7. CUDA内存访问（一）提高篇------按部就班 ------GPU的革命

序言：从上一篇《 CUDA编程接口（二）------一十八般武器》到现在，差不多有三个月了，不知道大家在“暑假”里面过得怎么样，又经历了什么？花了两个星期的睡觉前的时间，看完了《明朝那些事儿》的第五本，看看明朝的兵器，再想想自己学习的飞行器设计专业，感慨万千。明朝的兵器已经是当时世界最先进的水平了，可是现在的情况，飞行器设计专业出来的我，看到国外飞机的发展，只是感觉脸庞发热，泱泱大国，经历了几个世纪的创伤，到什么时候才能恢复当年盛世，万国朝拜。看到奥运中国的金牌数飞速的上升，当人们还在关注金牌数的时候，却又多少人真正理解体育的意义？体育精神不只是金牌，看看中国的金牌数和奖牌总数，再看看美国的奖牌总数，或许也只能说，改革开放让一部分人先富起来，体育也不例外。看崔永元主持的奥运节目，更多的关注的都是没拿到金牌的运动员，值得反思……从初中校足球队一员，到高中校田径队一员，大学参加过很多运动会；从小学的每次运动会倒数第一，到高中平校记录，到大学，破学院的记录，又有多少人明白期间多少年的锻炼的过程？又有多少人明白其中坚持的意义?或许只有运动员自己明白。参与、感受、坚持，每一次起跑背后是多少次的磨炼；每次终点过后，还会有多少人关注？用心去体会，用心去感受，用更包容的心去对待别人，也会得到别人更宽容的心。或许是这三个月又经历了一些，感情，金钱，事业……每一个过程，每一个心态，坚持下来，跨过去一个事情的时候，就是一个小case了，坚持~go on！

言归正传：谈到内存的访问，其实也就是几个API函数的调用，感觉也没什么好讲的，知道cudaMalloc，知道cudaMemcpy，还有cudaFree，就应该可以对device上的内存进行分配，然后就可以在device上使用内存。但是就像我们看运动会一样，只看100米的那不到10秒的时间，也许你只会说，他跑得真快。又有多少人能清楚其过程中的磨炼啦？要真正理解device上内存的调度访问，让我们的程序达到更快的速度，就得对内存访问的情况做更深入的了解，明白其中的过程。

我记得大学刚开始上编程语言的课程的时候，都会讲到内存的分配和内存的释放，但是一般都是在书的最后面才会讲内存的对齐，内存的空间布局。就像C++一样，或许你学习了好几年，用了它好多年，但是你是否清楚class的内存布局？知道虚表是怎么一个内存访问过程？就像做网络，当做到一定地步的时候，才会发现数据从一段传递到另一段的时候数据发生了变化，内容不对了，定义的结构体传递到另一边的时候就错位了。当在使用SSE对数据处理加速的时候，是否为内存对齐的问题头疼？说了这么多，或许有人在烦了~~~讲正题吧，这些部分或许只有自己真正在实际运用中遇到问题，才会去考虑的，不过还是希望大家能在遇到问题之前，就能掌握解决问题的能力。不是在遇到美女的时候才开始刮胡子，平时的习惯就要养好。

前面这一段话或许只是生活的一些经历，其实可以跳过，当遇到的时候再回来看看：）我们还是按部就班的来讲解device上内存的访问吧。这么多年的发展，内存的价格是越来越便宜，但是有谁知道当你做编织内存的时候，很多人的眼睛都被弄瞎过啦，为她们当年为计算机作出的贡献bless一下。

还记得小时候经常看枪战片，看到小马哥端着枪一个劲的扫射，哪个帅啊~~不过后来稍微大一些以后，心理面一直有一个疑问，×××用不完？一次能装多少×××啊~就那么小的弹夹。8发×××的×××在帅哥哥手里可以搞定十几个人~还不装弹- 囧！一般的自动×××一般都是8发，14发，最多的驳壳枪（毛瑟枪）也才能装20发×××。你要说人家是《第一滴血4》里面的史泰龙可以开着战车上面的M2HB12.7mm重机枪，×××不用弹夹，一次可以装几千发的弹；对，人家是DMA直接内存访问，不是通过弹夹访问的，不需要处理器来中转数据。G80支持的内存访问的能力是一次访问4bytes，8byets或者16bytes，G80有三种弹夹，一种可以一次装4发×××，一种是8发×××，还有16发的。

Global Memory 在访问过程中没有Cache，就像以前的×××一样，打一枪以后，装药，然后才能打下一枪。每次的访问时间是400-600个clock（core 跑的时钟）延迟。所以在CUDA编程中，其中一个瓶颈就是内存访问。利用SDK提供的bandwidthTest可以测试到host到device，device到host，device到device的传输性能。虽然PCIE有3.2G/s的理论值，但实际达不到这么多。Device to Device的传输能达到89G/s（GTX260）左右，理论值是90G/s（GTX260）也达到差不多了。这个地方每个人显卡不一样，主板不一样，设置环境不同，也不一定一样。

Device上active的一个warp有32个线程，但是实际是16个thread同时在运行，就是half warp。当half warp的16个threads访问内存的时候，最好让16个thread依次对着相对应的内存地址，这样的时候才能保证Coalesced Access。如下图[url]http://www.isi.edu/~ddavis/GPU/Course/Slides/GPU+CUDA.pdf[/url]:

如果还没明白，看解释，每一个thread一次访问对应的内存地址，不互相交错，这样就不会卡壳了~。如果有交错了，就会出现下面的情况 Uncoalesced Access，

小时候玩过仿照×××的，自动的转动肯定会很快把×××打完，没看到谁打完第1颗，再去打第3颗，再回来打第2颗×××的~……这里也不多做解释了~

下面是一个例子，也是刚才那个连接上的：

把一个Uncoalesced float3 Code的代码优化为Coalesced的代码的过程：

Float3是12bytes，每一个thread就会读取3个float。还记得我们前面说过的每次换一个弹夹是4，8，或者16，但是明显float3不等于这些。还记得active thread是怎么工作的吧？如果不记得了最好参看前面的thread工作的章节。Warp工作的时候是16个threads一起运作的，所以同时就有16个threads访问内存，加起来就是16*3*4（16个threds，float3是3个float，每个float有4个byte）, 192个bytes。所以就造成了Uncoalesced Access。

下面怎么来解决这个问题，一个图：

看看这个图，然后再看一段代码：

自己先算一下，这里是怎么一个访问过程。

下面解释：我们设置block的thread为256，然后当大家都执行第一条存储命令s_data[threadIdx.x] = g_in[index]，还记得block内的thread的执行模型吗？SIMP，一条指令，同时256个threads都要执行完，才会执行下一个指令。

这里其实用到了shared memory来作为中转，避免了global内存访问的Uncoalesced。如果结构体不是size（4，8，16）还有内存强制对齐的方式来使得global访问的coalesced。例如用__align(x)来强制对齐内存，但是这里就会浪费一些空间，如果float3，的结构体，用__align(16)，对齐，就会有一个float的空白空间用来做对齐了~。

总结一下，就讲了一个global内存访问对齐的东东，如果访问不能连续，就采用两种方法来使得其对齐~其实看完前面的，理解到最后就这一句管用~

下一章节应该会讲到shared memory里面访问的bank conflict的部分，其实也很简单，画一个图就出来解决了~~

Ps：多画图，不明白的时候就画图出来：）