GPU & CPU编程

     GPU除了用处图形渲染领域外，还可以用来做大规模的并行运算，这里我们称其为GPGPU(General Purpose GPU)；GPGPU计算通常采用CPU+GPU异构模式，由CPU负责执行复杂逻辑处理和事务管理等不适合数据并行的计算，由GPU负责计算密集型的大规模并行计算。比如医学上对图像进行重建、解大规模方程组等，接下来让我们进入GPU高性能运算之CUDA的世界吧！

CUDA编程：

     CUDA编程中，习惯称CPU为Host，GPU为Device。Grid、Block和Thread的关系

Kernel ：在GPU上执行的程序，一个Kernel对应一个Grid。

Grid     ：一组Block，有共享全局内存

Block   ：由相互合作的一组线程组成。一个block中的thread可以彼此同步，快速交换数据，最多可以同时512个线程。

Thread  ：并行运算的基本单位（轻量级的线程）

其结构如下图所示：

?

1 2 3 4 5 6 7 8 9 10

?

存储层次

1 2 3 4 5 6 7

per- thread register 1 cycle per- thread local memory                     slow per-block shared memory                   1 cycle per-grid global memory                       500 cycle,not cached!! constant and texture memories            500 cycle, but cached and read-only 分配内存：cudaMalloc，cudaFree，它们分配的是global memory Hose-Device数据交换：cudaMemcpy

?

变量类型

1 2 3 4 5

__device__   // GPU的global memory空间，grid中所有线程可访问 __constant__ // GPU的constant memory空间，grid中所有线程可访问 __shared__   // GPU上的thread block空间，block中所有线程可访问 local        // 位于SM内，仅本thread可访问 // 在编程中，可以在变量名前面加上这些前缀以区分。

?

数据类型

1 2 3 4 5 6 7 8 9

// 内建矢量类型： int1，int2，int3，int4，float1，float2， float3，float4 ... // 纹理类型： texture<Type, Dim, ReadMode>texRef; // 内建dim3类型：定义grid和block的组织方法。例如： dim3 dimGrid(2, 2); dim3 dimBlock(4, 2, 2); // CUDA函数CPU端调用方法 kernelFoo<<<dimGrid, dimBlock>>>(argument);

?

函数定义

1 2 3 4 5 6 7 8 9 10

__device__ // 执行于Device，仅能从Device调用。限制，不能用&取地址；不支持递归；不支持static variable；不支持可变长度参数 __global__ // void： 执行于Device，仅能从Host调用。此类函数必须返回void __host__ // 执行于Host，仅能从Host调用，是函数的默认类型 // 在执行kernel函数时，必须提供execution configuration，即<<<....>>>的部分。 //   例如： __global__ void KernelFunc(...); dim3 DimGrid(100, 50); // 5000 thread blocks dim3 DimBlock(4, 8, 8); // 256 threads per block size_t SharedMemBytes = 64; // 64 bytes of shared memory KernelFunc<<< DimGrid, DimBlock, SharedMemBytes >>>(...);

?

数学函数

1 2	CUDA包含一些数学函数，如 sin ， pow 等。每一个函数包含有两个版本， 例如正弦函数 sin ，一个普通版本 sin ，另一个不精确但速度极快的__sin版本。

?

内置变量

1 2 3 4 5

?

编写程序

1 2 3 4 5 6 7

?

相关扩展

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93

1 GPU硬件 // i GPU一个最小单元称为Streaming Processor(SP)，全流水线单事件无序微处理器， 包含两个ALU和一个FPU，多组寄存器文件（ register file，很多寄存器的组合）， 这个SP没有cache。事实上，现代GPU就是一组SP的array，即SPA。 每一个SP执行一个 thread // ii 多个SP组成Streaming Multiprocessor(SM)。 每一个SM执行一个block。每个SM包含8个SP； 2个special function unit(SFU)： 这里面有4个FPU可以进行超越函数和插值计算 MultiThreading Issue Unit：分发线程指令 具有指令和常量缓存。 包含shared memory // iii Texture Processor Cluster(TPC) ：包含某些其他单元的一组SM 2 Single-Program Multiple-Data （SPMD）模型  // i CPU以顺序结构执行代码， GPU以threads blocks组织并发执行的代码，即无数个threads同时执行 // ii 回顾一下CUDA的概念： 一个kernel程序执行在一个grid of threads blocks之中 一个threads block是一批相互合作的threads： 可以用过__syncthreads同步； 通过shared memory共享变量，不同block的不能同步。 // iii Threads block声明： 可以包含有1到512个并发线程，具有唯一的blockID，可以是1,2,3D 同一个block中的线程执行同一个程序，不同的操作数，可以同步，每个线程具有唯一的ID 3 线程硬件原理 // i GPU通过Global block scheduler来调度block， 根据硬件架构分配block到某一个SM。 每个SM最多分配8个block，每个SM最多可接受768个 thread （可以是一个block包含512个 thread ， 也可以是3个block每个包含256个 thread （3*256=768！））。 同一个SM上面的block的尺寸必须相同。每个线程的调度与ID由该SM管理。 // ii SM满负载工作效率最高！考虑某个Block，其尺寸可以为8*8,16*16,32*32 8*8：每个block有64个线程， 由于每个SM最多处理768个线程，因此需要768/64=12个block。 但是由于SM最多8个block，因此一个SM实际执行的线程为8*64=512个线程。 16*16：每个block有256个线程，SM可以同时接受三个block，3*256=768，满负载 32*32：每个block有1024个线程，SM无法处理！ // iii Block是独立执行的，每个Block内的threads是可协同的。 // iv 每个线程由SM中的一个SP执行。 当然，由于SM中仅有8个SP，768个线程是以warp为单位执行的， 每个warp包含32个线程，这是基于线程指令的流水线特性完成的。 Warp是SM基本调度单位，实际上，一个Warp是一个32路SIMD指令 。基本单位是half-warp。 如，SM满负载工作有768个线程，则共有768/32=24个warp ，每一瞬时，只有一组warp在SM中执行。 Warp全部线程是执行同一个指令， 每个指令需要4个 clock cycle，通过复杂的机制执行。 // v 一个thread的一生： Grid在GPU上启动； block被分配到SM上； SM把线程组织为warp； SM调度执行warp； 执行结束后释放资源； block继续被分配.... 4 线程存储模型 // i Register and local memory：线程私有，对程序员透明。 每个SM中有8192个 register ，分配给某些block， block内部的 thread 只能使用分配的寄存器。 线程数多，每个线程使用的寄存器就少了。 // ii shared memory：block内共享，动态分配。 如__shared__ float region[N]。 shared memory 存储器是被划分为16个小单元， 与half-warp长度相同，称为bank，每个bank可以提供自己的地址服务。 连续的32位word映射到连续的bank。 对同一bank的同时访问称为bank conflict。 尽量减少这种情形。 // iii Global memory：没有缓存！容易称为性能瓶颈，是优化的关键！ 一个half-warp里面的16个线程对global memory的访问可以被coalesce成整块内存的访问，如果： 数据长度为4,8或16bytes；地址连续；起始地址对齐；第N个线程访问第N个数据。 Coalesce可以大大提升性能。 // uncoalesced Coalesced方法：如果所有线程读取同一地址， 不妨使用constant memory； 如果为不规则读取可以使用texture内存 如果使用了某种结构体，其大小不是4 8 16的倍数， 可以通过__align(X)强制对齐，X=4 8 16