produk titik dengan PyCUDA dan memori yang disematkan

Saat ini saya sedang mengerjakan produk titik dengan memori yang disematkan menggunakan PyCUDA. Dan saya punya masalah dengan array besar.

Saya bekerja dengan:

  • NVIDIA GTX 1060
  • CUDA 9.1
  • PyCUDA 2017.1.1

Kodenya adalah:

#!/usr/bin/env python

import numpy as np
import argparse
import math
import pycuda.autoinit
import pycuda.driver as drv
from pycuda.compiler import SourceModule

from time import time

dot_mod = SourceModule("""
__global__ void full_dot( double* v1, double* v2, double* out, int N ) {
    __shared__ double cache[ 1024 ];
    int i = blockIdx.x * blockDim.x + threadIdx.x;
    cache[ threadIdx.x ] = 0.f;
    while( i < N ) {
        cache[ threadIdx.x ] += v1[ i ] * v2[ i ];
        i += gridDim.x * blockDim.x;
    }
    __syncthreads(); // required because later on the current thread is accessing
                     // data written by another thread    
    i = 1024 / 2;
    while( i > 0 ) {
        if( threadIdx.x < i ) cache[ threadIdx.x ] += cache[ threadIdx.x + i ];
        __syncthreads();
        i /= 2; //not sure bitwise operations are actually faster
    }

#ifndef NO_SYNC // serialized access to shared data; 
    if( threadIdx.x == 0 ) atomicAdd( out, cache[ 0 ] );
#else // no sync, what most likely happens is:
      // 1) all threads read 0
      // 2) all threads write concurrently 16 (local block dot product)
    if( threadIdx.x == 0 ) *out += cache[ 0 ];
#endif                

}
""")


def main(args):
    dot = dot_mod.get_function("full_dot")
    N = args.number
    BLOCK_SIZE = 1024
    BLOCKS = int(math.ceil(N/BLOCK_SIZE))
    THREADS_PER_BLOCK = BLOCK_SIZE

    # Time use of pinned host memory:
    x = drv.aligned_empty((N), dtype=np.float64, order='C')
    x = drv.register_host_memory(x, flags=drv.mem_host_register_flags.DEVICEMAP)
    x_gpu_ptr = np.intp(x.base.get_device_pointer())

    # Time use of pinned host memory:
    y = drv.aligned_empty((N), dtype=np.float64, order='C')
    y = drv.register_host_memory(y, flags=drv.mem_host_register_flags.DEVICEMAP)
    y_gpu_ptr = np.intp(y.base.get_device_pointer())

    # Time use of pinned host memory:
    z = drv.aligned_empty((1), dtype=np.float64, order='C')
    z = drv.register_host_memory(z, flags=drv.mem_host_register_flags.DEVICEMAP)
    z_gpu_ptr = np.intp(z.base.get_device_pointer())

    z[:] = np.zeros(1)
    x[:] = np.zeros(N)
    y[:] = np.zeros(N)

    x[:] = np.random.rand(N)
    y[:] = x[:] 
    x_orig = x.copy()
    y_orig = y.copy()

    start = time()
    dot(x_gpu_ptr, y_gpu_ptr, z_gpu_ptr, np.uint32(N), block=(THREADS_PER_BLOCK, 1, 1), grid=(BLOCKS,1))
    times = time()-start
    print "Average kernel GPU dot product execution time with pinned memory:   %3.7f" % np.mean(times)

    start = time()
    ydot=np.dot(x_orig,y_orig)
    times = time()-start
    print "Average numpy dot product execution time:   %3.7f" % np.mean(times)

    print N,ydot,z[0]

if __name__ == "__main__":

    parser = argparse.ArgumentParser(description=' ')
    parser.add_argument('-n', dest='number', type=long, help="Number of samples ", required=True)

    args = parser.parse_args()

    main(args)

Saya telah menulis kode ini yang berfungsi dengan baik ketika array sampel berukuran kira-kira kurang dari 1024*12, tetapi untuk array besar seperti nilai 1024*1024 memberikan hasil yang salah.-

➜  ./test_dot_pinned.py -n 16384
Average kernel GPU dot product execution time with pinned memory:   0.0001669
Average numpy dot product execution time:   0.0000119
16384 5468.09590706 5468.09590706
 SIZE   np.dot()    GPU-dot-pinned

➜  ./test_dot_pinned.py -n 1048576
Average kernel GPU dot product execution time with pinned memory:   0.0002351
Average numpy dot product execution time:   0.0010922
1048576 349324.532564 258321.148593
 SIZE   np.dot()    GPU-dot-pinned

Terima kasih kepada semuanya, saya harap seseorang dapat membantu saya.


person acancio    schedule 18.12.2017    source sumber


Jawaban (1)


pycuda tidak menerapkan sinkronisasi apa pun setelah peluncuran kernel. Biasanya, jika Anda melakukan penyalinan data perangkat->host setelah peluncuran kernel, operasi akan memaksa sinkronisasi, yaitu akan memaksa kernel untuk menyelesaikan.

Namun Anda tidak memiliki sinkronisasi seperti itu dalam kode Anda. Karena Anda menggunakan memori yang disematkan, seiring bertambahnya waktu eksekusi kernel (karena ukuran pekerjaan yang lebih besar) pada akhirnya ketika Anda mencetak z[0] Anda hanya mendapatkan sebagian hasil, karena kernel belum selesai pada saat itu.

Efek sampingnya juga adalah pengukuran waktu kernel Anda tidak akurat.

Anda dapat memperbaiki kedua hal ini dengan memaksa kernel untuk menyelesaikan sebelum Anda menyelesaikan pengukuran waktu Anda:

dot(x_gpu_ptr, y_gpu_ptr, z_gpu_ptr, np.uint32(N), block=(THREADS_PER_BLOCK, 1, 1), grid=(BLOCKS,1))
#add the next line of code:
drv.Context.synchronize()
times = time()-start
person Robert Crovella    schedule 18.12.2017
comment
Wah, terima kasih banyak atas jawaban cepatnya, sangat membantu. Salam. - person acancio; 19.12.2017