我是否应该在内部或外部维度上声明一个带有 GPU 块编号的双精度数组

Question

我应该在内部或外部维度上声明一个带有 GPU 块号的双精度数组吗？

例如，我应该做

int payload[LEN][BLOCKS];

或

int payload[BLOCKS][LEN];

其中 LEN 是一个非常大的数字。

我计划让每个块遍历双精度数组，保持块维度不变并迭代 LEN 维度。

Answer 1

假设您将以面向块的方式访问数据，则希望执行后者。 这可能是因为当您加载"len"维度的第一个元素时，您已经为后续 7ish 元素的缓存中丢失付出了代价。 在第一个选项中，GPU 块之间可能存在缓存行共享，但共享相对有限且级别不低。

实际上，下面的代码报告第二个选项需要 0.481 秒才能执行，第一个选项需要 0.979 秒。 将数据与外部维度上的块排列大约是性能的两倍。

#include <cuda_runtime_api.h>
#include <cuda.h>
#include <string>
#include <chrono>
#include <iostream>
#define BLOCKS 80
#define LEN (1 << 20)
void CheckCudaErrorAux (const char *file, unsigned line, const char *statement, cudaError_t err) {
    if (err == cudaSuccess)
        return;
    std::cerr << statement<<" returned " << cudaGetErrorString(err) << "("<<err<< ") at "<<file<<":"<<line << std::endl;
    exit (1);
}
#define CUDA_CHECK_RETURN(value) CheckCudaErrorAux(__FILE__,__LINE__, #value, value)
struct Data1 {
    int payload[LEN][BLOCKS];
};
struct Data2 {
    int payload[BLOCKS][LEN];
};

__global__ void f1(Data1 * data1) {
    int sum = 0;
    for (int i = 0; i < LEN; ++i) {
        sum += data1->payload[i][blockIdx.x];
    }
    printf("block %i has f1 sum %in", blockIdx.x, sum);
}
__global__ void f2(Data2 * data2) {
    int sum = 0;
    for (int i = 0; i < LEN; ++i) {
        sum += data2->payload[blockIdx.x][i];
    }
    printf("block %i has f2 sum %in", blockIdx.x, sum);
}

int main() {
    Data1 * data1 = (Data1 *) malloc(sizeof(Data1));
    Data2 * data2 = (Data2 *) malloc(sizeof(Data2));;
    for (int i = 0; i < LEN; ++i) {
        for (int b = 0; b < BLOCKS; ++b) {
            data1->payload[i][b] = i * b;
            data2->payload[b][i] = i * b;
        }
    }
    Data1 * data1_on_gpu;
    CUDA_CHECK_RETURN(cudaMalloc(&data1_on_gpu, sizeof(Data1)));
    Data2 * data2_on_gpu;
    cudaMalloc(&data2_on_gpu, sizeof(Data2));
    CUDA_CHECK_RETURN(cudaDeviceSynchronize());
    cudaMemcpy(data1_on_gpu, data1, sizeof(Data1), cudaMemcpyHostToDevice);
    cudaMemcpy(data2_on_gpu, data2, sizeof(Data1), cudaMemcpyHostToDevice);
    CUDA_CHECK_RETURN(cudaDeviceSynchronize());

    std::chrono::time_point<std::chrono::system_clock> t1 = std::chrono::system_clock::now();
    f1<<<80,1>>>(data1_on_gpu);
    CUDA_CHECK_RETURN(cudaDeviceSynchronize());
    std::chrono::time_point<std::chrono::system_clock> t2 = std::chrono::system_clock::now();
    f2<<<80,1>>>(data2_on_gpu);
    CUDA_CHECK_RETURN(cudaDeviceSynchronize());
    std::chrono::time_point<std::chrono::system_clock> t3 = std::chrono::system_clock::now();

    std::chrono::duration<double> duration_1_to_2 = t2 - t1;
    std::chrono::duration<double> duration_2_to_3 = t3 - t2;
    duration_1_to_2.count();
    printf("timer for 1st took %.3lfn", duration_1_to_2.count());
    printf("timer for 2nd took %.3lfn", duration_2_to_3.count());
}