理解CUDA分析器输出(nvprof)

Question

我只是在看下面的输出，并试图把我的思想集中在数字上:

==2906== Profiling result:
Time(%)      Time     Calls       Avg       Min       Max  Name
 23.04%  10.9573s     16436  666.67us  64.996us  1.5927ms  sgemm_sm35_ldg_tn_32x16x64x8x16
 22.28%  10.5968s     14088  752.18us  612.13us  1.6235ms  sgemm_sm_heavy_nt_ldg
 18.09%  8.60573s     14088  610.86us  513.05us  1.2504ms  sgemm_sm35_ldg_nn_128x8x128x16x16
 16.48%  7.84050s     68092  115.15us  1.8240us  503.00us  void axpy_kernel_val<float, int=0>(cublasAxpyParamsVal<float>)
...
  0.25%  117.53ms      4744  24.773us     896ns  11.803ms  [CUDA memcpy HtoD]
  0.23%  107.32ms     37582  2.8550us  1.8880us  8.9556ms  [CUDA memcpy DtoH]
...
==2906== API calls:
Time(%)      Time     Calls       Avg       Min       Max  Name
 83.47%  41.8256s     42326  988.18us  16.923us  13.332ms  cudaMemcpy
  9.27%  4.64747s    326372  14.239us  10.846us  11.601ms  cudaLaunch
  1.49%  745.12ms   1502720     495ns     379ns  1.7092ms  cudaSetupArgument
  1.37%  688.09ms      4702  146.34us     879ns  615.09ms  cudaFree
...

当涉及到优化内存访问时，在比较不同的实现时，我真正需要考虑的数字是什么?首先看起来memcpy只取117.53+107.32ms(在两个方向上)，但随后有这个API调用cudaMemcpy: 41.8256s，这要多得多。此外，min/avg/max列不会在上输出块和下输出块之间相加。

为什么会有差异，什么是对我优化内存传输很重要的"真实"数字?

EDIT:第二个问题是:有没有办法弄清楚谁在调用axpy_kernel_val(以及多少次)?

Answer 1

总时间的差异是由于工作是异步启动到GPU的事实。如果您有一个长时间运行的内核或一组内核，没有与主机显式同步，并在它们之后调用cudaMemcpy，那么cudaMemcpy调用将在内核完成执行之前启动。API调用的总时间是从它启动的那一刻到它完成的那一刻，因此将与执行内核重叠。如果您通过NVIDIA可视化分析器(nvprof -o xxx ./myApp，然后将xxx导入nvvp)运行输出，您可以非常清楚地看到这一点。

差异是min time是由于启动开销。虽然API分析考虑了所有的启动开销，但内核计时只包含其中的一小部分。正如你在这里看到的，发射开销可能是~10-20us。

一般来说，API调用部分让你知道CPU在做什么，而分析结果告诉你GPU在做什么。在这种情况下，我认为您没有充分利用CPU，因为cudaMemcpy启动得太早，浪费了CPU周期。然而，在实践中，通常很难或不可能从这些空闲周期中获得任何有用的东西。