GPU & CPU编程

     GPU除了用处图形渲染领域外,还可以用来做大规模的并行运算,这里我们称其为GPGPU(General Purpose GPU);GPGPU计算通常采用CPU+GPU异构模式,由CPU负责执行复杂逻辑处理和事务管理等不适合数据并行的计算,由GPU负责计算密集型的大规模并行计算。比如医学上对图像进行重建、解大规模方程组等,接下来让我们进入GPU高性能运算之CUDA的世界吧!

CUDA编程:

     CUDA编程中,习惯称CPU为Host,GPU为Device。Grid、Block和Thread的关系

Kernel :在GPU上执行的程序,一个Kernel对应一个Grid。

Grid     :一组Block,有共享全局内存

Block   :由相互合作的一组线程组成。一个block中的thread可以彼此同步,快速交换数据,最多可以同时512个线程。

Thread  :并行运算的基本单位(轻量级的线程)

其结构如下图所示:

GPU & CPU编程_第1张图片

?
1
2
3
4
5
6
7
8
9
10
/*
另外:Block和Thread都有各自的ID,记作blockIdx(1D,2D),threadIdx(1D,2D,3D)
Block和Thread还有Dim,即blockDim与threadDim. 他们都有三个分量x,y,z
线程同步:void __syncthreads(); 可以同步一个Block内的所有线程
总结来说,每个 thread 都有自己的一份 register 和 local memory 的空间。
一组thread构成一个 block,这些 thread 则共享有一份shared memory。
此外,所有的 thread(包括不同 block 的 thread)都共享一份
global memory、constant memory、和 texture memory。
不同的 grid 则有各自的 global memory、constant memory 和 texture memory。
*/

 

GPU & CPU编程_第2张图片

?
存储层次
1
2
3
4
5
6
7
per- thread register                             1 cycle
per- thread local memory                     slow
per-block shared memory                   1 cycle
per-grid global memory                       500 cycle,not cached!!
constant and texture memories            500 cycle, but cached and read-only
分配内存:cudaMalloc,cudaFree,它们分配的是global memory
Hose-Device数据交换:cudaMemcpy
?
变量类型
1
2
3
4
5
__device__   // GPU的global memory空间,grid中所有线程可访问
__constant__ // GPU的constant memory空间,grid中所有线程可访问
__shared__   // GPU上的thread block空间,block中所有线程可访问
local        // 位于SM内,仅本thread可访问
// 在编程中,可以在变量名前面加上这些前缀以区分。
?
数据类型
1
2
3
4
5
6
7
8
9
// 内建矢量类型:
int1,int2,int3,int4,float1,float2, float3,float4 ...
// 纹理类型:
texture<Type, Dim, ReadMode>texRef;
// 内建dim3类型:定义grid和block的组织方法。例如:
dim3 dimGrid(2, 2);
dim3 dimBlock(4, 2, 2);
// CUDA函数CPU端调用方法
kernelFoo<<<dimGrid, dimBlock>>>(argument);
?
函数定义
1
2
3
4
5
6
7
8
9
10
__device__ // 执行于Device,仅能从Device调用。限制,不能用&取地址;不支持递归;不支持static variable;不支持可变长度参数
__global__ // void: 执行于Device,仅能从Host调用。此类函数必须返回void
__host__ // 执行于Host,仅能从Host调用,是函数的默认类型
// 在执行kernel函数时,必须提供execution configuration,即<<<....>>>的部分。
//   例如:
__global__ void KernelFunc(...);
dim3 DimGrid(100, 50); // 5000 thread blocks
dim3 DimBlock(4, 8, 8); // 256 threads per block
size_t SharedMemBytes = 64; // 64 bytes of shared memory
KernelFunc<<< DimGrid, DimBlock, SharedMemBytes >>>(...);
?
数学函数
1
2
CUDA包含一些数学函数,如 sin pow 等。每一个函数包含有两个版本,
例如正弦函数 sin ,一个普通版本 sin ,另一个不精确但速度极快的__sin版本。
?
内置变量
1
2
3
4
5
/*
gridDim, blockIdx, blockDim,
threadIdx, wrapsize.
这些内置变量不允许赋值的
*/
?
编写程序
1
2
3
4
5
6
7
/*
目前CUDA仅能良好的支持C,在编写含有CUDA代码的程序时,
首先要导入头文件cuda_runtime_api.h。文件名后缀为.cu,使用nvcc编译器编译。
目前最新的CUDA版本为5.0,可以在官方网站下载最新的工具包,网址为:
https://developer.nvidia.com/cuda-downloads
该工具包内包含了ToolKit、样例等,安装起来比原先的版本也方便了很多。
*/
?
相关扩展
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
1 GPU硬件
// i GPU一个最小单元称为Streaming Processor(SP),全流水线单事件无序微处理器,
包含两个ALU和一个FPU,多组寄存器文件( register file,很多寄存器的组合),
这个SP没有cache。事实上,现代GPU就是一组SP的array,即SPA。
每一个SP执行一个 thread
 
// ii 多个SP组成Streaming Multiprocessor(SM)。
每一个SM执行一个block。每个SM包含8个SP;
2个special function unit(SFU):
这里面有4个FPU可以进行超越函数和插值计算
MultiThreading Issue Unit:分发线程指令
具有指令和常量缓存。
包含shared memory
 
// iii Texture Processor Cluster(TPC) :包含某些其他单元的一组SM
 
2 Single-Program Multiple-Data (SPMD)模型 
 
// i CPU以顺序结构执行代码,
GPU以threads blocks组织并发执行的代码,即无数个threads同时执行
 
// ii 回顾一下CUDA的概念:
一个kernel程序执行在一个grid of threads blocks之中
一个threads block是一批相互合作的threads:
可以用过__syncthreads同步;
通过shared memory共享变量,不同block的不能同步。
 
// iii Threads block声明:
可以包含有1到512个并发线程,具有唯一的blockID,可以是1,2,3D
同一个block中的线程执行同一个程序,不同的操作数,可以同步,每个线程具有唯一的ID
 
3 线程硬件原理
 
// i GPU通过Global block scheduler来调度block,
根据硬件架构分配block到某一个SM。
每个SM最多分配8个block,每个SM最多可接受768个 thread
(可以是一个block包含512个 thread
也可以是3个block每个包含256个 thread (3*256=768!))。
同一个SM上面的block的尺寸必须相同。每个线程的调度与ID由该SM管理。
 
// ii SM满负载工作效率最高!考虑某个Block,其尺寸可以为8*8,16*16,32*32
8*8:每个block有64个线程,
由于每个SM最多处理768个线程,因此需要768/64=12个block。
但是由于SM最多8个block,因此一个SM实际执行的线程为8*64=512个线程。
16*16:每个block有256个线程,SM可以同时接受三个block,3*256=768,满负载
32*32:每个block有1024个线程,SM无法处理!
 
// iii Block是独立执行的,每个Block内的threads是可协同的。
 
// iv 每个线程由SM中的一个SP执行。
当然,由于SM中仅有8个SP,768个线程是以warp为单位执行的,
每个warp包含32个线程,这是基于线程指令的流水线特性完成的。
Warp是SM基本调度单位,实际上,一个Warp是一个32路SIMD指令
。基本单位是half-warp。
如,SM满负载工作有768个线程,则共有768/32=24个warp
,每一瞬时,只有一组warp在SM中执行。
Warp全部线程是执行同一个指令,
每个指令需要4个 clock cycle,通过复杂的机制执行。
 
// v 一个thread的一生:
Grid在GPU上启动;
block被分配到SM上;
SM把线程组织为warp;
SM调度执行warp;
执行结束后释放资源;
block继续被分配....
 
4 线程存储模型
 
// i Register and local memory:线程私有,对程序员透明。
每个SM中有8192个 register ,分配给某些block,
block内部的 thread 只能使用分配的寄存器。
线程数多,每个线程使用的寄存器就少了。
 
// ii shared memory:block内共享,动态分配。
如__shared__ float region[N]。
shared memory 存储器是被划分为16个小单元,
与half-warp长度相同,称为bank,每个bank可以提供自己的地址服务。
连续的32位word映射到连续的bank。
对同一bank的同时访问称为bank conflict。
尽量减少这种情形。
 
// iii Global memory:没有缓存!容易称为性能瓶颈,是优化的关键!
一个half-warp里面的16个线程对global memory的访问可以被coalesce成整块内存的访问,如果:
数据长度为4,8或16bytes;地址连续;起始地址对齐;第N个线程访问第N个数据。
Coalesce可以大大提升性能。
 
// uncoalesced
Coalesced方法:如果所有线程读取同一地址,
不妨使用constant memory;
如果为不规则读取可以使用texture内存
如果使用了某种结构体,其大小不是4 8 16的倍数,
可以通过__align(X)强制对齐,X=4 8 16

你可能感兴趣的:(线程,cpu,并行计算,高性能,GPU)