AMD OpenCL大学课程(6)

GPU架构

内容包括：

1.OpenCLspec和多核硬件的对应关系

• AMD GPU架构
• Nvdia GPU架构
• Cell Broadband Engine

2.一些关于OpenCL的特殊主题

• OpenCL编译系统
• Installable client driver

 

首先我们可能有疑问，既然OpenCL具有平台无关性，我们为什么还要去研究不同厂商的特殊硬件设备呢?

• 了解程序中的循环和数据怎样映射到OpenCL Kernel中，便于我们提高代码质量，获得更高的性能。
• 了解AMD和Nvdia显卡的区别。
• 了解各种硬件的区别，可以帮助我们使用基于这些硬件的一些特殊的OpenCL扩展，这些扩展在后面课程中会讲到。

3、传统的CPU架构

•     对单个线程来说，CPU优化能获得最小时延，而且CPU也适合处理控制流密集的工作，比如if、else或者跳转指令比较多的任务。
• 控制逻辑单元在芯片中占用的面积要比ALU单元多。
• 多层次的cache设计被用来隐藏时延（可以很好的利用空间和时间局部性原理）
• 有限的寄存器数量使得同时active的线程不能太多。
• 控制逻辑单元记录程序的执行、提供指令集并行（ILP）以及最小化CPU管线的空置周期（stalls，在该时钟周期，ALU没做什么事）。

4、现代的GPGPU架构

 

• 对于现代的GPU，通常的它的控制逻辑单元比较简单（和cpu相比），cache也比较小
• 线程切换开销比较小，都是轻量级的线程。
• GPU的每个“核”有大量的ALU以及很小的用户可管理的cache。[这儿的核应该是指整个GPU]。
• 内存总线都是基于带宽优化的。150GB/s的带宽可以使得大量ALU同时进行内存操作。

5、AMD GPU硬件架构

现在我们简单看下AMD 5870显卡(cypress)的架构

• 20个simd引擎，每个simd引擎包含16个simd。
• 每个simd包含16个stream core
• 每个stream core都是5路的乘法-加法运算单元（VLIW processing）。
• 单精度运算可以达到 Teraflops。
• 双精度运算可以达到544Gb/s

上图为一个simd引擎的示意图，每个simd引擎由一系列的stream core组成。

• 每个stream core是一个5路的VLIW处理器，在一个VLIW指令中，可以最多发射5个标量操作。标量操作在每个pe上执行。
• CU（8xx系列cu对应硬件的simd）内的stream core执行相同的VLIW指令。
• 在CU（或者说simd）内同时执行的work item放在一起称作一个wave，它是cu中同时执行的线程数目。在5870中wave大小是64，也就是说一个cu内，最多有64个work item在同时执行。

注：5路的运算对应(x,y,z,w),以及T（超越函数），在cayman中，已经取消了T，改成四路了。

 

我们现在看下AMD GPU硬件在OpenCL中的对应关系：

• 一个workitme对应一个pe，pe就是单个的VLIW core
• 一个cu对应多个pe，cu就是simd引擎。

上图是AMD GPU的内存架构（原课件中的图有点小错误，把Global memory写成了LDS)

• 对每个cu来说，它使用的内存包括onchip的LDS以及相关寄存器。在5870中，每个LDS是32K，共32个bank，每个bank 1k，读写单位4 byte。
• 对没给cu来说，有8K的L1 cache。（for 5870）
• 各个cu之间共享的L2 cache，在5870中是512K。
• fast Path只能执行32位或32位倍数的内存操作。
• complete path能够执行原子操作以及小于32位的内存操作。

AMD GPU的内存架构和OpenCL内存模型之间的对应关系：

• LDS对应local memeory，主要用来在一个work group内的work times之间共享数据。steam core访问LDS的速度要比Global memory快一个数量级。
• private memory对应每个pe的寄存器。
• constant memory主要是利用了L1 cache

注意：对AMD CPU，constant memory的访问包括三种方式：Direct-Addressing Patterns，这种模式要求不包括行列式，它的值都是在kernel函数初始化的时候就决定了，比如传入一个固定的参数。Same Index Patterns，所有的work item都访问相同的索引地址。Globally scoped constant arrays，行列式会被初始化，如果小于16K，会使用L1 cache，从而加快访问速度。

当所有的work item访问不同的索引地址时候，不能被cache，这时要在global memory中读取。