performance - CUDA 内核:循环次数增加 10% 时性能下降 10 倍
问题描述
我有一个简单的CUDA内核来测试循环展开,然后发现了另一件事:当循环计数为10时,内核需要34毫秒才能执行,当循环计数为90时,需要59毫秒,但是当循环计数为100时,花费的时间是 423 毫秒!启动配置是一样的,只是循环次数改变了。所以,我的问题是,性能下降的原因可能是什么?
这是代码,输入是一个 128x1024x1024 元素的数组,我使用的是 PyCUDA:
__global__ void copy(float *input, float *output) {
int tidx = blockIdx.y * blockDim.x + threadIdx.x;
int stride = 1024 * 1024;
for (int i = 0; i < 128; i++) {
int idx = i * stride + tidx;
float x = input[idx];
float y = 0;
for (int j = 0; j < 100; j += 10) {
x = x + sqrt(float(j));
y = sqrt(abs(x)) + sin(x) + cos(x);
x = x + sqrt(float(j+1));
y = sqrt(abs(x)) + sin(x) + cos(x);
x = x + sqrt(float(j+2));
y = sqrt(abs(x)) + sin(x) + cos(x);
x = x + sqrt(float(j+3));
y = sqrt(abs(x)) + sin(x) + cos(x);
x = x + sqrt(float(j+4));
y = sqrt(abs(x)) + sin(x) + cos(x);
x = x + sqrt(float(j+5));
y = sqrt(abs(x)) + sin(x) + cos(x);
x = x + sqrt(float(j+6));
y = sqrt(abs(x)) + sin(x) + cos(x);
x = x + sqrt(float(j+7));
y = sqrt(abs(x)) + sin(x) + cos(x);
x = x + sqrt(float(j+8));
y = sqrt(abs(x)) + sin(x) + cos(x);
x = x + sqrt(float(j+9));
y = sqrt(abs(x)) + sin(x) + cos(x);
}
output[idx] = y;
}
}
我提到的循环计数是这一行:
for (int j = 0; j < 100; j += 10)
并在此处提供示例输出:
10 个循环
griddimx: 1 griddimy: 1024 griddimz: 1
blockdimx: 1024 blockdimy: 1 blockdimz: 1
nthreads: 1048576 blocks: 1024
prefetch.py:82: UserWarning: The CUDA compiler succeeded, but said the following:
ptxas info : 0 bytes gmem, 24 bytes cmem[3]
ptxas info : Compiling entry function 'copy' for 'sm_61'
ptxas info : Function properties for copy
32 bytes stack frame, 0 bytes spill stores, 0 bytes spill loads
ptxas info : Used 21 registers, 336 bytes cmem[0], 52 bytes cmem[2]
计算耗时 34.24 毫秒
90 圈
griddimx: 1 griddimy: 1024 griddimz: 1
blockdimx: 1024 blockdimy: 1 blockdimz: 1
nthreads: 1048576 blocks: 1024
prefetch.py:82: UserWarning: The CUDA compiler succeeded, but said the following:
ptxas info : 0 bytes gmem, 24 bytes cmem[3]
ptxas info : Compiling entry function 'copy' for 'sm_61'
ptxas info : Function properties for copy
32 bytes stack frame, 0 bytes spill stores, 0 bytes spill loads
ptxas info : Used 21 registers, 336 bytes cmem[0], 52 bytes cmem[2]
计算耗时 59.33 毫秒
100 个循环
griddimx: 1 griddimy: 1024 griddimz: 1
blockdimx: 1024 blockdimy: 1 blockdimz: 1
nthreads: 1048576 blocks: 1024
prefetch.py:82: UserWarning: The CUDA compiler succeeded, but said the following:
ptxas info : 0 bytes gmem, 24 bytes cmem[3]
ptxas info : Compiling entry function 'copy' for 'sm_61'
ptxas info : Function properties for copy
32 bytes stack frame, 0 bytes spill stores, 0 bytes spill loads
ptxas info : Used 22 registers, 336 bytes cmem[0], 52 bytes cmem[2]
计算耗时 422.96 毫秒
解决方案
问题似乎来自循环展开。
实际上,10-loops
NVCC 可以轻松展开该案例,因为循环实际上总是执行一次(因此for
可以在 j 设置为 0 的情况下删除该行)。该90-loops
案例由 NVCC 展开(只有 9 次实际迭代)。因此,生成的代码要大得多,但仍然很快,因为没有执行分支(GPU 讨厌分支)。但是, NVCC不会展开100-loops
该案例(您达到了编译器优化器的阈值)。生成的代码很小,但会导致在运行时执行更多的分支:每次执行的循环迭代都会执行分支(总共 10 次)。您可以在此处查看汇编代码差异。
您可以使用指令强制展开#pragma unroll
。但是,请记住,增加代码的大小会降低其性能。
PS:上一版本使用的寄存器数量稍多,可能会降低性能,但模拟表明在这种情况下应该没问题。
推荐阅读
- java - 从 Maven 命令行 TestNG 更改 .properties 值
- orbeon - Orbeon 表单 - 动态填充复选框
- entity-framework-6 - ASP.Net Web API 2 中的无参数构造函数错误
- android - 根据图像的非特定纵横比的图像的纵横比调整ImageView的大小
- vue.js - Vue 组件:在插槽中使用插槽
- python - 如何将具有列表组件的numpy数组放入for循环中
- python - 如何处理 tf.keras 中输出标签的“无效参数错误”
- android - 在android中的适配器内进行改造调用
- amazon-web-services - AWS Codeguru 审查建议不起作用
- kubernetes - 通过 vscode 的状态栏启动 minikube 出错