MindSpore：CUDA编程（六）存储单元

CUDA的存储单元包含以下类型：

如下表所示：名称位置用途使用方法限制备注Register寄存器GPU的SM上存储局部变量每个SM上有成千上万个一个线程最大数量为256个需要省着用线程私有，最快线程退出则失效Shared memoryGPU芯片上实现Block内的线程通信，目前最快的多Thread沟通的地方__shared__修饰符需要__syncThreads()同步分为32个banks需要省着用，会影响活动warp数量可被1个block所有thread访问，次快高带宽，低延迟Local memory存放单线程的大型数组和变量（Register不够时用它）没有特定的存储单元线程私有，速度较慢，速度与Global memory接近Constant memory常量内存驻留在device memory中用于同一warp的所有thread同时访问同样的常量数据，比如光线追踪__constant__修饰符必须在host端使用 cudaMemcpyToSymbol初始化没有特定的存储单元，但是有单独的缓存只读，全局Global memory等同于GPU显存驻留在device memory中输入数据，写入结果全局，速度较慢Texture memory纹理内存用于加速局部性访问，比如热传导模型只读，全局，速度次于Shared Memory（延迟比Shared Memory高，带宽比hared Memory小）Host memory：可分页内存主机端内存使用malloc访问使用free释放不可以使用DMA访问内存页可以置换到磁盘中另一种Host memory：又称：Page-locked Memory,Zero-Copy Memory主机端内存使用cudaMallocHost访问使用cudaFreeHost释放属于另一种Global memory如何使用Shared Memory优化CUDA应用呢？

Shared Memory的特点是快的时候特别快，慢的时候特别慢。什么时候快？同一warp中所有线程访问不同的banks或者 同一warp中所有线程读取同一地址（通过广播）什么时候慢？同一warp中多个线程访问同一个bank的不同地址（此时将产生 bank conflict）串行访问请注意：bank conflict发生的原因就是 warp的分配和bank的分配重叠了：

如何避免bank conflict，简单的方法是Padding法（好像叫做补边）：

通过增加一个空列，让bank强行错位，使得每段连续的数据被分配到不同的bank中。具体做法很简单：

就是在设置Shared Memory的时候，不设置成 方阵BLOCK_SIZE X BLOCK_SIZE,而设置成 BLOCK_SIZE X (BLOCK_SIZE+1).最后，我们可以使用Shared Memory优化mXn, nXk的矩阵乘 的代码，提高访存的效率。具体方法如下：申请两块 Shared Memory，都是BLOCK_SIZE X BLOCK_SIZE 大小。一个沿着矩阵mXn滑动，一个沿着矩阵 nXk滑动。将 子集的结果累加到 目的矩阵中：

具体的代码如下：__global__ void gpu_matrix_mult_shared(int d_a, int d_b, int *d_result, int m, int n, int k)
{

__shared__ int tile_a[BLOCK_SIZE][BLOCK_SIZE];
__shared__ int tile_b[BLOCK_SIZE][BLOCK_SIZE];

int row = blockIdx.y * BLOCK_SIZE + threadIdx.y;
int col = blockIdx.x * BLOCK_SIZE + threadIdx.x;
int tmp = 0;
int idx;

for (int sub = 0; sub < gridDim.x; ++sub) 
{
    idx = row * n + sub * BLOCK_SIZE + threadIdx.x;
    tile_a[threadIdx.y][threadIdx.x] = row

}并将前面 代码中调用矩阵乘的地方：gpu_matrix_mult<<>>(d_a, d_b, d_c, m, n, k);  改为 gpu_matrix_mult_shared<<>>(d_a, d_b, d_c, m, n, k); 其余不变。编译，执行：

修改blocksize，将其分别改为 16，8，4，再进行统计汇总：矩阵MXN（m)矩阵NXK(n)矩阵NXK(k)blocksizestop-start(ms)100100100321.83286100100100161.2736510010010081.2329210010010043.528651001001006（补测）2.199910010010012（补测）1.34755从上面的结果来看，blocksize为8，16，32时好像差异不大，但是blocksize为4的时候速度降得比较厉害。blocksize为4时，其实并没有发生bank conflict！而只是因为4X4，只有16个线程，而一个warp需要32个线程，所以相当于计算时，有一半算力被浪费掉了，进而速度慢了一倍。专家建议，至少应该NXN>32比较好。将 矩阵从100改为1000试试，但是发现一旦改为1000后，CPU计算可能算不过来了，需要将CPU那部分代码和后面比较的代码屏蔽掉。

再重新统计：矩阵MXN（m)矩阵NXK(n)矩阵NXK(k)blocksizestop-start(ms)10001000100032265.10610001000100016228.091000100010008202.3821000100010004518.3151000100010006（补测）386.17110001000100012（补测）246.29