Numba-CUDA内核中的共享内存没有正确更新

Question

考虑以下内核，它计算x中小于或等于y中相应元素的元素数。

@cuda.jit
def count_leq(x, y, out):
i = cuda.grid(1)
shared = cuda.shared.array(1, dtype=DTYPE)
if i < len(x):
shared[0] += x[i] <= y[i]
cuda.syncthreads()
out[0] = shared[0]

但是，每个线程的增量没有正确保存在共享数组中。

a = cuda.to_device(np.arange(5))  # [0 1 2 3 4]
b = cuda.to_device(np.arange(5))  # [0 1 2 3 4]
out = cuda.to_device(np.zeros(1)) # [0]
count_leq[1,len(a)](a, b, out)
print(out[0])                     # 1.0, but should be 5.0

我在这里做错了什么？我很困惑，因为cuda.shared.array是由给定块中的所有线程共享的，对吧？如何使用相同的1元素数组来累积增量？

我还尝试了以下操作，但以与上述版本相同的行为失败。

@cuda.jit
def count_leq(x, y, out):
i = cuda.grid(1)
if i < len(x):
out[0] += x[i] <= y[i]

Answer 1

您需要显式执行原子添加操作：

@cuda.jit
def count_leq(x, y, out):
i = cuda.grid(1)
if i < len(x):
cuda.atomic.add(out, 0, x[i] <= y[i])

原子添加在相对较新的设备上进行了优化，例如使用硬件扭曲减少，但当大量流式多处理器执行原子操作时，操作往往不会扩展。

提高该内核性能的一个解决方案是，假设数组足够大，则执行多个值的块缩减。在实践中，每个线程可以对多个项目求和，最后执行一个原子操作。代码应该是这样的(未经测试(：

# Must be launched with different parameters since 
# each threads works on more array items.
# The number of block should be 16 times smaller.
@cuda.jit
def count_leq(x, y, out):
tid = cuda.threadIdx.x
bid = cuda.blockIdx.x
bdim = cuda.blockDim.x
i = (bid * bdim * 16) + tid
s = 0
# Fast general case (far from the end of the arrays)
if i+16*bdim < len(x):
# Thread-local reduction
# This loop should be unrolled
for j in range(16):
idx = i + j * bdim
s += x[idx] <= y[idx]
# Slower corner case (close to end of the arrays: checks are needed)
else:
for j in range(16):
idx = i + j * bdim
if idx < len(x):
s += x[idx] <= y[idx]
cuda.atomic.add(out, 0, s)

注意，16是任意值。对于较大的数组使用较大的值(如64(，而对于相对较小的数组使用较小的值，当然会更快。