我正在测试新的CUDA 8以及Pascal Titan X GPU,并期待我的代码加速,但由于某种原因它最终会变慢。我在Ubuntu 16.04上。
以下是可以重现结果的最小代码:
CUDASample.cuh
class CUDASample{
public:
void AddOneToVector(std::vector<int> &in);
};
CUDA sample.粗
__global__ static void CUDAKernelAddOneToVector(int *data)
{
const int x = blockIdx.x * blockDim.x + threadIdx.x;
const int y = blockIdx.y * blockDim.y + threadIdx.y;
const int mx = gridDim.x * blockDim.x;
data[y * mx + x] = data[y * mx + x] + 1.0f;
}
void CUDASample::AddOneToVector(std::vector<int> &in){
int *data;
cudaMallocManaged(reinterpret_cast<void **>(&data),
in.size() * sizeof(int),
cudaMemAttachGlobal);
for (std::size_t i = 0; i < in.size(); i++){
data[i] = in.at(i);
}
dim3 blks(in.size()/(16*32),1);
dim3 threads(32, 16);
CUDAKernelAddOneToVector<<<blks, threads>>>(data);
cudaDeviceSynchronize();
for (std::size_t i = 0; i < in.size(); i++){
in.at(i) = data[i];
}
cudaFree(data);
}
Main.cpp的
std::vector<int> v;
for (int i = 0; i < 8192000; i++){
v.push_back(i);
}
CUDASample cudasample;
cudasample.AddOneToVector(v);
唯一的区别是NVCC标志,对于Pascal Titan X来说是:
-gencode arch=compute_61,code=sm_61-std=c++11;
对于旧Maxwell Titan X来说:
-gencode arch=compute_52,code=sm_52-std=c++11;
编辑:以下是运行NVIDIA Visual Profiling的结果。
对于旧的Maxwell Titan,内存传输的时间约为205 ms,内核启动时间约为268 us。
对于Pascal Titan来说,内存传输的时间大约是202毫秒,而内核的启动时间大约为8343 us,这让我觉得有些不对劲。
我进一步通过将cudaMallocManaged替换为好的旧cudaMalloc并进行一些分析并观察一些有趣的结果来解决问题。
CUDA sample.粗
__global__ static void CUDAKernelAddOneToVector(int *data)
{
const int x = blockIdx.x * blockDim.x + threadIdx.x;
const int y = blockIdx.y * blockDim.y + threadIdx.y;
const int mx = gridDim.x * blockDim.x;
data[y * mx + x] = data[y * mx + x] + 1.0f;
}
void CUDASample::AddOneToVector(std::vector<int> &in){
int *data;
cudaMalloc(reinterpret_cast<void **>(&data), in.size() * sizeof(int));
cudaMemcpy(reinterpret_cast<void*>(data),reinterpret_cast<void*>(in.data()),
in.size() * sizeof(int), cudaMemcpyHostToDevice);
dim3 blks(in.size()/(16*32),1);
dim3 threads(32, 16);
CUDAKernelAddOneToVector<<<blks, threads>>>(data);
cudaDeviceSynchronize();
cudaMemcpy(reinterpret_cast<void*>(in.data()),reinterpret_cast<void*>(data),
in.size() * sizeof(int), cudaMemcpyDeviceToHost);
cudaFree(data);
}
对于旧的Maxwell Titan,内存传输的时间大约为5 ms,内核启动时间约为264 us。
对于Pascal Titan来说,内存传输的时间大约是5毫秒,内核启动时间约为194 us,这实际上导致性能提升,我希望看到...
使用cudaMallocManaged时,为什么Pascal GPU在运行CUDA内核时这么慢?如果我必须将使用cudaMallocManaged的所有现有代码恢复为cudaMalloc,那将是一个讽刺。这个实验还表明,使用cudaMallocManaged的内存传输时间比使用cudaMalloc慢很多,这也感觉有些不对劲。如果使用这会导致运行缓慢,即使代码更容易,这也是不可接受的,因为使用CUDA而不是普通C ++的整个目的是加快速度。我做错了什么,为什么我会观察这种结果?
在使用Pascal GPU的CUDA 8下,统一内存(UM)系统下的托管内存数据迁移通常会与以前的体系结构不同,并且您正在体验这种影响。 (另请参阅最后关于Windows的CUDA 9更新行为的说明。)
使用以前的体系结构(例如Maxwell),特定内核调用使用的托管分配将在内核启动时一次性迁移,就像您调用cudaMemcpy
自己移动数据一样。
使用CUDA 8和Pascal GPU,数据迁移通过请求分页进行。在内核启动时,默认情况下,没有数据显式迁移到设备(*)。当GPU设备代码尝试访问未驻留在GPU内存中的特定页面中的数据时,将发生页面错误。此页面错误的净效果是:
当GPU代码触及各种数据页面时,将根据需要重复此过程。除了实际移动数据所花费的时间之外,上述步骤2中涉及的操作序列还涉及处理页面错误时的一些延迟。由于此过程将一次一页地移动数据,因此使用cudaMemcpy
或者通过pre-Pascal UM排列导致所有数据在内核启动时移动,可能显着低于一次移动所有数据的效率(无论是它是否需要,无论内核代码何时实际需要它。
这两种方法都有其优点和缺点,我不想就优点或各种意见或观点进行辩论。请求分页过程为Pascal GPU提供了许多重要的特性和功能。
然而,这个特定的代码示例没有受益。这是预料之中的,因此推荐使用与先前(例如maxwell)行为/性能一致的行为是在内核启动之前使用cudaMemPrefetchAsync()
调用。
您将使用CUDA流语义在内核启动之前强制完成此调用(如果内核启动未指定流,则可以为stream参数传递NULL,以选择默认流)。我相信这个函数调用的其他参数是非常明显的。
在内核调用之前调用此函数,覆盖有问题的数据,您不应该在Pascal情况下观察到任何页面错误,并且配置文件行为应该与Maxwell情况类似。
正如我在评论中提到的,如果你创建了一个依次涉及两个内核调用的测试用例,你会发现第二个调用即使在Pascal情况下也会以大约全速运行,因为所有数据都已经被迁移了通过第一次内核执行到GPU端。因此,不应将此预取功能的使用视为强制或自动,但应谨慎使用。存在GPU可能能够在某种程度上隐藏页面错误的延迟的情况,并且显然已经驻留在GPU上的数据不需要被预取。
请注意,上面步骤1中提到的“失速”可能会产生误导。内存访问本身不会触发停顿。但是,如果操作实际需要所请求的数据,例如乘以,然后经线将在乘法运算时停止,直到必要的数据变为可用。一个相关的观点是,以这种方式从主机到设备的数据请求分页只是GPU可能隐藏在其延迟隐藏架构中的另一个“延迟”,如果有足够的其他可用“工作”参与的话至。
另外需要注意的是,在CUDA 9中,pascal及更高版本的请求 - 分页机制仅适用于Linux;以前对CUDA 8中宣传的Windows的支持已被删除。见here。在Windows上,即使对于Pascal设备及其他设备,从CUDA 9开始,UM机制与maxwell和之前的设备相同;在内核启动时,数据将迁移到GPU集群。
(*)这里的假设是数据在主机上“驻留”,即在管理的分配调用之后已经在CPU代码中“触摸”或初始化。托管分配本身创建与设备关联的数据页面,当CPU代码“触摸”这些页面时,CUDA运行时将要求页面驻留在主机内存中,以便CPU可以使用它们。如果执行分配但从不“触摸”CPU代码中的数据(可能是一种奇怪的情况),那么当内核运行时它实际上已经“驻留”在设备内存中,并且观察到的行为将是不同的。但对于这个特定的例子/问题,情况并非如此。
有关更多信息,请参阅this博客文章。
我可以在1060和1080上的三个程序中重现这个。例如我使用带有程序传递函数的voulme渲染,这在960上几乎是交互式实时,但在1080上是轻微的显示。所有数据都存储在只读纹理中,只有我的传输函数位于托管内存中。与我的其他代码不同,卷渲染运行速度特别慢,这与我的其他代码不同,我的传递函数从内核传递到其他设备方法。
我相信它不仅是使用cudaMallocManaged数据调用内核。我的expierence转到内核或设备方法的每次调用都有这种行为,效果加起来。此外,卷渲染的基础部分是提供的没有托管内存的CudaSample,它在Maxwell上运行,如pascal GPU(1080,1060,980Ti,980,960)。
我昨天发现了这个错误,因为我们将所有的oure reaserch系统改为pascal。我将在接下来的日子里以980的comapre配置我的软件到1080.我还不确定我是否应该报告NVIDIA开发人员区域中的错误。
它是Windows系统上NVIDIA的一个BUG,它与PASCAL架构一起发生。
我知道这几天了,但是不能在这里写,因为我在没有网络连接的假期。
有关详细信息,请参阅以下评论:https://devblogs.nvidia.com/parallelforall/unified-memory-cuda-beginners/来自NVIDIA的Mark Harris确认了Bug。它应该用CUDA 9来纠正。他还告诉它应该传达给微软以帮助解决问题。但到目前为止,我还没有找到合适的Microsoft Bug Report Page。