目录

• 前言
• CPU矩阵转置
• GPU实现

• 简单移植
• 单block
• tile

• 利用率计算
• shared memory
• 最后

前言

之前在第三章对比过CPU和GPU, 差距非常大. 这一次来看看GPU自身的优化, 主要是shared memory的用法.

CPU矩阵转置

矩阵转置不是什么复杂的事情. 用CPU实现是很简单的:

#include 
    
     #include 
     
      #include 
      
       #define LOG_#define N 1024/* 转置 */void transposeCPU( float in[], float out[] ){    for ( int j = 0; j < N; j++ )    {        for ( int i = 0; i < N; i++ )        {            out[j * N + i] = in[i * N + j];        }    }}/* 打印矩阵 */void logM( float m[] ){    for ( int i = 0; i < N; i++ )    {        for ( int j = 0; j < N; j++ )        {            printf( "%.1f ", m[i * N + j] );        }        printf( "\n" );    }}int main(){    int    size    = N * N * sizeof(float);    float    *in    = (float *) malloc( size );    float    *out    = (float *) malloc( size );    /* 矩阵赋值 */    for ( int i = 0; i < N; ++i )    {        for ( int j = 0; j < N; ++j )        {            in[i * N + j] = i * N + j;        }    }    struct timeval    start, end;    double        timeuse;    int        sum = 0;    gettimeofday( &start, NULL );    transposeCPU( in, out );    gettimeofday( &end, NULL );    timeuse = end.tv_sec - start.tv_sec + (end.tv_usec - start.tv_usec) / 1000000.0;    printf( "Use Time: %fs\n", timeuse );#ifdef LOG    logM( in );    printf( "\n" );    logM( out );#endif    free( in );    free( out );    return(0);}
      
     
    

GPU实现

简单移植

如果什么都不考虑, 只是把代码移植到GPU:

#include 
    
     #include 
     
      #include 
      
       #define N 1024#define LOG_/* 转置 */__global__ void transposeSerial( float in[], float out[] ){    for ( int j = 0; j < N; j++ )        for ( int i = 0; i < N; i++ )            out[j * N + i] = in[i * N + j];}/* 打印矩阵 */void logM( float m[] ){...}int main(){    int size = N * N * sizeof(float);    float *in, *out;    cudaMallocManaged( &in, size );    cudaMallocManaged( &out, size );    for ( int i = 0; i < N; ++i )        for ( int j = 0; j < N; ++j )            in[i * N + j] = i * N + j;    struct timeval    start, end;    double        timeuse;    gettimeofday( &start, NULL );    transposeSerial << < 1, 1 >> > (in, out);    cudaDeviceSynchronize();    gettimeofday( &end, NULL );    timeuse = end.tv_sec - start.tv_sec + (end.tv_usec - start.tv_usec) / 1000000.0;    printf( "Use Time: %fs\n", timeuse );#ifdef LOG    logM( in );    printf( "\n" );    logM( out );#endif    cudaFree( in );    cudaFree( out );}
      
     
    

不用想, 这里肯定是还不如单线程的CPU的, 真的是完完全全的资源浪费. 实测下来, 耗时是CPU的20多倍, 大写的丢人.

单block

单block最多可以开1024线程, 这里就开1024线程跑下.

/* 转置 */__global__ void transposeParallelPerRow( float in[], float out[] ){    int i = threadIdx.x;    for ( int j = 0; j < N; j++ )        out[j * N + i] = in[i * N + j];}int main(){    ...    transposeParallelPerRow << < 1, N >> > (in, out);    ...}

效率一下就提升了, 耗时大幅下降.

tile

但是的话, 如果可以利用多个block, 把矩阵切成更多的tile, 效率还会进一步提升.

/* 转置 */__global__ void transposeParallelPerElement( float in[], float out[] ){    int i = blockIdx.x * K + threadIdx.x;    /* column */    int j = blockIdx.y * K + threadIdx.y;    /* row */    out[j * N + i] = in[i * N + j];}int main(){    ...    dim3 blocks( N / K, N / K );    dim3 threads( K, K );    ...        transposeParallelPerElement << < blocks, threads >> > (in, out);    ...}

这些都是GPU的常规操作, 但其实利用率依旧是有限的.

利用率计算

利用率是可以粗略计算的, 比方说, 这里的Memory Clock rate和Memory Bus Width是900Mhz和128-bit, 所以峰值就是14.4GB/s.

之前的最短耗时是0.001681s. 数据量是1024*1024*4(Byte)*2(读写). 所以是4.65GB/s. 利用率就是32%. 如果40%算及格, 这个利用率还是不及格的.

shared memory

那该如何提升呢? 问题在于读数据的时候是连着读的, 一个warp读32个数据, 可以同步操作, 但是写的时候就是散开来写的, 有一个很大的步长. 这就导致了效率下降. 所以需要借助shared memory, 由他转置数据, 这样, 写入的时候也是连续高效的了.

/* 转置 */__global__ void transposeParallelPerElementTiled( float in[], float out[] ){    int    in_corner_i    = blockIdx.x * K, in_corner_j = blockIdx.y * K;    int    out_corner_i    = blockIdx.y * K, out_corner_j = blockIdx.x * K;    int x = threadIdx.x, y = threadIdx.y;    __shared__ float tile[K][K];    tile[y][x] = in[(in_corner_i + x) + (in_corner_j + y) * N];    __syncthreads();    out[(out_corner_i + x) + (out_corner_j + y) * N] = tile[x][y];}int main(){    ...    dim3 blocks( N / K, N / K );    dim3 threads( K, K );    struct timeval    start, end;    double        timeuse;    gettimeofday( &start, NULL );    transposeParallelPerElementTiled << < blocks, threads >> > (in, out);    ...}

这样利用率就来到了44%, 及格了.

所以这就是依据架构来设计算法, 回顾一下架构图:

最后

但是44%也就是达到了及格线, 也就是说, 还有更深层次的优化工作需要做. 这些内容也就放在后续文章中了, 有意见或者建议评论区见~