【Udacity并行计算课程笔记】- Lesson 2 The GPU Hardware and Parallel Communication Patterns
本小节笔记大纲:
- 1.Communication patterns
- gather,scatter,stencil,transpose
- 2.GPU hardware & Programming Model
- SMs,threads,blocks,ordering
- Synchronization
- Memory model: local, shared, global
- Atomic Operation
- 3.Efficient GPU Programming
- Access memory faster
- coalescing global memory
- use faster memory
- Avoid thread divergence
- Access memory faster
一、Communication Patterns
1.Patterns
- Map
map很好理解,其实就是映射,也就是输入和输出一一对应,一个萝卜一个坑
- Gather
Gather中文名为收集,是将若干个输入数据经过计算后得到一个输出值,如图左示。很典型的应用就是比如说对于一个图像,我们需要每一个像素值是其四周像素的平均值。
- Scatter
scatter的特点是每个线程一次会向内存输出多个值,也可能多个线程向一个内存输出值。
- Stencil
Stencil表示模板的意思,所以也就是计算的时候用模子来选择输入数据,看下图就清楚了
- Transpose
其实就是转置啦~
具体应用实例如下:
在C语言中,加入我们定义了如上图示的一个结构体,包含float和int两种变量,然后我们又定义了一个该结构体的变量数组,一般来说其在内存中是像上面那样排列的,强迫症看起来是不是不舒服,而且这种排列方式比较浪费空间,所以通过转置后形成下面的排列方式后既美观又使运算加速了,岂不美哉?
2.练习题
- 第一个很简单就是map,不仔细解释了
- 第二个个表达式我之前脑袋一热就选了C。。但是要注意,scatter的特点是每个线程一次会向内存输出多个值,这显然不符合该特点,而应该是Transpose。
- 第三个就是scatter了,原因如上
- 最后一个很容易选stencil,但是你要注意if条件语句的限制,所以应该是Gather。
3.总结神图
二、GPU Hardware
1.问题导向
- 线程是如何有效地一致访问内存
- 子话题:如何利用数据重用
- 线程如何通过共享内存通信部分结果
2.硬件组成
如图示,GPU由若干个SM(Stream Multiprocessor流多处理器)组成,而每个SM又包含若干个SP(教材上是Stream Processor流处理器,改视频中是simple processor),anyway...开心就好,管他叫什么名字~
GPU的作用是负责分配线程块在硬件SM上运行,所有SM都以并行独立的方式运行。
下面做一下题目吧:
解析:
- 1正确.一个线程块包含许多线程
- 2正确.一个SM可能会运行多个多个线程块
- 3错误,因为一个线程块无法在一个以上的SM上运行
- 4正确,在一个线程块上所有线程有可能配合起来解决某个子问题
- 5错误,一个SM上可能有多个线程块,但是根据定义,线程和不同的线程块不应该存在协作关系。
3.程序员与GPU分工
另外需要注意的是程序员负责定义线程块,而GPU则负责管理硬件,因此程序员不能指定线程块的执行顺序,也不能指定线程块在某一特定的SM上运行。
这样设计的好处如下:
- 硬件可以运行的更加有效率
- 运行切换不需要等待,一旦一个线程块运行完毕,SM可以自动的将另一个线程块加载进来
- 最大的优势:可扩展性,因为可以自动分配硬件资源,所以向下到单个SM,上到超级计算机的大量SM,均可以很好的适应。
有如上好处的同时,自然也就有局限性:
- 对于哪个块在哪个SM上运行无法进行任何假设
- 无法获得块之间的明确的通信
4.GPU Memory Model
如图示
- 每个线程都有它自己的本地内存(local memory)
- 线程块有一个共享内存(shared memory),块中所有线程都可以访问该内存中的数据
- GPU中的全局内存(global memory) 是所有线程块中的线程都能访问的内存,也是CPU进行数据传递的地方。
访问速度:
local memory > shared memory > global
例题:
解析:
s,t,u是本地内存中的变量,所以t=s最先运行,同理可以排除其他代码运行顺序。
注意:这只是为了说明访问速度出的例题,实际情况中,编译器可能会做出相应的调整来达到我们的目的
5.Sychronization
说道线程,很自然我们就需要考虑同步。GPU中的同步有如下几种:
Barrier(屏障)
顾名思义,就是所有线程运行到这个点都需要停下来。
如图示,红色、蓝色、绿色代表的线程先后到达barrier这个时间点后都停下来进行同步操作,完成之后线程的执行顺序是不一定的,可能如图示蓝色线程先执行,绿色,红色紧随其后。
另外其实还有一种隐式的barrier,比如说先后启动kernel A和kernel B,一般来说kernel B执行之前kernel A肯定是执行完毕了的。
说了这么多来做下题吧~233
题目:如下图示,现在需要实现一个数组前移的操作,即后面一个往前面挪,共享数组大小是128,问为实现这个功能,需要设置几次同步操作(或者说需要设置几个barrier?)
解析:
最开始的时候没想明白,写了127,128,但是都不对。后来听解释才明白。前移操作可以分为三步:
- 为每个数组元素赋值,即
array[idx] = threadIdx.x;
__syncthreads(); # 128个线程都执行完赋值语句后才能进行下一步
- 读取后面一个元素的值,存在临时变量里
int temp = array[idx+1];
__syncthreads();
- 将后一元素的值往前移
array[idx] = temp;
__syncthreads();
6.Atomic Memory Operation
在cuda编程中经常会碰到这样的情况,即大量的线程同时都需要对某一个内存地址进行读写操作,很自然这会发生冲突,如下图示:
下面是发生冲突的具体的代码示例:
#include "cuda_runtime.h"
#include "device_launch_parameters.h"
#define NUM_THREADS 10000
#define ARRAY_SIZE 10
#define BLOCK_WIDTH 100
void printDevice();
__global__ void increment_naive(int *g) {
int i = blockIdx.x * blockDim.x + threadIdx.x;
i = i % ARRAY_SIZE;
g[i] = g[i] + 1;
}
int main(int argc, char **argv){
printDevice();
printf("\n");
int h_array[ARRAY_SIZE];
const int ARRAY_BYTES = ARRAY_SIZE * sizeof(int);
int *d_array;
// 分配内存
cudaMalloc((void **) &d_array, ARRAY_BYTES);
cudaMemset((void *) d_array, 0, ARRAY_BYTES);
increment_naive<<<NUM_THREADS/BLOCK_WIDTH, BLOCK_WIDTH>>>(d_array);
cudaMemcpy(h_array, d_array, ARRAY_BYTES, cudaMemcpyDeviceToHost);
for(int i=0; i<ARRAY_SIZE; i++){
printf("%d:%d\n",i,h_array[i]);
}
// 释放内存
cudaFree(d_array);
getchar();
//CUDA_SAFE_CALL(cudaGetDeviceCount(&deviceCount));
return 0;
}
运行结果:(每次运行的结果是不确定的)
这里就需要引入原子操作,只需要将读写函数进行如下修改
__global__ void increment_atomicNaive(int *g) {
int i = blockIdx.x * blockDim.x + threadIdx.x;
i = i % ARRAY_SIZE;
atomicAdd(&g[i], 1);
}
运行结果:
使用原子操作也是有一定限制的,如下:
- 只能使用一些特定的运算(如加、减、最小值、异或等运算,但是取模,求幂等运算则不行)和数据类型(一般是整型int)
- 每个线程块里的不同线程以及线程块本身将以不定的顺序运行,我们在内存上用原子进行的运算顺序也是不定的。
例如下面的计算表达式的记过会不一样:
\((a+b+c)\) 和 \(a+(b+c)\),其中\(a=1,b=10^{99},c=-10^{99})\) - 虽然顺序不确定,但是要知道的是GPU还是会强制每个线程轮流访问内存,这把不同线程对内存的访问串行化
提高CUDA编程效率策略
高运算密度(high arithmetic intensity)
\(\frac{math}{memory}\)
前面提到了很多优化策略是集中在memory上的,把数据尽可能放到更快地内存上去,其中内存速度是
local > share > global
- 避免线程发散(avoid thread divergence)
如图是线程发散的主要场景,即if else语句,上图右边非常生动的展现了线程发散的情形,可以看到各个线程在碰到if条件句后开始发散,最后聚合,但是最后各个线程之间的编号还是保持原来的不变的,这就是线程发散。
下面举一个更加极端的例子,就是循环语句,如下图示:
可以看到有蓝、红、绿、紫四个线程同时运行,蓝线程只循环了一次,其他线程循环次数都多于蓝线程,当蓝线程退出循环后就不得不一直等着其他线程,上图左下角的示意图可以很直观的看到这大大降低了运行效率,这也是为什么我们需要避免线程发散。
Summary
【Udacity并行计算课程笔记】- Lesson 2 The GPU Hardware and Parallel Communication Patterns的更多相关文章
- Udacity并行计算课程笔记-The GPU Hardware and Parallel Communication Patterns
本小节笔记大纲: 1.Communication patterns gather,scatter,stencil,transpose 2.GPU hardware & Programming ...
- 【Udacity并行计算课程笔记】- Lesson 4 Fundamental GPU Algorithms (Applications of Sort and Scan)
I. Scan应用--Compact 在介绍这节之前,首先给定一个情景方便理解,就是因为某种原因我们需要从扑克牌中选出方块的牌. 更formal一点的说法如下,输入是 \(s_0,s_1,...\), ...
- 【Udacity并行计算课程笔记】- Lesson 3 Fundamental GPU Algorithms (Reduce, Scan, Histogram)
本周主要内容如下: 如何分析GPU算法的速度和效率 3个新的基本算法:归约.扫描和直方图(Reduce.Scan.Histogram) 一.评估标准 首先介绍用于评估GPU计算的两个标准: ste ...
- 【Udacity并行计算课程笔记】- lesson 1 The GPU Programming Model
一.传统的提高计算速度的方法 faster clocks (设置更快的时钟) more work over per clock cycle(每个时钟周期做更多的工作) more processors( ...
- Udacity并行计算课程笔记-The GPU Programming Model
一.传统的提高计算速度的方法 faster clocks (设置更快的时钟) more work over per clock cycle(每个时钟周期做更多的工作) more processors( ...
- udacity android 学习笔记: lesson 4 part b
udacity android 学习笔记: lesson 4 part b 作者:干货店打杂的 /titer1 /Archimedes 出处:https://code.csdn.net/titer1 ...
- udacity android 实践笔记: lesson 4 part b
udacity android 实践笔记: lesson 4 part b 作者:干货店打杂的 /titer1 /Archimedes 出处:https://code.csdn.net/titer1 ...
- udacity android 学习笔记: lesson 4 part a
udacity android 学习笔记: lesson 4 part a 作者:干货店打杂的 /titer1 /Archimedes 出处:https://code.csdn.net/titer1 ...
- udacity android 实践笔记: lesson 4 part a
udacity android 实践笔记: lesson 4 part a 作者:干货店打杂的 /titer1 /Archimedes 出处:https://code.csdn.net/titer1 ...
随机推荐
- Code POJ - 1780(栈模拟dfs)
题意: 就是数位哈密顿回路 解析: 是就算了...尼玛还不能直接用dfs,得手动开栈模拟dfs emm...看了老大半天才看的一知半解 #include <iostream> #inclu ...
- mybatis There is no getter for property named '*' in 'class java.lang.String
1.原因 server层 xxxx.get("1234") map <if test="aaa != null and aaa.id != null and ...
- 搬进Github
学习参考 萌码 一.Github简介和基本操作 Github 上操作基本上围绕一个个项目展开.项目就是一个文件夹,在github中成为“仓库”(repository),里面放着所有的项目文件,可以是代 ...
- php关于Session和cookie总结
什么是 Cookie? cookie 常用于识别用户.cookie 是服务器留在用户计算机中的小文件.每当相同的计算机通过浏览器请求页面时,它同时会发送 cookie.通过 PHP,能够创建并取回 c ...
- change username on ubuntu.
Below tutorial will show you how to change username in ubuntu 12.04 precise.First,we need login as r ...
- 【模板】Tarjan scc缩点
代码如下 #include <bits/stdc++.h> using namespace std; const int maxv=1e4+10; const int maxe=1e5+1 ...
- 【CF1076D】Edge Deletion 最短路+贪心
题目大意:给定 N 个点 M 条边的无向简单联通图,留下最多 K 条边,求剩下的点里面从 1 号顶点到其余各点最短路大小等于原先最短路大小的点最多怎么构造. 题解:我们可以在第一次跑 dij 时直接采 ...
- C++11并发——多线程std::thread (一)
https://www.cnblogs.com/haippy/p/3284540.html 与 C++11 多线程相关的头文件 C++11 新标准中引入了四个头文件来支持多线程编程,他们分别是< ...
- org.apache.catalina.LifecycleException: Failed to stop component(生命周期异常)
真是郁闷透顶,以前昨天还可以用,换了myeclipse自带的tomcat就可以用: 异常: org.apache.catalina.LifecycleException: Failed to stop ...
- 目前最全的IT技术问答、社区、科技服务网站合集
资源网站 推荐一个资源丰富齐全的网站:风云社区(SCOEE),主要特点是提供的是纯净.优质.无广告.无附加东西的资源.资源很丰富,包括各类软件资源(mac.Windows.ios.ipad.安装等软件 ...