CUDA编程（二）

概要

源于facebook的faiss库，其用过GPU 对于进行加速，另外xfr中也用到GPU，而需求源于之前xid对于大数据量的性能问题。之前也了解过一些机器学习的平台，如tersorflow，paddlepaddle，他们均将GPU加速作为平台的一大“卖点”。因此思考GPU编程对于智能基础服务还是有很大的帮助，于是“贸然”涉足了这一领域。

CUDA编程给我的感觉是 1. 入门很容易，我大概用了一周的时间完成了对于cuda基础知识的学习，又用了一周的时间尝试将xid的核心函数迁移过来进行试验，并且尝试了多种优化方案，效果也都还不错；2. 进一步深入去运用发现很难，比如cuda同c++的混合编译，host和device的异步执行，包括对于细节的调优。在某一些理论上觉得会产生优化效果的地方，性能反而变差；对于一些理论，反复推究也不得其理。中途一直有放弃的念头，1是目前没有明确的应用，2是中途遇到的各种困难导致我也不确信是否能做出来。不过最终还是坚持写出来了一版。

整体工作分为两个部分。第一是尽量和xid的接口兼容，完成后能集成进xid进行测试验证。这部分工作完成后，一个较大的问题是GPU与CPU的传输数据很大，导致这部分的性能开销不能忽略；另一个是相对简单，很多CUDA的并行特性没有使用到，因此有了后面第二版的开发工作。它不在依赖xid的框架限制，接口设计更为灵活，在很多方面也对第一版的功能进行了补充。

	特性
第一版	支持多卡； 有内存池管理地址空间； 有对象池可以重复利用request相关的参数； 输出是所有item的distance，数据量较大；
第二版	支持多卡，并且可以控制使用的卡数； 有内存池管理地址空间，支持动态扩展； 有对象池可以重复利用request相关的参数，支持动态扩展； 支持数据的添加、更新和删除操作； 使用多stream支持并行请求，充分“压榨”GPU的性能； 输出是相似度最高的top k个数据，运算部分放到了gpu来做； 单元测试；

 

API

bool gpu_init(); // initialize   void gpu_set_max_devices(const int used); // maximun gpu used   void gpu_search(int block,  // in which block                 const float* item, // 256 dim search item                 const int k, // top k return                 DistanceIndex* output); // top k distances return   bool gpu_add_block(int block, // in which block                    const int num, // numbers to insert, batch mode                    const float* data); // insert data   bool gpu_update_block(int block, // in which block                       const int seq, // the sequence number                       const float* data); // update data   bool gpu_delete_block(int block, // in which block                       const int seq); // delete data   bool gpu_clear_block(int block); // empty exact block data   bool gpu_close(); // all data cleared   bool gpu_dump_block(int block, // in which block                     int start, // for check propose, both start and end are inclusive                     int end,                     vector >& result);

使用DEMO

struct DistanceIndex {     float distance;  // 欧式距离     int index;  // 序列号 };     TEST(testCase,test1){     ASSERT_TRUE(xsearch::gpu_init());  // 初始化，准备资源     int data_num = 500000; // 测试50000万底库的数据     float* data = genBatchData(data_num);     ASSERT_TRUE(xsearch::gpu_add_block(0, data_num, data));  // 添加数据     float* search_item = genBatchData(1);      int top_k = 4;  // 只返回距离最小的四个数据     DistanceIndex* ret = new DistanceIndex[4];     struct timeval start, end;  // 记录时间开销     gettimeofday( &start, NULL );     gpu_search(0, search_item, top_k, ret);  // 开始在50000万底库中查找距离最近的档案     gettimeofday( &end, NULL );     int cost = end.tv_sec*1000000+end.tv_usec - start.tv_sec*1000000-start.tv_usec;     cout << "cost: " << cost << endl;     showSearchResult(ret, top_k);     ASSERT_TRUE(xsearch::gpu_close());     delete[] ret;     delete[] search_item;     delete[] data; }

单卡跑50万底库的数据，时间开销8.3ms，符合之前的demo测试结果；

代码架构

 

核心类功能简介

类名	功能
API	对外不暴露的接口
DeviceManager	gpu卡的管理工作； 指定block数据存放在具体的卡；
DataManager	对于档案数据的添加、更新和查找的管理工作；
GpuDataImp	对于档案数据的添加、更新执行工作； 作为查找接口的提供相应的“资源”；
KernelSearch	计算当前档案和底库中所有档案的距离；
TopK	计算距离最近的top k个档案，返回档案的编号和距离值；

 

GPU并行运算

当前的思路是，1. 先计算出当前特征值和底库中所有档案的距离；2. 选出top k个距离最小的值；关于1，前一篇wiki中已经介绍得很详细了，下面主要介绍2.

算法

1. 在每个block中的thread先计算所管辖的数据，将top k个参数放入block的shared memory中；
2. 使用reduction的方式，每个block整合shared memory中的数据，计算得出当前block top k的距离值和序列号；
3. 重新启动一个核函数，只使用一个block number，类似于step 2的处理方式，计算得出最终的 top k的距离值和序列号；

优化方案

主要涉及到GPU的架构和CUDA算法

1. GPU中每个SM是以warp的方式进行并行运算，同时只允许启动一个warp。每个warp包含了32个线程。shared memory是整个block中所有线程的共享空间，但是每个warp中的线程也可以获取到其它线程的变量值，并且理论上使用这种方法将提升性能；同时减少shared memory的使用量，可以提升SM管理block的数量（每个SM中shared memory的总量是一定的）；
2. 考虑到当前使用GPU是1080Ti，它允许每个block可以最大启动1024个thread，另外它包含了28个SM；
3. 由于我们的算法涉及到两次核函数的调用，每次调用会涉及到一些参数值的选取。比如给定底库的总量total_num和选取topk的值，可以动态调整第一次核函数的thread_num和block_num，当total_num比较小或者topk较大时，可以让每个thread多处理一些数据；
4. 临近数据的读取性能会更加，因此如何划分处理的数据也是有讲究的；