ArrayFire 中的计时

Question

我正在尝试使用 ArrayFire 评估简单 GPU 元素矩阵操作的性能。

特别是，考虑到

int N1 = something;
int N2 = something;
array A_D = constant(1.,N1*N2,1,f64);
array B_D = constant(1.,N1*N2,1,f64);
array C_D = constant(1.,N1*N2,1,f64);
array D_D = constant(1.,N1*N2,1,f64);

我想执行以下指令的时间

D_D = A_D + B_D + C_D + 3.;

我正在使用两种方法。第一个是

timer  time_last;
time_last = timer::start();
D_D = A_D + B_D + C_D + 3.;
double elapsed = timer::stop(time_last);
printf("elapsed time using start and stop = %g ms n",1000.*elapsed);

第二个是定义以下函数

void timing_test()
{
    int N1 = something;
int N2 = something;
    array A_D = constant(1.,N1*N2,1,f64);
    array B_D = constant(1.,N1*N2,1,f64);
    array C_D = constant(1.,N1*N2,1,f64);
    array D_D = constant(1.,N1*N2,1,f64);
    D_D = A_D + B_D + C_D + 3.;
}

然后呼叫

printf("elapsed time using timeit %g ms n", 1000.*timeit(timing_test));

我得到了以下结果：

(N1,N2)=(256,256)第一种方法 = 0.0456ms第二种方法 = 0.264ms

(N1,N2)=(512,512)第一种方法 = 0.0451ms第二种方法 = 0.264ms

(N1,N2)=(1024,1024)第一种方法=第二种方法0.0457ms=0.263ms

(N1,N2)=(2048,2048)第一种方法=0.127ms第二种方法=0.265ms

我还使用以下"手动编码"版本的表达式，根据

cudaEventCreate(&start);
cudaEventCreate(&stop);
cudaEventRecord(start, 0);
eval_matrix_wrap_handcoded(A_D,B_D,C_D,D_D,N1*N2);
cudaEventRecord(stop, 0);
cudaEventSynchronize(stop);
cudaEventElapsedTime(&time, start, stop);
template <class T1, class T2, class T3, class T4>
__global__ inline void evaluation_matrix_handcoded(T1 *A_D, T2 *B_D, T3 *C_D, T4 *D_D, int NumElements)
{
    const int i = blockDim.x * blockIdx.x + threadIdx.x;
    if(i < NumElements) D_D[i]=A_D[i]+B_D[i]+C_D[i]+3.;
}
__host__ void eval_matrix_wrap_handcoded(double *A_D, double *B_D, double *C_D, double *D_D, int NumElements)
{
    dim3 dimGrid(iDivUp(NumElements,dimBlock.x));
    evaluation_matrix_handcoded<<<dimGrid,dimBlock>>>(A_D,B_D,C_D,D_D,NumElements);
}

获得以下内容

(N1,N2)=(256,256) 0.0897ms

(N1,N2)=(512,512) 0.339ms

(N1,N2)=(1024,1024) 1.3ms

(N1,N2)=(2048,2048) 5.37ms

奇怪的是，

1. 这两种方法的结果是不同的。这可能是由于函数调用开销，但无论如何，这种开销在(N1,N2)=(2048,2048)时会发生变化，这很奇怪。
2. 这两种方法的结果几乎与矩阵大小无关。
3. 与表达式的"手动编码"版本相比，结果大不相同(我假设库应该有一个生产力-性能权衡(。

请注意，在任何操作之前，我使用代码预热 GPU

array test1(1,5);
test1(0,0)=1;
test1(0,1)=2;
test1(0,2)=3;
test1(0,3)=4;
test1(0,4)=5;

有人可以帮我解释上述结果吗？谢谢。

按照帕万的回答进行编辑

第一个方法修改为

timer  time_last;
time_last = timer::start();
D_D = A_D + B_D + C_D + 3.;
D_D.eval();
af::sync();
double elapsed = timer::stop(time_last);
printf("elapsed time using start and stop = %g ms n",1000.*elapsed);

第二种方法修改为

void timing_test()
{
    int N1 = something;
    int N2 = something;
    array A_D = constant(1.,N1*N2,1,f64);
    array B_D = constant(1.,N1*N2,1,f64);
    array C_D = constant(1.,N1*N2,1,f64);
    array D_D = constant(1.,N1*N2,1,f64);
    D_D = A_D + B_D + C_D + 3.;
    D_D.eval();
}

然而，现在的时机是

`(N1,N2)=(256,256)`  first approach = `14.7ms`  second approach = `2.04ms`
`(N1,N2)=(512,512)`  first approach = `14.3ms`  second approach = `2.04ms`
`(N1,N2)=(1024,1024)`  first approach = `14.09ms`  second approach = `2.04ms`
`(N1,N2)=(2048,2048)`  first approach = `16.47ms`  second approach = `2.04ms`

而且我仍然有不同的时间并且独立于矢量大小。

如果我将第一种方法修改为

D_D = A_D + B_D + C_D + 3.;
D_D.eval();
timer  time_last;
time_last = timer::start();
D_D = A_D + B_D + C_D + 3.;
D_D.eval();
af::sync();
double elapsed = timer::stop(time_last);
printf("elapsed time using start and stop = %g ms n",1000.*elapsed);

即，我"增加"GPU预热阶段，对于第一种方法，我获得

，

`(N1,N2)=(256,256)`  `0.19ms`
`(N1,N2)=(512,512)`  `0.42ms`
`(N1,N2)=(1024,1024)`  `1.18ms`
`(N1,N2)=(2048,2048)`  `4.2ms`

这对我来说似乎更合理，因为时间取决于数据大小并且更接近手工编码。

第二次编辑总结一下：我已经考虑了答案和评论，对于第一种方法，我正在使用

D_D = A_D + B_D + C_D + 3.;
D_D.eval();
timer  time_last;
af::sync();
time_last = timer::start();
D_D = A_D + B_D + C_D + 3.;
D_D.eval();
af::sync();
double elapsed = timer::stop(time_last);
printf("elapsed time using start and stop = %g ms n",1000.*elapsed);

我正在获得以下(新(结果：

`(N1,N2)=(256,256)`  `0.18ms`
`(N1,N2)=(512,512)`  `0.30ms`
`(N1,N2)=(1024,1024)`  `0.66ms`
`(N1,N2)=(2048,2048)`  `2.18ms`

Answer 1

ArrayFire使用即时编译器进行元素级运算(包括算术，逻辑，三角和其他数学运算(。

这意味着类似

D_D = A_D + B_D + C_D + 3.;

存储为表达式，直到用户或其他非 JIT 函数请求 D_D 的值。

如果使用 af::eval() 函数或 eval() 方法，则可以强制计算这些表达式。

因此，对于您的特定问题，请同时使用D_D.eval()两种方法。对于第一种方法，您还需要执行af::sync()。 timeit()不需要显式同步。