在 CUDA C/C++ kernel中使用内存
在 CUDA C/C++ kernel中使用内存
如何在主机和设备之间高效地移动数据。本文将讨论如何有效地从内核中访问设备存储器,特别是 全局内存 。
在 CUDA 设备上有几种内存,每种内存的作用域、生存期和缓存行为都不同。到目前为止,已经使用了驻留在设备 DRAM 中的 全局内存 ,用于主机和设备之间的传输,以及内核的数据输入和输出。这里的名称 global 是指作用域,因为它可以从主机和设备访问和修改。全局内存可以像下面代码片段的第一行那样使用 __device__
de Clara 说明符在全局(变量)范围内声明,或者使用 cudaMalloc()
动态分配并分配给一个常规的 C 指针变量,如第 7 行所示。全局内存分配可以在应用程序的生命周期内保持。根据设备的 计算能力 ,全局内存可能被缓存在芯片上,也可能不在芯片上缓存。
- __device__ int globalArray[256];
- void foo()
- {
- ...
- int *myDeviceMemory = 0;
- cudaError_t result = cudaMalloc(&myDeviceMemory, 256 * sizeof(int));
- ...
- }
在讨论全局内存访问性能之前,需要改进对 CUDA 执行模型的理解。已经讨论了如何将 线程被分组为线程块 分配给设备上的多处理器。在执行过程中,有一个更精细的线程分组到 warps 。 GPU 上的多处理器以 SIMD ( 单指令多数据 )方式为每个扭曲执行指令。所有当前支持 CUDA – 的 GPUs 的翘曲尺寸(实际上是 SIMD 宽度)是 32 个线程。
全局内存合并
将线程分组为扭曲不仅与计算有关,而且与全局内存访问有关。设备 coalesces 全局内存加载并存储,由一个 warp 线程发出的尽可能少的事务,以最小化 DRAM 带宽(在计算能力小于 2 . 0 的老硬件上,事务合并在 16 个线程的一半扭曲内,而不是整个扭曲中)。为了弄清楚 CUDA 设备架构中发生聚结的条件,在三个 Tesla 卡上进行了一些简单的实验: a Tesla C870 (计算能力 1 . 0 )、 Tesla C1060 (计算能力 1 . 3 )和 Tesla C2050 (计算能力 2 . 0 )。
运行两个实验,使用如下代码( GitHub 上也有 )中所示的增量内核的变体,一个具有数组偏移量,这可能导致对输入数组的未对齐访问,另一个是对输入数组的跨步访问。
- #include
- #include
- // Convenience function for checking CUDA runtime API results
- // can be wrapped around any runtime API call. No-op in release builds.
- inline
- cudaError_t checkCuda(cudaError_t result)
- {
- #if defined(DEBUG) || defined(_DEBUG)
- if (result != cudaSuccess) {
- fprintf(stderr, "CUDA Runtime Error: %sn", cudaGetErrorString(result));
- assert(result == cudaSuccess);
- }
- #endif
- return result;
- }
- template
- __global__ void offset(T* a, int s)
- {
- int i = blockDim.x * blockIdx.x + threadIdx.x + s;
- a[i] = a[i] + 1;
- }
- template
- __global__ void stride(T* a, int s)
- {
- int i = (blockDim.x * blockIdx.x + threadIdx.x) * s;
- a[i] = a[i] + 1;
- }
- template
- void runTest(int deviceId, int nMB)
- {
- int blockSize = 256;
- float ms;
- T *d_a;
- cudaEvent_t startEvent, stopEvent;
- int n = nMB*1024*1024/sizeof(T);
- // NB: d_a(33*nMB) for stride case
- checkCuda( cudaMalloc(&d_a, n * 33 * sizeof(T)) );
- checkCuda( cudaEventCreate(&startEvent) );
- checkCuda( cudaEventCreate(&stopEvent) );
- printf("Offset, Bandwidth (GB/s):n");
- offset<<>>(d_a, 0); // warm up
- for (int i = 0; i <= 32; i++) {
- checkCuda( cudaMemset(d_a, 0.0, n * sizeof(T)) );
- checkCuda( cudaEventRecord(startEvent,0) );
- offset<<>>(d_a, i);
- checkCuda( cudaEventRecord(stopEvent,0) );
- checkCuda( cudaEventSynchronize(stopEvent) );
- checkCuda( cudaEventElapsedTime(&ms, startEvent, stopEvent) );
- printf("%d, %fn", i, 2*nMB/ms);
- }
- printf("n");
- printf("Stride, Bandwidth (GB/s):n");
- stride<<>>(d_a, 1); // warm up
- for (int i = 1; i <= 32; i++) {
- checkCuda( cudaMemset(d_a, 0.0, n * sizeof(T)) );
- checkCuda( cudaEventRecord(startEvent,0) );
- stride<<>>(d_a, i);
- checkCuda( cudaEventRecord(stopEvent,0) );
- checkCuda( cudaEventSynchronize(stopEvent) );
- checkCuda( cudaEventElapsedTime(&ms, startEvent, stopEvent) );
- printf("%d, %fn", i, 2*nMB/ms);
- }
- checkCuda( cudaEventDestroy(startEvent) );
- checkCuda( cudaEventDestroy(stopEvent) );
- cudaFree(d_a);
- }
- int main(int argc, char **argv)
- {
- int nMB = 4;
- int deviceId = 0;
- bool bFp64 = false;
- for (int i = 1; i < argc; i++) {
- if (!strncmp(argv[i], "dev=", 4))
- deviceId = atoi((char*)(&argv[i][4]));
- else if (!strcmp(argv[i], "fp64"))
- bFp64 = true;
- }
- cudaDeviceProp prop;
- checkCuda( cudaSetDevice(deviceId) )
- ;
- checkCuda( cudaGetDeviceProperties(&prop, deviceId) );
- printf("Device: %sn", prop.name);
- printf("Transfer size (MB): %dn", nMB);
- printf("%s Precisionn", bFp64 ? "Double" : "Single");
- if (bFp64) runTest(deviceId, nMB);
- else runTest(deviceId, nMB);
- }
此代码可以通过传递“ fp64 ”命令行选项以单精度(默认值)或双精度运行偏移量内核和跨步内核。每个内核接受两个参数,一个输入数组和一个表示访问数组元素的偏移量或步长的整数。内核在一系列偏移和跨距的循环中被称为。
未对齐的数据访问
下图显示了 Tesla C870 、 C1060 和 C2050 上的偏移内核的结果。
设备内存中分配的数组由 CUDA 驱动程序与 256 字节内存段对齐。该设备可以通过 32 字节、 64 字节或 128 字节的事务来访问全局内存。对于 C870 或计算能力为 1 . 0 的任何其他设备,半线程的任何未对齐访问(或半扭曲线程不按顺序访问内存的对齐访问)将导致 16 个独立的 32 字节事务。由于每个 32 字节事务只请求 4 个字节,因此可以预期有效带宽将减少 8 倍,这与上图(棕色线)中看到的偏移量(不是 16 个元素的倍数)大致相同,对应于线程的一半扭曲。
对于计算能力为 1 . 2 或 1 . 3 的 Tesla C1060 或其他设备,未对准访问的问题较少。基本上,通过半个线程对连续数据的未对齐访问在几个“覆盖”请求的数据的事务中提供服务。由于未请求的数据正在传输,以及不同的半翘曲所请求的数据有些重叠,因此相对于对齐的情况仍然存在性能损失,但是这种损失远远小于 C870 。
计算能力为 2 . 0 的设备,如 Tesla C250 ,在每个多处理器中都有一个 L1 缓存,其行大小为 128 字节。该设备将线程的访问合并到尽可能少的缓存线中,从而导致对齐,对跨线程顺序内存访问吞吐量的影响可以忽略不计。
快速内存访问
步幅内核的结果如下图所示。
对于快速的全局内存访问,有不同的看法。对于大步进,无论架构版本如何,有效带宽都很差。这并不奇怪:当并发线程同时访问物理内存中相距很远的内存地址时,硬件就没有机会合并这些访问。从上图中可以看出,在 Tesla C870 上,除 1 以外的任何步幅都会导致有效带宽大幅降低。这是因为 compute capability 1 . 0 和 1 . 1 硬件需要跨线程进行线性、对齐的访问以进行合并,因此我们在 offset 内核中看到了熟悉的 1 / 8 带宽。 Compute capability 1 . 2 及更高版本的硬件可以将访问合并为对齐的段( CC 1 . 2 / 1 . 3 上为 32 、 64 或 128 字节段,在 CC 2 . 0 及更高版本上为 128 字节缓存线),因此该硬件可以产生平滑的带宽曲线。
当访问多维数组时,线程通常需要索引数组的更高维,因此快速访问是不可避免的。可以使用一种名为 共享内存 的 CUDA 内存来处理这些情况。共享内存是一个线程块中所有线程共享的片上内存。共享内存的一个用途是将多维数组的 2D 块以合并的方式从全局内存提取到共享内存中,然后让连续的线程绕过共享内存块。与全局内存不同,对共享内存的快速访问没有惩罚。
概括
本文讨论了如何从 CUDA 内核代码中有效地访问全局内存的一些方面。设备上的全局内存访问与主机上的数据访问具有相同的性能特征,即数据局部性非常重要。在早期的 CUDA 硬件中,内存访问对齐和跨线程的局部性一样重要,但在最近的硬件上,对齐并不是什么大问题。另一方面,快速的内存访问会损害性能,使用片上共享内存可以减轻这种影响。
在 CUDA C/C++ kernel中使用内存的更多相关文章
- kernel中,dump_stack打印调用栈,print_hex_dump打印一片内存,记录一下
kernel中,dump_stack打印调用栈,print_hex_dump打印一片内存,记录一下
- Linux就这个范儿 第15章 七种武器 linux 同步IO: sync、fsync与fdatasync Linux中的内存大页面huge page/large page David Cutler Linux读写内存数据的三种方式
Linux就这个范儿 第15章 七种武器 linux 同步IO: sync.fsync与fdatasync Linux中的内存大页面huge page/large page David Cut ...
- KSM剖析——Linux 内核中的内存去耦合
简介: 作为一个系统管理程序(hypervisor),Linux® 有几个创新,2.6.32 内核中一个有趣的变化是 KSM(Kernel Samepage Merging) 允许这个系统管理程序通 ...
- Linux kernel中网络设备的管理
kernel中使用net_device结构来描述网络设备,这个结构是网络驱动及接口层中最重要的结构.该结构不仅描述了接口方面的信息,还包括硬件信息,致使该结构很大很复杂.通过这个结构,内核在底层的网络 ...
- Linux内存都去哪了:(1)分析memblock在启动过程中对内存的影响
关键词:memblock.totalram_pages.meminfo.MemTotal.CMA等. 最近在做低成本方案,需要研究一整块RAM都用在哪里了? 最直观的的就是通过/proc/meminf ...
- kernel中文件的读写操作可以使用vfs_read()和vfs_write
需要在Linux kernel--大多是在需要调试的驱动程序--中读写文件数据.在kernel中操作文件没有标准库可用,需要利用kernel的一些函数,这些函数主要有: filp_open() fil ...
- VS2013 VC++的.cpp文件调用CUDA的.cu文件中的函数
CUDA 8.0在函数的调用中方便的让人感动.以下是从网上学到的VC++的.cpp文件调用CUDA的.cu文件中的函数方法,和一般的VC++函数调用的方法基本没差别. 使用的CUDA版本为CUDA 8 ...
- (六)kernel中文件的读写操作可以使用vfs_read()和vfs_write
需要在Linux kernel--大多是在需要调试的驱动程序--中读写文件数据.在kernel中操作文件没有标准库可用,需要利用kernel的一些函数,这些函数主要有: filp_open() fil ...
- [转]Linux中进程内存与cgroup内存的统计
From: http://hustcat.github.io/about/ Linux中进程内存与cgroup内存的统计 在Linux内核,对于进程的内存使用与Cgroup的内存使用统计有一些相同和不 ...
随机推荐
- kali 中的内置工具
askDing Life is short,use python 博客园 | 首页 | 新随笔 | 新文章 | 联系 | 订阅 | 管理 随笔: 326 文章: 5 评论: 4 引用: 0 kali菜 ...
- Linux启动流程和服务管理(init和systemd)
目录 一:Linux启动流程 init和Systemd的区别 二:Linux服务管理(service,systemctl) 一:Linux启动流程 Rhel6启动过程: Rhel7启动过程: GRUB ...
- DVWA之File Upload (文件上传漏洞)
目录 Low: Medium: 方法一:抓包修改文件的type 方法二:00截断 High: Impossible : Low: 源代码: <?php if( isset( $_POST[ 'U ...
- h5基本内容
一 简介 html 超文本标记语言 W3C 中立技术标准机构 W3C标准包括 结构化标准语言(HTML,XML) 表现标准语言(CSS) 行为标准(DOM,ECMAScript) 二 入门例子 < ...
- @ResponseBody、@RequestBody
@ResponseBody 我们在刚刚接触Springboot的第一个hello工程的时候,我们就接触了一个RestController,而通过进入它的源码,我们会发现@ResponseBody @R ...
- 数据库增量日志监听canal
概述 canal是阿里巴巴旗下的一款开源项目,纯Java开发.基于数据库增量日志解析,提供增量数据订阅&消费,目前主要支持了MySQL(也支持mariaDB). 起源:早期,阿里巴巴B2B公司 ...
- SpringBoot Restful
SpringBoot Restful 大家在做Web开发的过程中,method常用的值是get和post. 可事实上,method值还可以是put和delete等等其他值. 既然method值如此丰富 ...
- Android学习之TTS踩坑笔记
•前言 最近在做一款英文词典的 APP,做到语音模块的时候,我裂开,从网上搜索了各种博客,各种瞎捣鼓,模拟器就是不发音: 辗转反侧数日,终于让我找到解决之法,接下来就本次测试列出一些需要(必须)解决的 ...
- python主线程捕获子线程异常
python内置threading.Thread类创建的子线程抛出的异常无法在主线程捕获,可以对该类进行优化,为子线程添加exit code属性,主线程通过获取子线程的返回状态,来判断子线程中是否发生 ...
- SparkSQL电商用户画像(五)之用户画像开发(客户基本属性表)
7.电商用户画像开发 7.1用户画像--数据开发的步骤 u 数据开发前置依赖 -需求确定 pv uv topn -建模确定表结构 create table t1(pv int,uv int,topn ...