大家好,又见面了,我是你们的朋友全栈君。
转自博客——http://subblogwujiaxing009m26.lofter.com/
1、引言
本文主要介绍并行分析,涉及掌握nvprof的几个metrics参数,所用的例子是CUDA性能优化—-线程配置一文中所提到的sumMatrix2D.cu例子。
接下来本文会做一些列的试验,测试环境:Tesla M2070一块,CUDA 6.0,
操作系统:Red Hat 4.1.2-50,gcc version 4.1.2 20080704
首先回顾一下sumMatrix2D的kernel函数:
__global__ void sumMatrix2DKernel(float *d_MatA,float *d_MatB,float *d_MatC,int nx,int ny)
{
int idx = threadIdx.x + blockDim.x * blockIdx.x;
int idy = threadIdx.y + blockDim.y * blockIdx.y;
int tid = nx*idy + idx;
if(idx < nx && idy < ny)
d_MatC[tid] = d_MatA[tid] + d_MatB[tid];
}
输入数据矩阵的维度是nx=16384, ny=16384:
int nx = 1<<14;
int ny = 1<<14;
下面的代码用来配置main函数的参数,也就是block的维度配置:
if (argc > 2)
{
dimx = atoi(argv[1]);
dimy = atoi(argv[2]);
}
dim3 block(dimx, dimy);
dim3 grid((nx + block.x - 1) / block.x, (ny + block.y - 1) / block.y);
编译运行:
$ nvcc -O3 -arch=sm_20 sumMatrix2D.cu -o sumMatrix2D
$ ./sumMatrix2D 32 32
其中第二句命令中的”32 32″是指定block维度的参数。
查询nvprof工具版本的命令:
$ nvprof –version
输出:
nvprof: NVIDIA ® Cuda command line profiler Copyright © 2013 – 2014 NVIDIA Corporation Release version 6.0 (20)
2、Checking Active Warps with nvprof
在做各项数据比较的时候需要有个基准,这里使用四个block维度配置的时间消耗作为基准观察,分别为(32,32)(32,16)(16,32)和(16,16),其中第一个参数是x维度,第二个参数是y维度。
下面是几种配置的时间消耗输出结果:
$ ./sumMatrix2D 32 32
./sumMatrix2D Program Starting…
–sumMatrix2DOnHost() elapsed 360.000000 ms… –sumMatrix2DOnGPU<<<(512,512),(32,32)>>> elapsed 70.000000 ms…
$ ./sumMatrix2D 32 16 ./sumMatrix2D Program Starting…
–sumMatrix2DOnHost() elapsed 360.000000 ms…
–sumMatrix2DOnGPU<<<(512,1024),(32,16)>>> elapsed 40.000000 ms…
$ ./sumMatrix2D 16 32 ./sumMatrix2D Program Starting…
–sumMatrix2DOnHost() elapsed 360.000000 ms…
–sumMatrix2DOnGPU<<<(1024,512),(16,32)>>> elapsed 60.000000 ms…
$ ./sumMatrix2D 16 16 ./sumMatrix2D Program Starting…
–sumMatrix2DOnHost() elapsed 360.000000 ms…
–sumMatrix2DOnGPU<<<(1024,1024),(16,16)>>> elapsed 50.000000 ms…
比较这几个结果,不难发现,性能最差的是第一个(32,32),性能最好的是第二个(32,16),这里可以猜测到是:拥有更多的block数目并行性更好。这个猜测可以使用nvprof 的achieved_occupancy这个metric参数来验证。该参数的定义公式在CUDA性能优化—-warp深度解析有介绍,实际上就是指每个SM在每个cycle能够达到的最大active warp数目占总warp的比例。下面是使用该参数后得到的结果(注意由于输出项多,做了简化处理):
命令:
$ nvprof –metrics achieved_occupancy ./sumMatrix2D 32 32
$ nvprof –metrics achieved_occupancy ./sumMatrix2D 32 32
==27432== NVPROF is profiling process 27432, command: ./sumMatrix2D 32 32
–sumMatrix2DOnGPU<<<(512,512),(32,32)>>> achieved_occupancy 0.506396
$ nvprof –metrics achieved_occupancy ./sumMatrix2D 32 16
==27454== NVPROF is profiling process 27454, command: ./sumMatrix2D 32 16
–sumMatrix2DOnGPU<<<(512,1024),(32,16)>>> achieved_occupancy 0.731333
$ nvprof –metrics achieved_occupancy ./sumMatrix2D 16 32
==27493== NVPROF is profiling process 27493, command: ./sumMatrix2D 16 32
–sumMatrix2DOnGPU<<<(1024,512),(16,32)>>> achieved_occupancy 0.826147
$ nvprof –metrics achieved_occupancy ./sumMatrix2D 16 16
==27545== NVPROF is profiling process 27545, command: ./sumMatrix2D 16 16
–sumMatrix2DOnGPU<<<(1024,1024),(16,16)>>> achieved_occupancy 0.819718
从上面的输出对比可以得知两点认识:
(1)由于第二个配置比第一个有更多的block数量,device就会达到更多active warp(跟鸡蛋放在多个篮子的道理差不多)。也就是第二个性能优于第一个的原因。
(2)第四个的achieved Occupancy比较高,但是却不是最快的,因此,较高的achieved Occupancy并不一定就意味着更好的性能,也就是说还有更多的因素影响着GPU的性能。
3、checking memory operations with nvprof
对于d_MatC[tid] = d_MatA[tid] + d_MatB[tid]来说共有三个memory操作:两个memory load和一个memory store。要查看这些操作的效率可以使用nvprof的两个metric参数,如果想要查看memory的throughput,则可使用gld_throughput参数,实验结果如下(注意由于输出项多,做了简化处理):
命令:
$ nvprof –metrics gld_throughput ./sumMatrix2D 32 32
–sumMatrix2DOnGPU<<<(512,512),(32,32)>>> elapsed 1090.000000 ms…
–Global Load Throughput:35.557GB/s
$ nvprof –metrics gld_throughput ./sumMatrix2D 32 16
–sumMatrix2DOnGPU<<<(512,1024),(32,16)>>> elapsed 1440.000000 ms…
–Global Load Throughput:56.396GB/s
$ nvprof –metrics gld_throughput ./sumMatrix2D 16 32
–sumMatrix2DOnGPU<<<(1024,512),(16,32)>>> elapsed 1070.000000 ms…
–Global Load Throughput:81.023GB/s
$ nvprof –metrics gld_throughput ./sumMatrix2D 16 16
–sumMatrix2DOnGPU<<<(1024,1024),(16,16)>>> elapsed 1060.000000 ms…
–Global Load Throughput:93.694GB/s
不难看到,第四个拥有最高的load throughput,但是却比第二个慢(第二个也就是第四个的一半多点),所以,较高的load throughput也不一定就有较高的性能。之后讲到memory transaction时会具体分析这种现象的原因,简单说,就是高load throughput有可能是一种假象,如果需要的数据在memory中存储格式未对齐、不连续,会导致许多额外的不必要的load操作,所以本文中的efficiency会这么低。
然后,我们可以使用nvprof的gld_efficiency来度量load efficiency,该metric参数是指我们确切需要的global load throughput与实际得到global load memory的比值。这个metric参数可以让我们知道,应用程序的load操作利用device memory bandwidth的程度,实验结果如下(注意由于输出项多,做了简化处理):
命令:
$ nvprof –metrics gld_efficiency ./sumMatrix2D 32 32 –sumMatrix2DOnGPU<<<(512,512),(32,32)>>> elapsed 1610.000000 ms…
–Global Memory Load Efficiency:100.01%
$ nvprof –metrics gld_efficiency ./sumMatrix2D 32 16
–sumMatrix2DOnGPU<<<(512,1024),(32,16)>>> elapsed 1610.000000 ms…
–Global Memory Load Efficiency:99.95%
$ nvprof –metrics gld_efficiency ./sumMatrix2D 16 32
–sumMatrix2DOnGPU<<<(1024,512),(16,32)>>> elapsed 1610.000000 ms…
–Global Memory Load Efficiency:49.89%
$ nvprof –metrics gld_efficiency ./sumMatrix2D 16 16
–sumMatrix2DOnGPU<<<(1024,1024),(16,16)>>> elapsed 1610.000000 ms…
–Global Memory Load Efficiency:49.99%
从上述结果可知,最后两个测试的load efficiency只是前两个的一半。这也可以解释,为什么较高的throughput和较高的Occupancy却没有产生较好的性能。尽管最后两个测试的load操作数目要多不少(因为二者throughput较高),但是他们的load effecitiveness却低不少(由于efficiency较低)。
观察最后两个可以发现,他们block的x维配置是warp的一半,前文曾提到,该维度应该保持为warp大小的整数倍。关于其具体原因将在后续博文详细解释。
4、Exposing More Parallelism
我们现在可以得出一个结论:blockDim.x应该是warp大小的整数倍。这样做是很容易就提升了load efficiency。现在,我们可能还有其他疑惑,比如:
(1)继续调整blockDim.x是否会继续增加load throughput?
(2)还有其他方法能增大并行性吗?
现在,我们重新整一个基准数据出来,这两个问题可以从这个基准分析个大概(此处改用了cuda的计时函数):
$ ./sumMatrix2D 64 2
–sumMatrix2DOnGPU<<<(256,8192),(64,2)>>> elapsed 33.527294 ms…
$ ./sumMatrix2D 64 4
–sumMatrix2DOnGPU<<<(256,4096),(64,4)>>> elapsed 34.802238 ms…
$ ./sumMatrix2D 64 8
–sumMatrix2DOnGPU<<<(256,2048),(64,8)>>> elapsed 36.614143 ms…
$ ./sumMatrix2D 128 2
–sumMatrix2DOnGPU<<<(128,8192),(128,2)>>> elapsed 32.602848 ms…
$ ./sumMatrix2D 128 4
–sumMatrix2DOnGPU<<<(128,4096),(128,4)>>> elapsed 34.658592 ms…
$ ./sumMatrix2D 128 8
–sumMatrix2DOnGPU<<<(128,2048),(128,8)>>> elapsed 46.740578 ms…
$ ./sumMatrix2D 256 2
–sumMatrix2DOnGPU<<<(64,8192),(256,2)>>> elapsed 32.661919 ms…
$ ./sumMatrix2D 256 4
–sumMatrix2DOnGPU<<<(64,4096),(256,4)>>> elapsed 38.260609 ms…
$ ./sumMatrix2D 256 8
–sumMatrix2DOnGPU<<<(64,2048),(256,8)>>> elapsed 0.013440 ms…
Result verification failed at elemnt 0
从上面测试数据,我们可以分析得到下面几条认识:
(1)最后一个配置(256,8)不可行,block中总共的thread数目超过了1024,这是GPU的硬件限制。
(2)最好的结果是第四个block配置(128,2)。
(3)第一个启动了最多的block,但不是最快的。
(4)因为第二个与第四个在一个block中拥有相同数目的thread,本应猜测二者有相同的表现,但是实际却是第二个略逊色,所以blockDim.x的大小 是很关键的。
(5)剩下的相对第四个都有较少的block数目,所以并行规模也是影响性能的关键因素。
现在,我们又有疑惑了,拥有block最少的应该会有一个最低的achieved Occupancy吧?而拥有最多block的应该会达到最高的achieved Occupancy吧?为了验证这些想法,我们再看一组测试数据:
$ nvprof –metrics achieved_occupancy ./sumMatrix2D 64 2
–sumMatrix2DOnGPU<<<(256,8192),(64,2)>>> elapsed 37.495487 ms…
–Achieved Occupancy: 0.555373
$ nvprof –metrics achieved_occupancy ./sumMatrix2D 64 4
–sumMatrix2DOnGPU<<<(256,4096),(64,4)>>> elapsed 38.886177 ms…
–Achieved Occupancy: 0.795769
$ nvprof –metrics achieved_occupancy ./sumMatrix2D 64 8
–sumMatrix2DOnGPU<<<(256,2048),(64,8)>>> elapsed 40.603359 ms…
–Achieved Occupancy: 0.757109
$ nvprof –metrics achieved_occupancy ./sumMatrix2D 128 2
–sumMatrix2DOnGPU<<<(128,8192),(128,2)>>> elapsed 36.666466 ms…
–Achieved Occupancy: 0.803921
$ nvprof –metrics achieved_occupancy ./sumMatrix2D 128 4
–sumMatrix2DOnGPU<<<(128,4096),(128,4)>>> elapsed 38.689377 ms…
–Achieved Occupancy: 0.746745
$ nvprof –metrics achieved_occupancy ./sumMatrix2D 128 8 –sumMatrix2DOnGPU<<<(128,2048),(128,8)>>> elapsed 50.706112 ms…
–Achieved Occupancy: 0.561505
$ nvprof –metrics achieved_occupancy ./sumMatrix2D 256 2 –sumMatrix2DOnGPU<<<(64,8192),(256,2)>>> elapsed 36.828159 ms…
–Achieved Occupancy: 0.762112
$ nvprof –metrics achieved_occupancy ./sumMatrix2D 256 4 –sumMatrix2DOnGPU<<<(64,4096),(256,4)>>> elapsed 42.040642 ms…
–Achieved Occupancy: 0.589849
$ nvprof
–metrics achieved_occupancy ./sumMatrix2D 256 8
–sumMatrix2DOnGPU<<<(64,2048),(256,8)>>> elapsed 0.015296 ms…
Result verification failed at elemnt 0 No events/metrics were profiled.
======== Error: Application returned non-zero code 1
通过上面测试数据对比分析:
(1)第一个(64,2)的achieved Occupancy竟然是最低的,尽管他有最多的block,它达到了硬件对block数量的限制。
(2)第四个(128,2)和第七个(256,2)拥有拥有不错的achieved Occupancy。
如果我们对这两个再做一个试验,再次增大,将blockDim.y设置为1,这也减少了block的大小。
$ ./sumMatrix2D 128 1
–sumMatrix2DOnGPU<<<(128,16384),(128,1)>>> elapsed 32.535934 ms…
$ ./sumMatrix2D 256 1
–sumMatrix2DOnGPU<<<(64,16384),(256,1)>>> elapsed 30.843328 ms…
这次测试有了更高的性能提升,并且(256,1)配置比(128,1)配置更好,再次查询(256,1)block配置的achieved Occupancy,load throughput和load efficiency等参数:
$ nvprof –metrics achieved_occupancy ./sumMatrix2D 256 1
–sumMatrix2DOnGPU<<<(64,16384),(256,1)>>>
Achieved Occupancy: 0.807456
$ nvprof –metrics gld_throughput ./sumMatrix2D 256 1
–sumMatrix2DOnGPU<<<(64,16384),(256,1)>>>
Global Load Throughput: 69.512GB/s
$ nvprof –metrics gld_efficiency ./sumMatrix2D 256 1
–sumMatrix2DOnGPU<<<(64,16384),(256,1)>>>
Global Memory Load Efficiency:100.21%
现在可以看出,最佳的block配置既不是拥有最高achieved Occupancy也不是最高load throughput的。所以不存在唯一metric参数来优化计算性能,我们需要从众多metric中寻求一个平衡。
5、总结
在大多数情形下,并不存在唯一的metric可以精确的优化性能。
(1)哪个metric或者event对性能的影响大小是由kernel具体的代码决定的;
(2)根据需要根据实际情况在众多相关的metric参数和event中寻求一个平衡;
(3)Grid/blcok heuristics(启发) 为调节性能提供了不错的切入点。
本文测试代码
#include "cuda_runtime.h"
#include "device_launch_parameters.h"
#include <stdio.h>
#include <math.h>
#include <time.h>
#include <memory>
#define PRECISION 1e-5
#define HANDLE_ERROR(err) (HandleError( err, __FILE__, __LINE__ ))
static void HandleError(cudaError_t err, const char *file, int line)
{
if (err != cudaSuccess)
{
printf("%s in %s at line %d\n", cudaGetErrorString(err),
file, line);
exit(EXIT_FAILURE);
}
}
void sumMatrix2DOnHost(float *h_A, float *h_B, float *hostRef, int nx, int ny)
{
for (int i = 0; i< nx*ny; i++)
hostRef[i] = h_A[i] + h_B[i];
}
__global__ void sumMatrix2DKernel(float *d_MatA, float *d_MatB, float *d_MatC, int nx, int ny)
{
int idx = threadIdx.x + blockDim.x * blockIdx.x;
int idy = threadIdx.y + blockDim.y * blockIdx.y;
int tid = nx*idy + idx;
if (idx < nx && idy < ny)
d_MatC[tid] = d_MatA[tid] + d_MatB[tid];
}
int main(int argc, char **argv)
{
//
printf("%s Program Starting...\n",argv[0]);
// set up device
int devID = 0; cudaDeviceProp deviceProp;
HANDLE_ERROR(cudaGetDeviceProperties(&deviceProp, devID));
//
printf("Using Device %d: %s\n", devID, deviceProp.name);
HANDLE_ERROR(cudaSetDevice(devID));
// set up date size of matrix
int nx = 1<<14;
int ny = 1<<14;
int nxy = nx*ny;
int nBytes = nxy * sizeof(float);
//
printf("Matrix size: nx= %d, ny= %d\n",nx, ny);
// malloc host memory
float *h_A, *h_B, *hostRef, *gpuRef;
h_A = (float *)malloc(nBytes);
h_B = (float *)malloc(nBytes);
hostRef = (float *)malloc(nBytes);
gpuRef = (float *)malloc(nBytes);
// initialize data at host side
for(int i=0;i<nxy;i++)
{
h_A[i] = rand()/(float)RAND_MAX;
h_B[i] = rand()/(float)RAND_MAX;
}
memset(hostRef, 0, nBytes); memset(gpuRef, 0, nBytes);
// add matrix at host side for result checks
float iElaps;
clock_t iStart,iEnd;
iStart = clock();
// time counter
sumMatrix2DOnHost(h_A, h_B, hostRef, nx,ny);
iEnd = clock();
//
iElaps = (double)(iEnd-iStart)/CLOCKS_PER_SEC;
// second
iElaps = (double)(iEnd-iStart)/1000;
// ms
printf("--sumMatrix2DOnHost() elapsed %f ms..\n", iElaps);
// malloc device global memory
float *d_MatA, *d_MatB, *d_MatC;
cudaMalloc((void **)&d_MatA, nBytes);
cudaMalloc((void **)&d_MatB, nBytes);
cudaMalloc((void **)&d_MatC, nBytes);
// transfer data from host to device
cudaMemcpy(d_MatA, h_A, nBytes, cudaMemcpyHostToDevice);
cudaMemcpy(d_MatB, h_B, nBytes, cudaMemcpyHostToDevice);
// invoke kernel at host side
int dimx = 32;
//int dimx = 16;
int dimy = 32;
//int dimy = 16;
if (argc > 2)
//配置block的维度
{
dimx = atoi(argv[1]);
dimy = atoi(argv[2]);
}
dim3 block(dimx, dimy);
dim3 grid((nx+block.x-1)/block.x, (ny+block.y-1)/block.y);
// calculate run time on GPU
float elapsedTime;
cudaEvent_t start, stop;
HANDLE_ERROR(cudaEventCreate(&start));
HANDLE_ERROR(cudaEventCreate(&stop));
HANDLE_ERROR(cudaEventRecord(start, 0));
sumMatrix2DKernel <<< grid, block >>>(d_MatA, d_MatB, d_MatC, nx, ny);
cudaDeviceSynchronize();
HANDLE_ERROR(cudaEventRecord(stop, 0));
HANDLE_ERROR(cudaEventSynchronize(stop));
HANDLE_ERROR(cudaEventElapsedTime(&elapsedTime, start, stop));
printf("--sumMatrix2DOnGPU<<<(%d,%d),(%d,%d)>>> elapsed %f ms..\n", grid.x, grid.y, block.x, block.y, elapsedTime);
//
// copy kernel result back to host side
cudaMemcpy(gpuRef, d_MatC, nBytes, cudaMemcpyDeviceToHost);
// check device results
for(int i=0; i< nxy; i++)
{
if(fabs(gpuRef[i]-hostRef[i]) > PRECISION)
{
fprintf(stderr,"Result verification failed at elemnt %d\n", i);
exit(EXIT_FAILURE);
}
}
// free device global memory
cudaFree(d_MatA);
cudaFree(d_MatB);
cudaFree(d_MatC);
// free host memory
free(h_A);
free(h_B);
free(hostRef);
free(gpuRef);
// reset device
cudaDeviceReset();
//
printf("Test Passed..\n"); return 0;
}
其他值得借鉴的文章
TX2入门(8)——优化/性能查看工具nvprof(持续补充……)
cuda nvprof 输出结果的理解和优化空间
CUDA Program Analysis
发布者:全栈程序员-用户IM,转载请注明出处:https://javaforall.cn/132182.html原文链接:https://javaforall.cn
【正版授权,激活自己账号】: Jetbrains全家桶Ide使用,1年售后保障,每天仅需1毛
【官方授权 正版激活】: 官方授权 正版激活 支持Jetbrains家族下所有IDE 使用个人JB账号...