在前面的兩文章中，我們研究了如何在主機(jī)和設(shè)備之間高效地移動(dòng)數(shù)據(jù)。在我們的 CUDA C / C ++系列的第六篇文章中，我們將討論如何有效地從內(nèi)核中訪問設(shè)備存儲(chǔ)器，特別是全局內(nèi)存。

在 CUDA 設(shè)備上有幾種內(nèi)存，每種內(nèi)存的作用域、生存期和緩存行為都不同。到目前為止，在本系列中，我們已經(jīng)使用了駐留在設(shè)備 DRAM 中的全局內(nèi)存，用于主機(jī)和設(shè)備之間的傳輸，以及內(nèi)核的數(shù)據(jù)輸入和輸出。這里的名稱global是指作用域，因?yàn)樗梢詮闹鳈C(jī)和設(shè)備訪問和修改。全局內(nèi)存可以像下面代碼片段的第一行那樣使用__device__de Clara 說明符在全局（變量）范圍內(nèi)聲明，或者使用cudaMalloc()動(dòng)態(tài)分配并分配給一個(gè)常規(guī)的 C 指針變量，如第 7 行所示。全局內(nèi)存分配可以在應(yīng)用程序的生命周期內(nèi)保持。根據(jù)設(shè)備的計(jì)算能力，全局內(nèi)存可能被緩存在芯片上，也可能不在芯片上緩存。

__device__ int globalArray[256];

void foo()
{
    ...
    int *myDeviceMemory = 0;
    cudaError_t result = cudaMalloc(&myDeviceMemory, 256 * sizeof(int));
    ...

}在討論全局內(nèi)存訪問性能之前，我們需要改進(jìn)對 CUDA 執(zhí)行模型的理解。我們已經(jīng)討論了如何將線程被分組為線程塊分配給設(shè)備上的多處理器。在執(zhí)行過程中，有一個(gè)更精細(xì)的線程分組到warps。 GPU 上的多處理器以 SIMD （單指令多數(shù)據(jù)）方式為每個(gè)扭曲執(zhí)行指令。所有當(dāng)前支持 CUDA – 的 GPUs 的翹曲尺寸（實(shí)際上是 SIMD 寬度）是 32 個(gè)線程。

全局內(nèi)存合并

將線程分組為扭曲不僅與計(jì)算有關(guān)，而且與全局內(nèi)存訪問有關(guān)。設(shè)備coalesces全局內(nèi)存加載并存儲(chǔ)由一個(gè) warp 線程發(fā)出的盡可能少的事務(wù)，以最小化 DRAM 帶寬（在計(jì)算能力小于 2 . 0 的舊硬件上，事務(wù)合并在 16 個(gè)線程的一半扭曲內(nèi)，而不是整個(gè)扭曲中）。為了弄清楚 CUDA 設(shè)備架構(gòu)中發(fā)生聚結(jié)的條件，我們在三個(gè) Tesla 卡上進(jìn)行了一些簡單的實(shí)驗(yàn)： a Tesla C870 （計(jì)算能力 1 . 0 ）、 Tesla C1060 （計(jì)算能力 1 . 3 ）和 Tesla C2050 （計(jì)算能力 2 . 0 ）。

我們運(yùn)行兩個(gè)實(shí)驗(yàn)，使用如下代碼（GitHub 上也有）中所示的增量內(nèi)核的變體，一個(gè)具有數(shù)組偏移量，這可能導(dǎo)致對輸入數(shù)組的未對齊訪問，另一個(gè)是對輸入數(shù)組的跨步訪問。

#include
#include

// Convenience function for checking CUDA runtime API results
// can be wrapped around any runtime API call. No-op in release builds.
inline
cudaError_t checkCuda(cudaError_t result)
{
#if defined(DEBUG) || defined(_DEBUG)
  if (result != cudaSuccess) {
    fprintf(stderr, "CUDA Runtime Error: %sn", cudaGetErrorString(result));
    assert(result == cudaSuccess);
  }
#endif
  return result;
}

template
__global__ void offset(T* a, int s)
{
  int i = blockDim.x * blockIdx.x + threadIdx.x + s;
  a[i] = a[i] + 1;
}

template
__global__ void stride(T* a, int s)
{
  int i = (blockDim.x * blockIdx.x + threadIdx.x) * s;
  a[i] = a[i] + 1;
}

template
void runTest(int deviceId, int nMB)
{
  int blockSize = 256;
  float ms;

  T *d_a;
  cudaEvent_t startEvent, stopEvent;

  int n = nMB*1024*1024/sizeof(T);

  // NB:  d_a(33*nMB) for stride case
  checkCuda( cudaMalloc(&d_a, n * 33 * sizeof(T)) );

  checkCuda( cudaEventCreate(&startEvent) );
  checkCuda( cudaEventCreate(&stopEvent) );

  printf("Offset, Bandwidth (GB/s):n");

  offset<<>>(d_a, 0); // warm up

  for (int i = 0; i <= 32; i++) {
    checkCuda( cudaMemset(d_a, 0.0, n * sizeof(T)) );

    checkCuda( cudaEventRecord(startEvent,0) );
    offset<<>>(d_a, i);
    checkCuda( cudaEventRecord(stopEvent,0) );
    checkCuda( cudaEventSynchronize(stopEvent) );

    checkCuda( cudaEventElapsedTime(&ms, startEvent, stopEvent) );
    printf("%d, %fn", i, 2*nMB/ms);
  }

  printf("n");
  printf("Stride, Bandwidth (GB/s):n");

  stride<<>>(d_a, 1); // warm up
  for (int i = 1; i <= 32; i++) {
    checkCuda( cudaMemset(d_a, 0.0, n * sizeof(T)) );

    checkCuda( cudaEventRecord(startEvent,0) );
    stride<<>>(d_a, i);
    checkCuda( cudaEventRecord(stopEvent,0) );
    checkCuda( cudaEventSynchronize(stopEvent) );

    checkCuda( cudaEventElapsedTime(&ms, startEvent, stopEvent) );
    printf("%d, %fn", i, 2*nMB/ms);
  }

  checkCuda( cudaEventDestroy(startEvent) );
  checkCuda( cudaEventDestroy(stopEvent) );
  cudaFree(d_a);
}

int main(int argc, char **argv)
{
  int nMB = 4;
  int deviceId = 0;
  bool bFp64 = false;

  for (int i = 1; i < argc; i++) {
    if (!strncmp(argv[i], "dev=", 4))
      deviceId = atoi((char*)(&argv[i][4]));
    else if (!strcmp(argv[i], "fp64"))
      bFp64 = true;
  }

  cudaDeviceProp prop;

  checkCuda( cudaSetDevice(deviceId) )
  ;
  checkCuda( cudaGetDeviceProperties(&prop, deviceId) );
  printf("Device: %sn", prop.name);
  printf("Transfer size (MB): %dn", nMB);

  printf("%s Precisionn", bFp64 ? "Double" : "Single");

  if (bFp64) runTest(deviceId, nMB);
  else       runTest(deviceId, nMB);?

}此代碼可以通過傳遞“ fp64 ”命令行選項(xiàng)以單精度（默認(rèn)值）或雙精度運(yùn)行偏移量內(nèi)核和跨步內(nèi)核。每個(gè)內(nèi)核接受兩個(gè)參數(shù)，一個(gè)輸入數(shù)組和一個(gè)表示訪問數(shù)組元素的偏移量或步長的整數(shù)。內(nèi)核在一系列偏移和跨距的循環(huán)中被稱為。

未對齊的數(shù)據(jù)訪問

下圖顯示了 Tesla C870 、 C1060 和 C2050 上的偏移內(nèi)核的結(jié)果。

設(shè)備內(nèi)存中分配的數(shù)組由 CUDA 驅(qū)動(dòng)程序與 256 字節(jié)內(nèi)存段對齊。該設(shè)備可以通過 32 字節(jié)、 64 字節(jié)或 128 字節(jié)的事務(wù)來訪問全局內(nèi)存。對于 C870 或計(jì)算能力為 1 . 0 的任何其他設(shè)備，半線程的任何未對齊訪問（或半扭曲線程不按順序訪問內(nèi)存的對齊訪問）將導(dǎo)致 16 個(gè)獨(dú)立的 32 字節(jié)事務(wù)。由于每個(gè) 32 字節(jié)事務(wù)只請求 4 個(gè)字節(jié)，因此可以預(yù)期有效帶寬將減少 8 倍，這與上圖（棕色線）中看到的偏移量（不是 16 個(gè)元素的倍數(shù)）大致相同，對應(yīng)于線程的一半扭曲。

對于計(jì)算能力為 1 . 2 或 1 . 3 的 Tesla C1060 或其他設(shè)備，未對準(zhǔn)訪問的問題較少。基本上，通過半個(gè)線程對連續(xù)數(shù)據(jù)的未對齊訪問在幾個(gè)“覆蓋”請求的數(shù)據(jù)的事務(wù)中提供服務(wù)。由于未請求的數(shù)據(jù)正在傳輸，以及不同的半翹曲所請求的數(shù)據(jù)有些重疊，因此相對于對齊的情況仍然存在性能損失，但是這種損失遠(yuǎn)遠(yuǎn)小于 C870 。

計(jì)算能力為 2 . 0 的設(shè)備，如 Tesla C250 ，在每個(gè)多處理器中都有一個(gè) L1 緩存，其行大小為 128 字節(jié)。該設(shè)備將線程的訪問合并到盡可能少的緩存線中，從而導(dǎo)致對齊對跨線程順序內(nèi)存訪問吞吐量的影響可以忽略不計(jì)。

快速內(nèi)存訪問

步幅內(nèi)核的結(jié)果如下圖所示。

對于快速的全局內(nèi)存訪問，我們有不同的看法。對于大步進(jìn)，無論架構(gòu)版本如何，有效帶寬都很差。這并不奇怪：當(dāng)并發(fā)線程同時(shí)訪問物理內(nèi)存中相距很遠(yuǎn)的內(nèi)存地址時(shí)，硬件就沒有機(jī)會(huì)合并這些訪問。從上圖中可以看出，在 Tesla C870 上，除 1 以外的任何步幅都會(huì)導(dǎo)致有效帶寬大幅降低。這是因?yàn)?compute capability 1 . 0 和 1 . 1 硬件需要跨線程進(jìn)行線性、對齊的訪問以進(jìn)行合并，因此我們在 offset 內(nèi)核中看到了熟悉的 1 / 8 帶寬。 Compute capability 1 . 2 及更高版本的硬件可以將訪問合并為對齊的段（ CC 1 . 2 / 1 . 3 上為 32 、 64 或 128 字節(jié)段，在 CC 2 . 0 及更高版本上為 128 字節(jié)緩存線），因此該硬件可以產(chǎn)生平滑的帶寬曲線。

當(dāng)訪問多維數(shù)組時(shí)，線程通常需要索引數(shù)組的更高維，因此快速訪問是不可避免的。我們可以使用一種名為共享內(nèi)存的 CUDA 內(nèi)存來處理這些情況。共享內(nèi)存是一個(gè)線程塊中所有線程共享的片上內(nèi)存。共享內(nèi)存的一個(gè)用途是將多維數(shù)組的 2D 塊以合并的方式從全局內(nèi)存提取到共享內(nèi)存中，然后讓連續(xù)的線程跨過共享內(nèi)存塊。與全局內(nèi)存不同，對共享內(nèi)存的快速訪問沒有懲罰。我們將在下一篇文章中詳細(xì)介紹共享內(nèi)存。

概括

在這篇文章中，我們討論了如何從 CUDA 內(nèi)核代碼中有效地訪問全局內(nèi)存的一些方面。設(shè)備上的全局內(nèi)存訪問與主機(jī)上的數(shù)據(jù)訪問具有相同的性能特征，即數(shù)據(jù)局部性非常重要。在早期的 CUDA 硬件中，內(nèi)存訪問對齊和跨線程的局部性一樣重要，但在最近的硬件上，對齊并不是什么大問題。另一方面，快速的內(nèi)存訪問會(huì)損害性能，使用片上共享內(nèi)存可以減輕這種影響。在下一篇文章中，我們將詳細(xì)探討共享內(nèi)存，之后的文章中，我們將展示如何使用共享內(nèi)存來避免在矩陣轉(zhuǎn)置過程中出現(xiàn)跨步全局內(nèi)存訪問。

關(guān)于作者

Mark Harris 是 NVIDIA 杰出的工程師，致力于 RAPIDS 。 Mark 擁有超過 20 年的 GPUs 軟件開發(fā)經(jīng)驗(yàn)，從圖形和游戲到基于物理的模擬，到并行算法和高性能計(jì)算。當(dāng)他還是北卡羅來納大學(xué)的博士生時(shí)，他意識(shí)到了一種新生的趨勢，并為此創(chuàng)造了一個(gè)名字： GPGPU （圖形處理單元上的通用計(jì)算）。

審核編輯：郭婷