CUDA高性能计算经典问题①：归约
撰文 | Will Zhang
本系列为CUDA进阶，通过具体的经典问题，讲述高性能编程的一些基本原则以及方法。建议读者先阅读NVIDIA官方的编程指南完成CUDA入门，基础比较少的同学也建议阅读本人之前写的GPU架构介绍。本文如有不对的地方欢迎指正。
首先我们不严谨地定义一下Reduction（归约）， 给N个数值，求出其总和/最大值/最小值/均值这一类的操作，称为Reduction。如果是使用CPU，我们可以很简单的写一个循环遍历一遍即可完成。而在GPU上，我们如何并行利用几千个线程去做Reduction？
本文选取求总和为例子编写代码，相比内存访问，由于数值加法并不是很重的计算，所以这个问题中，主要注意的是如何利用好各级Memory的带宽。
1
Serial
我们先做一个Baseline，使用GPU上一个线程去遍历得到结果，如下：
__global__ void SerialKernel(const float* input, float* output, size_t n) {
float sum = 0.0f;
for (size_t i = 0; i < n; ++i) {
sum += input[i];
}
*output = sum;
}
void ReduceBySerial(const float* input, float* output, size_t n) {
SerialKernel<<<1, 1>>>(input, output, n);
}其中n的值为4 * 1024 * 1024，也即输入的物理大小为4MByte。在作者的环境里，这段代码耗时为 100307us，我们后续的算法可以与这个作为对比。
2
TwoPass
对于并发reduce这个问题，可以很容易想到一个朴素解法，以n=8为例，如下
我们把n均分为m个part，第一步启动m个block计算每个part的reduce结果，第二步启动一个单独的block汇总每个part的结果得到最终结果。其中每个block内部再把其负责的部分均分到每个线程，这样就可以得到一个朴素的代码如下
__global__ void TwoPassSimpleKernel(const float* input, float* part_sum,
size_t n) {
// n is divided to gridDim.x part
// this block process input[blk_begin:blk_end]
// store result to part_sum[blockIdx.x]
size_t blk_begin = n / gridDim.x * blockIdx.x;
size_t blk_end = n / gridDim.x * (blockIdx.x + 1);
// after follow step, this block process input[0:n], store result to part_sum
n = blk_end - blk_begin;
input += blk_begin;
part_sum += blockIdx.x;
// n is divided to blockDim.x part
// this thread process input[thr_begin:thr_end]
size_t thr_begin = n / blockDim.x * threadIdx.x;
size_t thr_end = n / blockDim.x * (threadIdx.x + 1);
float thr_sum = 0.0f;
for (size_t i = thr_begin; i < thr_end; ++i) {
thr_sum += input[i];
}
// store thr_sum to shared memory
extern __shared__ float shm[];
shm[threadIdx.x] = thr_sum;
__syncthreads();
// reduce shm to part_sum
if (threadIdx.x == 0) {
float sum = 0.0f;
for (size_t i = 0; i < blockDim.x; ++i) {
sum += shm[i];
}
*part_sum = sum;
}
}
void ReduceByTwoPass(const float* input, float* part_sum, float* sum,
size_t n) {
const int32_t thread_num_per_block = 1024; // tuned
const int32_t block_num = 1024; // tuned
// the first pass reduce input[0:n] to part[0:block_num]
// part_sum[i] stands for the result of i-th block
size_t shm_size = thread_num_per_block * sizeof(float); // float per thread
TwoPassSimpleKernel<<>>(input,
part, n);
// the second pass reduce part[0:block_num] to output
TwoPassSimpleKernel<<<1, thread_num_per_block, shm_size>>>(part, output,
block_num);
} 这种分为两步的方法就称为Two-Pass，这个方法的时间为92us，相比之前的100307us确实快了许多。但是这个方法仍然比较朴素，没有利用好GPU特性。
首先读取Global Memory计算单线程的结果时，由于给单个线程划分了一块连续地址进行局部reduce，导致了同一个warp内的不同线程任意时刻读取的地址非连续。
打个比方，假设我们有9个数，使用3个线程去做局部reduce, 0号线程处理第0,1,2的数，1号线程处理第3,4,5的数，而第三个线程处理第6,7,8的数。于是有如下表:
由于从Global Memory到SM的数据传输也是类似CPU Cache Line的方式，比如一次读取32*4=128字节，如果同一Warp内所有线程同时访问Global Memory连续的且对齐的128字节，那么这次读取就可以合并为一个Cache Line的读取。而在上面的情况下，由于每个线程读取的地址都不连续，意味着每次要触发多个CacheLine的读取。但是从Global Memory到SM的带宽并不是无限的，SM内以及L2能缓存下的数据也不是无限的，这意味着很可能会导致实际读了多次Global Memory, 同时带宽也被挤压导致延时上升.
需要注意，事实上GPU也支持32/64字节大小的CacheLine, 详情参考:
https://docs.nvidia.com/cuda/cuda-c-programming-guide/index.html#device-memory-accesses
为了应对上文这种现象，我们应努力使得Warp内不同线程访问的地址连续，这会导致单个线程处理的地址不连续，在直觉上与CPU性能优化相反。仍然使用9数3线程的例子，列表如下：
我们可以写出优化后的kernel：
__global__ void TwoPassInterleavedKernel(const float* input, float* part_sum,
size_t n) {
int32_t gtid = blockIdx.x * blockDim.x + threadIdx.x; // global thread index
int32_t total_thread_num = gridDim.x * blockDim.x;
// reduce
// input[gtid + total_thread_num * 0]
// input[gtid + total_thread_num * 1]
// input[gtid + total_thread_num * 2]
// input[gtid + total_thread_num * ...]
float sum = 0.0f;
for (int32_t i = gtid; i < n; i += total_thread_num) {
sum += input[i];
}
// store sum to shared memory
extern __shared__ float shm[];
shm[threadIdx.x] = sum;
__syncthreads();
// reduce shm to part_sum
if (threadIdx.x == 0) {
float sum = 0.0f;
for (size_t i = 0; i < blockDim.x; ++i) {
sum += shm[i];
}
part_sum[blockIdx.x] = sum;
}
}这个优化把时间从92us降低到了78us。
紧接着，更进一步，我们可以看到之前的代码，在把shared memory归约到最终值时采取了单线程遍历的简单方法，接下来我们优化这个步骤。
这里回顾一下shared memory的特性，其存在于SM上，意味着极快地访问延时与带宽，但其被分成32个Bank，与Warp的32线程对应。如果一个Warp内的32线程同时访问了32个不同的bank，也即没有任意两个线程访问同一bank，这时达到了最快的访存速度。否则，如果有两个线程同时访问了同一个bank，那么就会发生bank conflict，对这个bank的访存无法并发，形成顺序执行，也就意味着降低了访存速度。
如果访问了互斥的bank，那一定不会有bank conflict. 如果访问了相同的bank, 但是访问的是bank内的同一连续地址空间，也不会有bank conflict，这种情况下，如果都为读操作，则会广播给访问线程们，如果是写，则只有一个线程的写会成功，具体是哪个线程是未定义行为。
Shared Memory有4字节模式和8字节模式：
4字节模式：其中属于Bank 0的地址有[0, 4), [128, 132), [256, 260)...，而属于Bank 1的地址有[4, 8), [132, 136), [260, 264) ...，依次类推每个bank的地址。
8字节模式：其中属于Bank 0的地址有[0, 8), [256, 264), [512, 520)...，而属于Bank 1的地址有[8, 16), [264, 272), [520, 528) ...，依次类推每个bank的地址。
现在回到我们的问题，将存在于shared memory上的数据reduce，同时尽可能避免bank conflict，一般来说我们假设单个block的线程数是32的倍数，当然我们代码里实际也是如此，我们可以每次把数据的后半部分加到前半部分上，每次读写都没有bank conflict，代码如下
__global__ void TwoPassSharedOptimizedKernel(const float* input,
float* part_sum, size_t n) {
int32_t gtid = blockIdx.x * blockDim.x + threadIdx.x; // global thread index
int32_t total_thread_num = gridDim.x * blockDim.x;
// reduce
// input[gtid + total_thread_num * 0]
// input[gtid + total_thread_num * 1]
// input[gtid + total_thread_num * 2]
// input[gtid + total_thread_num * ...]
float sum = 0.0f;
for (int32_t i = gtid; i < n; i += total_thread_num) {
sum += input[i];
}
// store sum to shared memory
extern __shared__ float shm[];
shm[threadIdx.x] = sum;
__syncthreads();
// reduce shm to part_sum
for (int32_t active_thread_num = blockDim.x / 2; active_thread_num >= 1;
active_thread_num /= 2) {
if (threadIdx.x < active_thread_num) {
shm[threadIdx.x] += shm[threadIdx.x + active_thread_num];
}
__syncthreads();
}
if (threadIdx.x == 0) {
part_sum[blockIdx.x] = shm[0];
}
}这一步优化从78us降低到了46us. 接下来更进一步的，如果活跃线程数少于等于32，也即只剩最后一个warp时，我们是不需要block级别的同步的，因为warp内必然同步（注意这里是无分支情况，不需要syncwarp，感谢评论区指正，之前的说法有误导嫌疑），改写为：
__global__ void TwoPassWarpSyncKernel(const float* input, float* part_sum,
size_t n) {
int32_t gtid = blockIdx.x * blockDim.x + threadIdx.x; // global thread index
int32_t total_thread_num = gridDim.x * blockDim.x;
// reduce
// input[gtid + total_thread_num * 0]
// input[gtid + total_thread_num * 1]
// input[gtid + total_thread_num * 2]
// input[gtid + total_thread_num * ...]
float sum = 0.0f;
for (int32_t i = gtid; i < n; i += total_thread_num) {
sum += input[i];
}
// store sum to shared memory
extern __shared__ float shm[];
shm[threadIdx.x] = sum;
__syncthreads();
// reduce shm
for (int32_t active_thread_num = blockDim.x / 2; active_thread_num > 32;
active_thread_num /= 2) {
if (threadIdx.x < active_thread_num) {
shm[threadIdx.x] += shm[threadIdx.x + active_thread_num];
}
__syncthreads();
}
// the final warp
if (threadIdx.x < 32) {
volatile float* vshm = shm;
if (blockDim.x >= 64) {
vshm[threadIdx.x] += vshm[threadIdx.x + 32];
}
vshm[threadIdx.x] += vshm[threadIdx.x + 16];
vshm[threadIdx.x] += vshm[threadIdx.x + 8];
vshm[threadIdx.x] += vshm[threadIdx.x + 4];
vshm[threadIdx.x] += vshm[threadIdx.x + 2];
vshm[threadIdx.x] += vshm[threadIdx.x + 1];
if (threadIdx.x == 0) {
part_sum[blockIdx.x] = vshm[0];
}
}
}需要注意，使用warp隐式同步时使用shared memory需要配合volatile关键字。这个优化从46us降低到了40us.
更进一步的，我们可以把第二个for循环展开，同时我们要求在编译时就知道blockDim.x，而这可以通过template做到，这里我们仍然假设blockDim.x是32的倍数，此外限制其最大是1024，代码如下：
template
__global__ void TwoPassUnrollKernel(const float* input, float* part_sum,
size_t n) {
int32_t gtid = blockIdx.x * blockDim.x + threadIdx.x; // global thread index
int32_t total_thread_num = gridDim.x * blockDim.x;
// reduce
// input[gtid + total_thread_num * 0]
// input[gtid + total_thread_num * 1]
// input[gtid + total_thread_num * 2]
// input[gtid + total_thread_num * ...]
float sum = 0.0f;
for (int32_t i = gtid; i < n; i += total_thread_num) {
sum += input[i];
}
// store sum to shared memory
extern __shared__ float shm[];
shm[threadIdx.x] = sum;
__syncthreads();
// reduce shm
if (block_thread_num >= 1024) {
if (threadIdx.x < 512) {
shm[threadIdx.x] += shm[threadIdx.x + 512];
}
__syncthreads();
}
if (block_thread_num >= 512) {
if (threadIdx.x < 256) {
shm[threadIdx.x] += shm[threadIdx.x + 256];
}
__syncthreads();
}
if (block_thread_num >= 256) {
if (threadIdx.x < 128) {
shm[threadIdx.x] += shm[threadIdx.x + 128];
}
__syncthreads();
}
if (block_thread_num >= 128) {
if (threadIdx.x < 64) {
shm[threadIdx.x] += shm[threadIdx.x + 64];
}
__syncthreads();
}
// the final warp
if (threadIdx.x < 32) {
volatile float* vshm = shm;
if (blockDim.x >= 64) {
vshm[threadIdx.x] += vshm[threadIdx.x + 32];
}
vshm[threadIdx.x] += vshm[threadIdx.x + 16];
vshm[threadIdx.x] += vshm[threadIdx.x + 8];
vshm[threadIdx.x] += vshm[threadIdx.x + 4];
vshm[threadIdx.x] += vshm[threadIdx.x + 2];
vshm[threadIdx.x] += vshm[threadIdx.x + 1];
if (threadIdx.x == 0) {
part_sum[blockIdx.x] = vshm[0];
}
}
} 从40us降低到了38us。为了后文方便，我们把这个对shared memory reduce的过程提取一个函数称为ReduceSharedMemory，如下：
template
__device__ void ReduceSharedMemory(float* shm, float* result) {
if (block_thread_num >= 1024) {
if (threadIdx.x < 512) {
shm[threadIdx.x] += shm[threadIdx.x + 512];
}
__syncthreads();
}
if (block_thread_num >= 512) {
if (threadIdx.x < 256) {
shm[threadIdx.x] += shm[threadIdx.x + 256];
}
__syncthreads();
}
if (block_thread_num >= 256) {
if (threadIdx.x < 128) {
shm[threadIdx.x] += shm[threadIdx.x + 128];
}
__syncthreads();
}
if (block_thread_num >= 128) {
if (threadIdx.x < 64) {
shm[threadIdx.x] += shm[threadIdx.x + 64];
}
__syncthreads();
}
// the final warp
if (threadIdx.x < 32) {
volatile float* vshm = shm;
if (blockDim.x >= 64) {
vshm[threadIdx.x] += vshm[threadIdx.x + 32];
}
vshm[threadIdx.x] += vshm[threadIdx.x + 16];
vshm[threadIdx.x] += vshm[threadIdx.x + 8];
vshm[threadIdx.x] += vshm[threadIdx.x + 4];
vshm[threadIdx.x] += vshm[threadIdx.x + 2]; vshm[threadIdx.x] += vshm[threadIdx.x + 1];
if (threadIdx.x == 0) {
*result = vshm[0];
}
}
} 3
Single Pass
上一节中分为两次kernel，经过多次优化，降低到了38us。现在我们想办法，一次kernel完成我们的目标。
首先一个简单的办法，就是把之前的两步合并到一个kernel中，为了实现这个目标，我们需要一个计数器，每个block完成part sum计算时把计数器加1，当发现自己加完就是最后一个block，由这最后一个block去做part sum的归约，代码如下
__device__ int32_t done_block_count = 0;
template
__global__ void SinglePassMergedKernel(const float* input, float* part_sum,
float* output, size_t n) {
int32_t gtid = blockIdx.x * blockDim.x + threadIdx.x; // global thread index
int32_t total_thread_num = gridDim.x * blockDim.x;
// reduce
// input[gtid + total_thread_num * 0]
// input[gtid + total_thread_num * 1]
// input[gtid + total_thread_num * 2]
// input[gtid + total_thread_num * ...]
float sum = 0.0f;
for (int32_t i = gtid; i < n; i += total_thread_num) {
sum += input[i];
}
// store sum to shared memory
extern __shared__ float shm[];
shm[threadIdx.x] = sum;
__syncthreads();
// reduce shared memory to part_sum
ReduceSharedMemory(shm, part_sum + blockIdx.x);
// make sure when a block get is_last_block is true,
// all the other part_sums is ready
__threadfence();
// check if this block is the last
__shared__ bool is_last_block;
if (threadIdx.x == 0) {
is_last_block = atomicAdd(&done_block_count, 1) == gridDim.x - 1;
}
__syncthreads();
// reduce part_sum to output
if (is_last_block) {
sum = 0.0f;
for (int32_t i = threadIdx.x; i < gridDim.x; i += blockDim.x) {
sum += part_sum[i];
}
shm[threadIdx.x] = sum;
__syncthreads();
ReduceSharedMemory(shm, output);
done_block_count = 0;
}
}
void ReduceBySinglePass(const float* input, float* part, float* output,
size_t n) {
const int32_t thread_num_per_block = 1024;
const int32_t block_num = 1024;
size_t shm_size = thread_num_per_block * sizeof(float);
SinglePassMergedKernel
<<>>(input, part, output, n);
} 这个版本的时间为39us，相比Two-Pass的时间略有增加。这些时间的对比结论并不是一定的，需要取决于数据的规模，以及gridDim和blockDim的选择，另外和GPU本身的型号也有关系，甚至和CPU的繁忙程度也有关系，所以数据对比作为参考即可。
另一个方法就是直接做Atomic：
__global__ void SinglePassAtomicKernel(const float* input, float* output,
size_t n) {
int32_t gtid = blockIdx.x * blockDim.x + threadIdx.x; // global thread index
int32_t total_thread_num = gridDim.x * blockDim.x;
// reduce
// input[gtid + total_thread_num * 0]
// input[gtid + total_thread_num * 1]
// input[gtid + total_thread_num * 2]
// input[gtid + total_thread_num * ...]
float sum = 0.0f;
for (int32_t i = gtid; i < n; i += total_thread_num) {
sum += input[i];
}
atomicAdd(output, sum);
}这个方法的耗时是2553us，作为参考即可。
对于一个warp内的reduce，我们还可以使用warp级别的指令直接做这件事情，比如WarpReduce，由于这个指令不支持float，所以我们退而求其次，使用WarpShuffle也可以做到类似的事情，代码如下：
template
__device__ void ReduceSharedMemoryByShuffle(float* shm, float* result) {
if (block_thread_num >= 1024) {
if (threadIdx.x < 512) {
shm[threadIdx.x] += shm[threadIdx.x + 512];
}
__syncthreads();
}
if (block_thread_num >= 512) {
if (threadIdx.x < 256) {
shm[threadIdx.x] += shm[threadIdx.x + 256];
}
__syncthreads();
}
if (block_thread_num >= 256) {
if (threadIdx.x < 128) {
shm[threadIdx.x] += shm[threadIdx.x + 128];
}
__syncthreads();
}
if (block_thread_num >= 128) {
if (threadIdx.x < 64) {
shm[threadIdx.x] += shm[threadIdx.x + 64];
}
__syncthreads();
}
// the final warp
if (threadIdx.x < 32) {
volatile float* vshm = shm;
if (blockDim.x >= 64) {
vshm[threadIdx.x] += vshm[threadIdx.x + 32];
}
float val = vshm[threadIdx.x];
val += __shfl_xor_sync(0xffffffff, val, 16);
val += __shfl_xor_sync(0xffffffff, val, 8);
val += __shfl_xor_sync(0xffffffff, val, 4);
val += __shfl_xor_sync(0xffffffff, val, 2);
val += __shfl_xor_sync(0xffffffff, val, 1);
if (threadIdx.x == 0) {
*result = val;
}
}
} 使用这个指令的好处就是不需要shared memory，不过我们这个例子里体现不出优势来，耗时没有什么变化。
最后我们的最优耗时是38us，在本人机器下测试了cub的结果是49us，当然这也仅作为一个参考，具体的影响因素和具体的测试数据规模也有关，和GPU型号等也有关。不过通过这个例子，还是把很多知识点串起来了。
本文如有问题，欢迎指正，欢迎多交流（线上线下均可），共同学习共同进步，下一篇文章见。
本文获得授权后发布，原文链接：https://zhuanlan.zhihu.com/p/416959273
题图源自Pixabay
其他人都在看
OneFlow v0.5.0正式上线
OneFlow中的错误处理：Maybe
最理想的点到点通信库究竟是怎样的
玩转大模型，是时候展示你真正的技术了
如何实现一个高效的Softmax CUDA kernel
计算机架构史上的一次伟大失败，多数人都不知道
点击“阅读原文”，欢迎下载体验OneFlow新一代开源深度学习框架
