cuda计算的分块
gpu的架构分为streaming multiprocessors
每个streaming multiprocessors(SM)又能分步骤执行很多threads,单个SM内部能同时执行的threads叫做warp。一个warp能同时操作16个单精度浮点数/8个双精度(tesla),或者32个单精度浮点数/16个双精度浮点数(feimi)。
单个SM内部有local memory和16kb大小的share memory,后者是在做计算的时候要尽量利用好的东西。
根据gpu的架构,做cuda计算的时候基本上是这么一个流程
先把目标矩阵分块,8*8或者16*16等,具体多大要看所用gpu的配置
分块完以后,gpu会把每个块调度到每个SM上去执行。SM执行的时候按照warp大小起线程,直到运算完成。
资源限制:
每个GPU必须有16个以上的block(对应16个SM)。而每个SM最多只能有8个block(对应8个flag位)。
算法举例
拿矩阵乘法C=A*B举例,
在不使用share memory的时候,每计算C中的一个值就需要2*N*N的数值。所以不使用BLOCK算法的时候,一个N*N的矩阵算一次就需要读2*N^4的数据,起了N^2的threads。每次要读2*N的数,这个操作数就是2N。带宽显然不够。这是非常慢的。在使用share memory的时候,每计算BLOCK_SIZE*BLOCK_SIZE中的值就需要读2*BLOCK_SIZE*BLOCK_SIZE的数据,当BLOCK_SIZE是16的时候,那就是2k,16kb的share memory能允许8个block。
当BLOCK_SIZE是32的时候,大小是8k,就是2个block。
那回顾一下刚才的数据,我们能知道,大小是32*32的block在16kbshare memory的时候对SM的利用率不高,(只能放2个block),而大小是16*16的block在16kb sharememory的时候对SM的利用率高(到了8个block,到顶了)。
为什么不用2个block而是8个block呢?
因为在从local memory读到share memory的是要时间的,gpu可以在这一个warp读取share memory的时候切换到别的warp 让他们也读share memory。还记得吗?一个warp是16个线程,SM能同时保存8个BLOCK的状态。对于32*32这个大小的block,对于SM的调度没有利用好,所有线程全都卡在读取内存上了。
对于16*16的block,每次要读2*256=512个数,这256个数的操作是256*16*2=8192个浮点操作。这时带宽就足够了。
对于feimi架构来说,share memory翻了3倍成了48kb
BLOCK_SIZE等于16的时候,就是24个block,BLOCK_SIZE=32的时候就是6个block。gpu读取share memory大概要20个cycle。一个32*32的block有1024个线程,一个warp 32个线程。这样就至少32个cycle过去了,足够前面的线程读完。
而对于BLOCK_SIZE等于16的时候,24个block对于一个SM来说太多了(同时只能调度8个).
ps:
在调试矩阵乘法的时候掉进坑里了……给每个矩阵赋值10.0*i+j,两个矩阵互相乘。当矩阵比较小的时候100*100及以下,一点问题都没有。大到1000*1000的开始出现计算错误。找了大半天都没找出个所以然来。突然发现结果比较长,一数位数,都快7-8位了,原来是过了单精度浮点数的有效位数了。
cuda计算的分块的更多相关文章
- CUDA计算矩阵相乘
1.最简单的 kernel 函数 __global__ void MatrixMulKernel( float* Md, float* Nd, float* Pd, int Width) { int ...
- CUDA 计算线程索引的一般公式
CUDA thread index: int blockId = blockIdx.z * (gridDim.x*gridDim.y) + blockIdx.y ...
- BZOJ 4765 普通计算姬 (分块 + BIT)
4765: 普通计算姬 Time Limit: 30 Sec Memory Limit: 256 MBSubmit: 1547 Solved: 329[Submit][Status][Discus ...
- [BZOJ4765]普通计算姬(分块+树状数组)
4765: 普通计算姬 Time Limit: 30 Sec Memory Limit: 256 MBSubmit: 1725 Solved: 376[Submit][Status][Discus ...
- [bzoj4765]普通计算姬——分块
Brief Description 给定一棵n个节点的带权树,节点编号为1到n,以root为根,设sum[p]表示以点p为根的这棵子树中所有节点的权 值和.支持下列两种操作: 1 给定两个整数u,v, ...
- CUDA 计算pi (π)
通过简单的程序设计熟练CUDA的使用步骤 下面是cuda代码及相关注释 #include <stdio.h> #include <iostream> #include < ...
- BZOJ 4765: 普通计算姬 [分块 树状数组 DFS序]
传送门 题意: 一棵树,支持单点修改和询问以$[l,r]$为根的子树的权值和的和 只有我这种不会分块的沙茶不会做这道题吗? 说一点总结: 子树和当然上$dfs$序了,询问原序列一段区间所有子树和,对原 ...
- BZOJ 4765: 普通计算姬 (分块+树状数组)
传送门 解题思路 树上的分块题,,对于修改操作,每次修改只会对他父亲到根这条链上的元素有影响:对于查询操作,每次查询[l,r]内所有元素的子树,所以就考虑dfn序,进标记一次,出标记一次,然后子树就是 ...
- CUDA C Best Practices Guide 在线教程学习笔记 Part 1
0. APOD过程 ● 评估.分析代码运行时间的组成,对瓶颈进行并行化设计.了解需求和约束条件,确定应用程序的加速性能改善的上限. ● 并行化.根据原来的代码,采用一些手段进行并行化,例如使用现有库, ...
随机推荐
- APP如何实现推送功能
一.推送功能的集成 (1)在Umeng开发者中心,申请新应用,开通推送功能.此时需要上传开发推送证书和生产推送证书的p12文件. 申请证书的流程如下: >>1 创建开发推送证书 >& ...
- shell 中scp密码输入 --expect
这里必须先安装: yum install expect -y expect是一种自动交互语言,能实现在shell脚本中为scp和ssh等自动输入密码自动登录. 下面给出scp和ssh的使用示例: 1. ...
- 反射,System.Type类
http://m.blog.csdn.net/blog/woddle/40623333 两个现实中的例子:1.B超:大家体检的时候大概都做过B超吧,B超可以透过肚皮探测到你内脏的生理情况.这是如何做到 ...
- XtraGrid RepositoryItemCheckEdit 显示状态以及单选多选问题
RepositoryItemCheckEdit默认有三种状态,选中状态.未选中状态和半选中状态(半选中状态通常用在TreeList中如果父节点下的子节点有选中的有未选中的,则父节点状态为半选中状态). ...
- hadoop-mongo map/reduce java
官方 http://docs.mongodb.org/ecosystem/tutorial/getting-started-with-hadoop/ mongo-haoop项目地址 https://g ...
- HashMap学习
HashMap<String, Object> java.util.HashMap<String, Object> 在数组中我们是通过数组下标来对其内容索引的,而在Map中 ...
- Reset CSS:只选对的,不选"贵"的
玉伯和正淳一起整理的一份 reset.css: /* KISSY CSS Reset 理念:清除和重置是紧密不可分的 特色:1.适应中文 2.基于最新主流浏览器 维护:玉伯(lifesinger@gm ...
- 我的Android笔记--我对安卓系统的一些了解
敲了这么长时间代码,记录一下我对Android的一些概念,下面大部分内容来源自网络资料和官方给的文档. 1,Android操作系统的核心属于Linux的一个分支,具有典型的Linux调度和功能 ...
- 在本地创建angular-ui/bootstrap项目
在本地创建完整的angular-ui/Bootstrap项目 git clone the repo, then switch to the tag you want,then use grunt bu ...
- js和php对bool值的判断区别
一.将一种数据类型转换为bool值时,PHP和JS的转换规则不同 PHP中 当转换为 boolean 时,以下值被认为是 FALSE : 布尔值 FALSE 本身 整型值 0(零) 浮点型值 0.0( ...