矩阵与向量乘法的 cuda 优化
DESCRIPTION
矩阵与向量乘法的 CUDA 优化. 风辰 2010 年 12 月 11 日 2011 年 1 月 8 日修订. 目的. 对于 CUDA 程序开发来说,优化往往是整个开发过程的核心,不同算法,不同存储器组织的程序性能往往差几十倍,本文通过一个简单的例子来展示 CUDA 开发中一些重要的因素对性能的影响。. 假设读者拥有以下知识. 拥有 C 语言编程的经验 , 最好拥有并行编程经验 懂得 CUDA, 最好用 CUDA 写过代码. 测试环境. Intel xeon 5405 2.0 GHz Geforce GTX 295( 只使用单核 ) Gcc 4.3.3 - PowerPoint PPT PresentationTRANSCRIPT
矩阵与向量乘法的 CUDA优化风辰
2010 年 12 月 11日2011 年 1 月 8 日修订
1
目的• 对于 CUDA程序开发来说,优化往往是整个开发过程的核心,不同算法,不同存储器组织的程序性能往往差几十倍,本文通过一个简单的例子来展示 CUDA开发中一些重要的因素对性能的影响。
2
假设读者拥有以下知识拥有 C语言编程的经验 ,最好拥有并行编程经验
懂得 CUDA,最好用 CUDA写过代码
3
测试环境Intel xeon 5405 2.0 GHz
Geforce GTX 295(只使用单核 )
Gcc 4.3.3
CUDA toolkit 3.1
只测试计算时间 ,不包括数据传输
4
符号说明• matrix:矩阵数据指针 ,以行为主序或者列为主序存储
• v || vec: 向量指针• r: 矩阵和向量乘的结果指针• rowSize: 表示矩阵的行数 ,也是 r的长度• columnSize:表示矩阵的列数 ,也是 v的长度
• 所有指向显存的指针加前缀 d_5
编译配置矩阵尺寸 8192*8192 单精度编译选项 -O3 –funroll-loops –msse
CPU计时函数采用 gettimeofday, clock,GPU计时函数采用 CUDA event
6
串行 C版本算法 :遍历矩阵行 ,每行和向量相乘 ,最终结果为一向量
void mxv(const int rowSize, const int columnSize, const float *matrix, const float *v, float *r){
for(int i = 0; i < rowSize; i++){ float re = 0.0f; for(int j = 0; j < columnSize; j++){ re += matrix[i*columnSize+j]*v[j]; } r[i] = re; }} 7运行时间 120 ms,不使用 -O3运行耗时
490 ms
简单 SSE版本算法: 利用 sse指令计算矩阵每行和向量的乘积void mxvSSE(const int rowSize, const int columnSize, const float *matrix,
const float *v, float *r){ __m128 *mv = (__m128*)v; __m128 *mm = (__m128*)matrix; for(int i = 0; i < rowSize; i++){ __m128 re = _mm_set_ps(0.0f, 0.0f, 0.0f, 0.0f); for(int j = 0; j < columnSize/4; j++){ re = _mm_add_ps(re, _mm_mul_ps(mm[i*columnSize/4+j], mv[j])); }
float __attribute((aligned(16))) a[4]; _mm_store_ps(a, re); r[i] = a[0] + a[1] + a[2] + a[3]; }}
运行时间 99ms 8
SSE + openmp
算法: 使用二线程并行计算行循环void mxvSSEOpenmp(const int rowSize, const int columnSize, float *matrix,
float *vec, float *r){__m128 *mv = (__m128*)v;
__m128 *mm = (__m128*)matrix;#pragma omp parallel for num_threads(2)
for(int i = 0; i < rowSize; i++){ __m128 re = _mm_set_ps(0.0f, 0.0f, 0.0f, 0.0f); for(int j = 0; j < columnSize/4; j++){ re = _mm_add_ps(re, _mm_mul_ps(mm[i*columnSize/4+j], mv[j])); } float __attribute((aligned(16))) a[4]; _mm_store_ps(a, re); r[i] = a[0] + a[1] + a[2] + a[3];}
运行时间 50ms9
CUDA优化注意事项一、选择好的并行方式选择好的算法,以发掘更多的数据并行性
二、保持 SM忙碌尽量利用所有的 SM参与计算,可以通过加大数据量或减小线程块大小达到目的
三、优化存储器利用保证全局存储器合并访问使用速度更快的 constant 或 shared存储器
10
CUDA-naïve版本算法 : 每个 CUDA线程计算矩阵的一行与向量乘积static void __global__ mxvNaive(int rowSize, int columnSize, int
columnPitch, const float *d_matrix, const float *d_vec, float *d_r){
uint id = blockDim.x*blockIdx.x + threadIdx.x; if(rowSize <= id) return; float temp = 0.0f;
#pragma unroll 4 for(int i = 0; i < columnSize; i++){
temp += d_matrix[id*columnPitch+i]*d_vec[i]; } d_r[id] = temp;}
耗时 150 ms > 串行 120ms 11
CUDA-naïve为什么比串行还慢? columnPitch的作用是什么?访问 d_matrix没有满足合并访问的要求
什么是合并访问?
12
合并访问一句话:相邻线程访问段对齐的相邻地址为什么说访问 d_matrix没有满足合并访问要求
for(int i = 0; i < columnSize; i++){ temp += d_matrix[id*columnPitch+i]*d_vec[i]; }假设 i=0, 线程 0 访问 d_matrix[0],线程 1 访问
d_matrix[columnPitch],线程 2 访问 d_matrix[2*columnPitch],这些数据的地址并不相邻,因此没有满足合并访问的要求。
columnPitch由函数 cudaMallocPitch返回,保证段对齐。
怎样才能使用访问 d_matrix满足合并访问要求?
13
矩阵转置转置后访问 d_matrix的模式变成了for(int i = 0; i < rowSize; i++){
temp += d_matrix[i*columnPitch+id]*d_vec[i];
}
假设 i=0, 线程 0 访问 d_matrix[0],线程 1 访问d_matrix[1 ],线程 2 访问 d_matrix[2],此时满足合并访问的要求。
此时运行时间下降到了 4.65ms, 性能提高到原来的 30多倍 , 这充分说明了合并访问的重要性。
14
更进一步for(int i = 0; i < rowSize; i++){
temp += d_matrix[i*columnPitch+id]*d_vec[i];
}从上面代码很明显的看到 d_vec在计算的过程中不变,而且每个线程都访问相同的地址 , 故可以考虑将它存放在 constant中
15
constant优化static void __global__ mxvNaiveTransposeConstant(int rowSize, int columnSize, int
columnPitch, const float *d_matrix, const int start, float *d_r){ uint id = blockDim.x*blockIdx.x + threadIdx.x; if(columnSize <= id) return; float temp = 0.0f; int end = start+CONSTANTSIZE > rowSize ? rowSize : start+CONSTANTSIZE; for(int i = start; i < end; i++){ temp += d_matrix[i*columnPitch+id]*c_v[i-start];} d_r[id] += temp;}
其中 : c_v 中 constant存储器数组 , 大小为CONSTANTSIZE。
16
耗时 4.17 ms
constant优化 ( 续 )
问题:如果 d_v的大小超过 constant 的 64KB大小限制,怎么办?
解决方法:分批,多次传输和启动内核
17
更进一步很明显 , 对于 block内线程来说 ,向量都是共享的 ,因此我们可以使用比 constant更快的 shared memory来存储 ,此时相比使用 constant,我们免掉了在向量比较大时多次数据拷贝和启动 kernel的开销 ,而且没有使用全局变量 ,代码的可扩展性更好 .
由于可能因为 shared memory大小存储不了向量 ,因此需要将向量分块 ,每次传一小块到 shared 中 ,计算完这一小块后 ,再传一小块接着计算 .
18
shared优化static void __global__ mxvNaiveTransposeShared(int rowSize, int columnSize, int columnPitch,
const float *d_matrix, const float *d_v, const int sharedSize, float *d_r){
uint id = blockDim.x*blockIdx.x + threadIdx.x;
float temp = 0.0f;
extern __shared__ float s_v[];
for(int start = 0; start < rowSize; start += sharedSize){
__syncthreads();
#pragma unroll 4
for(int i = threadIdx.x; i < sharedSize&&i+start<rowSize; i += blockDim.x){
s_v[i] = d_v[start+i];
} __syncthreads();
if(columnSize <= id) continue;
int end = start+sharedSize > rowSize ? rowSize : start+sharedSize;
19
shared优化 ( 续 )#pragma unroll 8
for(int i = start; i < end; i++){
temp += d_matrix[i*columnPitch+id]*s_v[i-start];
}
}
if(id < columnSize)
d_r[id] = temp;
}
20耗时 2.62 ms
矩阵转置的性能前面的 CUDA代码都是基于转置后的矩阵来计算的 ,因此矩阵转置的性能非常重要 ,下面的 sdk中的 transposeNew转置 8192*8192 的 float在 GTX 295上的数据
21
方法说明 吞吐量 Kernel运行时间transposeNew-Outer-fine-grained 67.7686 GB/s 7.37804 s
transposeNew-Inner-fine-grained 72.7973 GB/s 6.86839 s
transposeNew-Outer-diagonal transpose 28.4115 GB/s 17.59853 s
transposeNew-Inner-diagonal transpose 33.8458 GB/s 14.77287 s
transposeNew-Outer-no bank conflict trans 17.2629 GB/s 28.96379 s
transposeNew-Inner-no bank conflict trans s17.0058 GB/s 29.40170
由于矩阵转置比较慢,因此在很多情况下,我们要使用不转置矩阵的办法
关于 block 和 warpBlock , CUDA线程以 block为单位分发到 SM上执行,因此使用block线程为单位来处理数据是一个很 nature的选择。
Warp , block中的线程会以 32个为单位划分,这 32个线程称为warp, warp中线程的 id是连续的,由于 SM调度线程的单位是warp,因此在某些情况下,显式的使用 warp可获得更好的性能。
22
Block模式算法 :一个 block处理矩阵的一行和向量乘积,其中 block中的每个线程处理该行中的一个与对应向量元素的乘积 ,然后归约。
static void __global__ mxvBlock(int rowSize, int columnSize, int pitchItem, const float* __restrict__ d_matrix,const float* __restrict__ d_vec, float* __restrict__ d_r){unsigned int tid = threadIdx.x;extern __shared__ float s_r[];float temp = 0.0f;for(int i = tid; i < columnSize; i += blockDim.x){
temp += d_matrix[blockIdx.x*pitchItem+i]*d_vec[i];}s_r[tid] = temp; __syncthreads();……//省略归约代码}
}
23耗时 5.42 ms
Warp模式
耗时 4.10 ms
24
具体的计算和 block模式差不多 , 只是使用一个 warp线程计算矩阵的一行与向量的乘积 , 在我的测试中发现 , 这个算法对于行大于列的矩阵效果很好 ,很多时候性能是 block的两倍以上。
cublas
函数 : cublasSgemv
25
耗时 2.61 ms
总结一下函数名 说明 时间 /ms 加速比mxv 串行 C 120 1mxvSSE 串行 C+SSE 99 1.2
mxvSSEOpenmp 串行 C+SSE+openmp 50 2.4
mxvNaive 150 0.8
mxvNaiveTranspose 矩阵转置 4.6 26.1
mxvNaiveTransposeConstant 矩阵转置 +constant memory
4.2 28.6
mxvNaiveTransposeShared 矩阵转置 +shared memory
2.6 46.2
mxvBlock block模式 5.4 22.2
mxvWarp warp模式 4.1 29.3
cublas 调用 cublasSgemv函数 2.6 46.226
总结一下(续)• 矩阵转置以满足合并访问• 使用常量存储器,共享存储器• 使用 block模式和 warp模式
27
其它的一些优化方法手动循环展开数据预取指令混合
感谢 itpub提供的这次机会 ,谢谢大家 ,欢迎提问 !
28