我有两个数组
x
(大小为N~1-1亿)和a
(小得多的Na~1000-10000),我想使用x
将a
定义为
for(int j = 0; j < N; j++) {
float i = floor( x[j] / da); // in principle i < size(a)
a[(int)i] += 0.5;
a[(int)i+1] += 0.5; // I simplify the problem
}
对于上下文,
x
是粒子位置,a
是每个单元的粒子数量。
我想在CUDA中执行这个函数。主要问题是我可以同时对同一内存进行多次修改,因为
x
未排序。
我找到了以下解决方案,但我发现它很慢。 我定义了一个临时数组
d_temp_a
,其大小为 Na * 使用的线程数。然后,我将其减少到我的完整数组。
这是代码(使用
nvcc -std=c++11 example_reduce.cu -o example_reduce.out
)
#include "stdio.h"
#include <cuda.h>
#include <random>
using namespace std;
__global__ void getA(float *d_x, float *d_a, float *d_temp_a, int N, int Na, float da)
{
// Get our global thread ID
int index = blockIdx.x * blockDim.x + threadIdx.x;
int stride = blockDim.x * gridDim.x;
float ix ;
// Compute a
for(int x = index; x < N; x += stride) {
ix = floor( d_x[x] / da );
d_temp_a[((int)ix) + Na * index] += 0.5;
d_temp_a[((int)ix + 1) + Na * index] += 0.5;
}
__syncthreads();
// Reduce
for(int l = index; l < Na; l += stride) {
for(int m = 0; m < stride; m += 1) {
d_a[l] += d_temp_a[l + Na * m];
}
}
__syncthreads();
}
int main(int argc, char **argv)
{
int N = 1000000;
int Na = 4096;
float L = 50; // box size
float dxMesh = L / Na; // cell size
float *h_x, *h_a; // host data
h_x = (float *)malloc(N * sizeof(float));
h_a = (float *)malloc(Na * sizeof(float));
/* Initialize random seed: */
std::default_random_engine generator;
std::uniform_real_distribution<float> generate_unif_dist(0.0,1.0);
// h_x random initialisation
for(int x = 0; x < N; x++) {
float random = generate_unif_dist(generator);
h_x[x] = random * L;
}
int blockSize = 512; // Number of threads in each thread block
int gridSize = (int)ceil((float) N /blockSize); // Number of thread blocks in grid
float *d_x, *d_a; // device data
cudaMalloc((void **) &d_x, N * sizeof(float));
cudaMalloc((void **) &d_a, Na * sizeof(float));
cudaMemcpy(d_x, h_x, N * sizeof(float), cudaMemcpyHostToDevice);
// Create temp d_a array
float *d_temp_a;
cudaMalloc((void **) &d_temp_a, Na * blockSize * gridSize * sizeof(float));
getA<<<gridSize,blockSize>>>(d_x, d_a, d_temp_a, N, Na, da);
cudaMemcpy(h_a, d_a, Na * sizeof(float), cudaMemcpyDeviceToHost);
free(h_x);
free(h_a);
cudaFree(d_x);
cudaFree(d_a);
cudaFree(d_temp_a);
return 0;
}
它很慢,因为我只对数组的每个元素使用 1 个线程。 我的问题:有没有办法优化这种减少?我还发现拥有如此巨大的 Na * 线程数数组效率很低。有没有办法避免使用它?
请注意,我打算稍后编写一个 2D 版本,其中
x
和 y
定义 a[i][j]
。
我认为你的方法对于这个问题可能有点矫枉过正。
和评论中的其他人一样,我也认为你可以用推力来实现你的减少想法。但是,我的方法涉及计算每个 idx 的出现次数,然后插入这些计数(请参阅计算 CUDA 数组中数字的出现次数)
因此,我几乎完全使用推力方法(填充、变换、排序、reduce_by_key)来实现这一点,并在最终结果上运行最终内核以分割两个相邻单元格之间的值。这很有效,并且比 CUDA 方法快得多,但它仍然比简单的 CPU 实现慢得多。最大的问题是N个值的排序和reduce_by_key。
struct custom_functor{
float factor;
custom_functor(float _factor){
factor = _factor;
}
__host__ __device__ int operator()(float &x) const {
return (int) floor(x / factor);
}
};
__global__ void thrust_reduce_kernel(float *d_a, int* d_a_idxs, int* d_a_cnts, int N, int Na, int n_entries)
{
int index = blockIdx.x * blockDim.x + threadIdx.x;
if (index >= n_entries)
return;
int a_idx = d_a_idxs[index];
int a_cnt = d_a_cnts[index];
if ((a_idx + 1) >= Na || a_idx < 0 || a_idx >= Na || (a_idx + 1) < 0)
{
printf("Should not happen according to you!\n");
return;
}
atomicAdd(&d_a[a_idx], a_cnt * 0.5f);
atomicAdd(&d_a[a_idx+1], a_cnt * 0.5f);
}
void test_thrust_reduce(float *d_x, float *d_a, float *h_a, int N, int Na, float da)
{
int *d_xi, *d_ones;
int *d_a_cnt_keys, *d_a_cnt_vals;
cudaMalloc((void**) &d_xi, N * sizeof(int));
cudaMalloc((void**) &d_ones, N * sizeof(float));
cudaMalloc((void**) &d_a_cnt_keys, Na * sizeof(int));
cudaMalloc((void**) &d_a_cnt_vals, Na * sizeof(int));
CUDA_CHECK;
thrust::device_ptr<float> dt_x(d_x);
thrust::device_ptr<float> dt_a(d_a);
thrust::device_ptr<int> dt_xi(d_xi);
thrust::device_ptr<int> dt_ones(d_ones);
thrust::device_ptr<int> dt_a_cnt_keys(d_a_cnt_keys);
thrust::device_ptr<int> dt_a_cnt_vals(d_a_cnt_vals);
custom_functor f(da);
thrust::fill(thrust::device, dt_a, dt_a + Na, 0.0f);
thrust::fill(thrust::device, dt_ones, dt_ones + N, 1);
thrust::fill(thrust::device, dt_a_cnt_keys, dt_a_cnt_keys + Na, -1);
thrust::fill(thrust::device, dt_a_cnt_vals, dt_a_cnt_vals + Na, 0);
thrust::transform(thrust::device, dt_x, dt_x + N, dt_xi, f);
thrust::sort(thrust::device, dt_xi, dt_xi + N);
thrust::pair<thrust::device_ptr<int>,thrust::device_ptr<int>> new_end;
new_end = thrust::reduce_by_key(thrust::device, dt_xi, dt_xi + N, dt_ones,
dt_a_cnt_keys, dt_a_cnt_vals);
int n_entries = new_end.first - dt_a_cnt_keys;
int n_entries_2 = new_end.first - dt_a_cnt_keys;
dim3 dimBlock(256);
dim3 dimGrid((n_entries + dimBlock.x - 1) / dimBlock.x);
thrust_reduce_kernel<<<dimGrid, dimBlock>>>(d_a, d_a_cnt_keys, d_a_cnt_vals, N, Na, n_entries);
cudaMemcpy(h_a, d_a, Na * sizeof(float), cudaMemcpyDeviceToHost);
cudaFree(d_xi);
cudaFree(d_ones);
cudaFree(d_a_cnt_keys);
cudaFree(d_a_cnt_vals);
}
所以我很好奇你是否可以在 d_x 中的每个条目上使用一个简单的atomicAdd,这被证明是所有这些解决方案中最快的解决方案。
__global__ void simple_atomicAdd_kernel(const float *d_x, float *d_a, float da, int N, int Na)
{
int index = blockIdx.x * blockDim.x + threadIdx.x;
if (index >= N)
return;
int a_idx = floor(d_x[index] / da); // in principle i < size(a)
atomicAdd(&d_a[a_idx], 0.5f);
atomicAdd(&d_a[a_idx+1], 0.5f);
}
void test_simple_atomicAdd(float *d_x, float *d_a, float *h_a, int N, int Na, float da)
{
cudaMemset(d_a, 0, Na * sizeof(float));
dim3 dimBlock(256);
dim3 dimGrid((N + dimBlock.x - 1) / dimBlock.x);
simple_atomicAdd_kernel<<<dimGrid, dimBlock>>>(d_x, d_a, da, N, Na);
cudaMemcpy(h_a, d_a, Na * sizeof(float), cudaMemcpyDeviceToHost);
}
您可以在下面看到我在 N=100,000 和 da=0.1 时的时间。您的初始值 N = 1,000,000 导致我出现 out_of_memory 异常。全部
Times:
- CPU Reference: 912 us
- CUDA Custom reduce: 34275 us
- CUDA Thrust reduce: 2144 us
- CUDA Simple atomicAdd: 59 us
观察 N 的较高值,推力减少方法开始变得更好,因为原子添加方法中存在更多冲突。这很大程度上取决于您的 x 值和 da 的值:
Times (N=1,000,000, da=0.1):
- CPU Reference: 9398 us
- CUDA Thrust reduce: 1287 us
- CUDA Simple atomicAdd: 409 us
Times (N=10,000,000, da=0.1):
- CPU Reference: 92068 us
- CUDA Thrust reduce: 3879 us
- CUDA Simple atomicAdd: 3851 us
Times (N=100,000,000, da=0.1):
- CPU Reference: 918950 us
- CUDA Thrust reduce: 21051 us
- CUDA Simple atomicAdd: 38583 us
免责声明:我远非 CUDA 编程专家,可能缺少一些重要的东西。这些只是我的发现,我确信存在更适合您的情况的方法。但是,简单的atomicAdd 方法可能是解决您的问题的快速且简单的方法。
您可以在此处查看完整代码:https://pastebin.com/BZYJ2rYe
我希望这有帮助。 干杯,迈克尔