  • shared memory

这些决定了一个SMX上能同时运行多少个blocks(最多16个)。




参考:

1. CUDA C Programming Guide

2. An Introduction to CUDA

3. CUDA 安装与配置

4. CUDA调试工具——CUDA GDB

5. GPU工作方式

6. Fermi 架构白皮书(GPU继承了Fermi的很多架构特点)

7. GTX460架构








  相关解决方案