GPU软件抽象与硬件映射的理解（Grid、Block、Warp、Thread与SM、SP）

GPU软件抽象与硬件映射的理解

1 从程序到软件抽象：

组成关系：

GPU上运行函数kernel对应一个Grid，每个Grid内有多个Block，每个Block由多个Thread组成。

运行方式：

Block中的Thread是并行执行的
Grid中的Block是独立执行的，多个Block可以采用任何顺序执行操作，即并行，随机或顺序执行。这种方式扩展了我们（程序猿）的操作空间。

2 从软件抽象到硬件结构

2.1 软件抽象： Grid（线程网格）、Block、Thread

软件抽象是CUDA编程上的概念，以方便程序员软件设计，组织线程。

Thread：一个CUDA的并行程序会被以许多个threads来执行。
Block：数个threads会被群组成一个block，同一个block中的threads可以同步，也可以通过shared memory通信。
Grid：多个blocks则会再构成grid。  

2.2 硬件结构： SM(Streaming Multiprocessor)、SP(Streaming Processor)

Fermi架构如上图，它的特性如下：

如上图，对于某些GPU（如Fermi部分型号）的单个SM，包含：

32个运算核心 （Core，也叫流处理器Stream Processor）
16个LD/ST（load/store）模块来加载和存储数据
4个SFU（Special function units）执行特殊数学运算（sin、cos、log等）
128KB寄存器（Register File）
64KB L1缓存
全局内存缓存（Uniform Cache）
纹理读取单元
纹理缓存（Texture Cache）
PolyMorph Engine：多边形引擎负责属性装配（attribute Setup）、顶点拉取(VertexFetch)、曲面细分、栅格化（这个模块可以理解专门处理顶点相关的东西）。
2个Warp Schedulers：这个模块负责warp调度，一个warp由32个线程组成，warp调度器的指令通过Dispatch Units送到Core执行。
指令缓存（Instruction Cache）
内部链接网络（Interconnect Network）

2.3 软件抽象与硬件结构的对应关系

SP（CUDA Core）是Thread运行的基本单位。
SM中运行软件逻辑中的Block。（SM内每个SP可并行执行，每个Block内Thread并行）
Device中包含多个SM，Grid中包含多个Block。（Device中SM相互独立。Grid中的Block也是独立执行的，多个Block可以采用任何顺序执行操作，即并行，随机或顺序执行。）

为了更好的管理和执行Thread，采用了SIMT架构，提出了线程束Wrap:

warp是硬件层面中SM对应执行线程的单位。
线程束Wrap是GPU的基本执行单元，目前cuda的warp的大小为32。同在一个warp的线程执行同一指令。    

注意： 同一线程束内Thread并发执行，同一Block不同线程束内的Thread也并发执行。

同一线程束内线程执行同一指令，但是输入的数据不同，属于SIMT（单指令多线程）架构。
线程束是GPU的基本执行单元。不同线程束之间执行不同指令，但是可以并行执行，属于GPU的调度范畴，

从硬件角度理解Wrap是如何作为调度单元执行的：

上图反应了warp作为调度单位的作用，不同Wrap执行不同指令，每次GPU调度一个warp里的32个线程执行同一条指令，其中各个线程对应的数据资源不同。

上图是一个warp排程的例子。

一个sm只会执行一个block里的warp，当该block里warp执行完才会执行其他block里的warp。
进行划分时，最好保证每个block里的warp比较合理，那样可以一个sm可以交替执行里面的warp，从而提高效率。
此外，在分配block时，要根据GPU的sm个数，分配出合理的block数，让GPU的sm都利用起来，提利用率。
分配时，也要考虑到同一个线程block的资源问题，不要出现对应的资源不够。

疑问：硬件Wrap Scheduler有两个，对应32个Croe，与软件逻辑中每个Wrap对应32Thread不符?

解惑：Fermi 采用了双发行模型
一个SM中由多个线程束（Wrap），正好对应Block中的线程束Wrap。
Fermi架构下线程束中包含16个Core，一般软件逻辑中Wrap包含32个线程。
（数量对不上，因为采用了双发行模型，Fermi 实现了接近峰值的硬件性能。）
参考：https://qa.1r1g.com/sf/ask/2592133701/

补充：

SIMD与SIMT：
SIMD（Single Instruction Multiple Data）是单指令多数据，在GPU的ALU单元内，一条指令可以处理多维向量（一般是4D）的数据。特指一个Thread在一个Croe中ALU可以进行向量计算。
比如，有以下shader指令：

float4 c = a + b; // a, b都是float4类型

对于没有SIMD的处理单元，需要4条指令将4个float数值相加，汇编伪代码如下：

ADD c.x, a.x, b.x
ADD c.y, a.y, b.y
ADD c.z, a.z, b.z
ADD c.w, a.w, b.w

但有了SIMD技术，只需一条指令即可处理完（利用可以进行4维向量加减的ALU处理）：

SIMD_ADD c, a, b

SIMT（Single Instruction Multiple Threads，单指令多线程）是SIMD的升级版，可对GPU中单个SM中的多个Core同时处理同一指令，并且每个Core存取的数据可以是不同的。特指多个Thread在一个Block中执行相同指令，执行资源不同而已。

SIMT_ADD c, a, b

上述指令会被同时送入在单个SM中被编组的所有Core中，同时执行运算，但a、b 、c的值可以不一样：

主要参考：
深入GPU硬件架构及运行机制
SIMD与SIMT区别
深入理解GPU中的并行机制