CUDA C ++重叠SERIAL内核执行和数据传输

如何解决CUDA C ++重叠SERIAL内核执行和数据传输

因此，本指南here显示了重叠内核执行和数据传输的一般方法。

{
  "example1": {
    "example2": {
      "example3": 4
    }
  }
}

但是，内核是串行的。因此，它必须处理0-> 1000，然后处理1000-> 2000，...总之，在重叠数据传输时正确执行此内核的顺序为：

复制[a-> b]必须在内核[a-> b]之前发生
内核[a-> b]必须在内核[b-> c]之前发生，其中c> a，b

是否可以不使用cudaStream_t streams[nStreams]; for (int i = 0; i < nStreams; ++i) { cudaStreamCreate(&streams[i]); int offset = ...; cudaMemcpyAsync(&d_a[offset],&a[offset],streamBytes,cudaMemcpyHostToDevice,stream[i]); kernel<<<streamSize/blockSize,blockSize,stream[i]>>>(d_a,offset); // edit: no deviceToHost copy }来执行此操作？如果没有，最快的方法是什么？

解决方法

因此每个内核都依赖（直到开始）：

相关的H-> D副本已完成
先前的内核执行已完成

普通流语义将无法处理这种情况（2个独立的依赖项，来自2个独立的流），因此我们需要在其中添加一个额外的互锁。我们可以使用一组事件和cudaStreamWaitEvent()来处理它。

在最一般的情况下（不知道块的总数），我会建议这样的事情：

$ cat t1783.cu
#include <iostream>
#include <time.h>
#include <sys/time.h>
#define USECPSEC 1000000ULL

unsigned long long dtime_usec(unsigned long long start){

  timeval tv;
  gettimeofday(&tv,0);
  return ((tv.tv_sec*USECPSEC)+tv.tv_usec)-start;
}

template <typename T>
__global__ void process(const T * __restrict__ in,const T * __restrict__ prev,T * __restrict__ out,size_t ds){

  for (size_t i = threadIdx.x+blockDim.x*blockIdx.x; i < ds; i += gridDim.x*blockDim.x){
    out[i] = in[i] + prev[i];
    }
}
const int nTPB = 256;
typedef int mt;
const int chunk_size = 1048576;
const int data_size = 10*1048576;
const int ns = 3;

int main(){

  mt *din,*dout,*hin,*hout;
  cudaStream_t str[ns];
  cudaEvent_t  evt[ns];
  for (int i = 0; i < ns; i++) {
    cudaStreamCreate(str+i);
    cudaEventCreate( evt+i);}
  cudaMalloc(&din,sizeof(mt)*data_size);
  cudaMalloc(&dout,sizeof(mt)*data_size);
  cudaHostAlloc(&hin,sizeof(mt)*data_size,cudaHostAllocDefault);
  cudaHostAlloc(&hout,cudaHostAllocDefault);
  cudaMemset(dout,sizeof(mt)*chunk_size);  // for first loop iteration
  for (int i = 0; i < data_size; i++) hin[i] = 1;
  cudaEventRecord(evt[ns-1],str[ns-1]); // this event will immediately "complete"
  unsigned long long dt = dtime_usec(0);
  for (int i = 0; i < (data_size/chunk_size); i++){
    cudaStreamSynchronize(str[i%ns]); // so we can reuse event safely
    cudaMemcpyAsync(din+i*chunk_size,hin+i*chunk_size,sizeof(mt)*chunk_size,cudaMemcpyHostToDevice,str[i%ns]);
    cudaStreamWaitEvent(str[i%ns],evt[(i>0)?(i-1)%ns:ns-1],0);
    process<<<(chunk_size+nTPB-1)/nTPB,nTPB,str[i%ns]>>>(din+i*chunk_size,dout+((i>0)?(i-1)*chunk_size:0),dout+i*chunk_size,chunk_size);
    cudaEventRecord(evt[i%ns]);
    cudaMemcpyAsync(hout+i*chunk_size,cudaMemcpyDeviceToHost,str[i%ns]);
    }
  cudaDeviceSynchronize();
  dt = dtime_usec(dt);
  for (int i = 0; i < data_size; i++) if (hout[i] != (i/chunk_size)+1) {std::cout << "error at index: " << i << " was: " << hout[i] << " should be: " << (i/chunk_size)+1 << std::endl; return 0;}
  std::cout << "elapsed time: " << dt << " microseconds" << std::endl;
}
$ nvcc -o t1783 t1783.cu
$ ./t1783
elapsed time: 4366 microseconds

这里的最佳实践是使用探查器来验证预期的重叠场景。但是，我们可以根据经过时间的测量采用捷径。

循环将总共40MB的数据传输到设备，然后再传输40MB。经过的时间是4366us。这样每个方向的平均吞吐量为（40 * 1048576）/ 4366或9606字节/ us，为9.6GB / s。这基本上使Gen3链接在两个方向上都处于饱和状态，因此我的块处理大致是背对背的，并且我基本上将D-> H与H-> D记忆副本完全重叠。这里的内核是微不足道的，因此在配置文件中显示为条状。

对于您的情况，您表示不需要D-> H副本，但是它没有增加额外的复杂性，因此我选择显示它。如果您在循环外注释该行，则仍然会发生所需的行为（尽管这会影响以后的结果检查）。

对此方法的一种可能的批评是，cudaStreamSynchronize()调用是必要的，这样我们就不会“超载”事件互锁，这意味着循环只会进行ns次迭代超出设备上当前正在执行的操作。因此，不可能异步启动更多的工作。如果您想一次启动所有工作，然后继续在CPU上执行其他操作，则此方法将无法完全允许这样做（当流处理已从CPU到达ns个迭代时，CPU会经过循环。最后一个）。

呈现该代码从概念上说明了一种方法。它不能保证没有缺陷，也不保证它适用于任何特定目的。

CUDA C ++重叠SERIAL内核执行和数据传输

如何解决CUDA C ++重叠SERIAL内核执行和数据传输

解决方法

相关推荐