CUDA C/C++ 流和并发

一、并发

1、同时执行多个CUDA操作的能力（超越多线程并行）

CUDA Kernel <<<>>>

cudaMemcpyAsync(HostToDevice)

cudaMemcpyAsync(DeviceToHost)

CPU上的操作

2、Fermi 体系结构可以同时支持（计算能力2.0+）

GPU上最多16个CUDA内核

2个cudaMemcpyAsyncs（必须在不同方向）

CPU上的计算

二、流

1、流

在GPU上按发布顺序执行的一系列操作

2、用于影响并发的编程模型

不同流中的CUDA操作可以同时运行

来自不同流的CUDA操作可以交织

三、并发示例

1、串行：将数据从CPU传输到GPU，GPU核函数执行计算操作，将计算结果从GPU传输到CPU上。

2、并行：重叠内核和设备到主机的内存拷贝，即内核执行的同时，可以将GPU上的数据拷贝到CPU上。

四、并发量

?1、串行：1倍的性能

2、2路并发：最多2倍的性能提升

3、3路并发：最多3倍的性能提升

4、4路并发：最多3倍多性能提升

5、多路并发

五、举例 - Tiled DGEMM

1、CPU（4 core Westmere x5670 @2.93GHZ,MKL）

43 Gflops

2、GPU（C2070）

串行：125 Gflops(2.9x)

2-路并行：177 Gflops(4.1x)

3-路并行：262 Gflops(6.1x)

3、GPU + CPU

4-路并行：282 Gflops (6.6x)

对于更高级的显卡，最大可以达到 330 Gflops

4、通过利用并发性获得最大性能

5、所有通信隐藏 - 有效地消除设备内存大小限制

?六、默认的流（流 ‘0’ ）

1、未指定流时使用默认的流。

2、完全同步的w.r.t.主机和设备：好像在每次CUDA操作前后都插入了cudaDeviceSynchronize（）

3、异常：异步w.r.t.主机

（1）内核在默认流中启动

（2）cudaMemcpy*Async

（3）cudaMemset*Async

（4）同一设备中使用cudaMemcpy

（5）小于或等于64KB的H2D(主机到设备) cudaMemcpy

七、并发性要求

1、CUDA操作必须位于不同的非0流中

2、来自“固定”内存的主机与cudaMemcpyAsync

分页锁定的内存

使用cudaMallocHost（）或cudaHostAlloc（）分配内存

3、必须有足够的资源

在不同的方向使用cudaMemcpyAsyncs

设备资源（SMEM，registers，blocks，etc.）

八、简单的例子：同步

完全的同步操作

cudaMalloc(&dev1,size);						   // 给GPU分配空间
double* host1 = (double*)malloc(&host1,size);  // 给CPU分配空间

...

cudaMemcpy(dev1,host1,size,H2D);  // 从CPU上拷数据到GPU
kernel2 <<< grid,block,0 >>>(...,dev2,...);  // GPU上做计算操作
kernel3 <<< grid,block,0 >>>(...,dev3,...);  // GPU上做计算操作
cudaMemcpy(host4,dev4,size,D2H);			 // 将计算结果从GPU上拷贝到CPU上

...

默认流中的所有CUDA操作都是同步的。

九、简单的例子：异步，不使用流

默认情况下，GPU内核与主机异步。

cudaMalloc(&dev1,size);						   // 给GPU分配空间
double* host1 = (double*)malloc(&host1,size);  // 给CPU分配空间

...

cudaMemcpy(dev1,host1,size,H2D);  // 从CPU上拷数据到GPU
kernel2 <<< grid,block,0 >>>(...,dev2,...);  // GPU上做计算操作
some_CPU_method();  // 这一行与上一行存在潜在的并行
kernel3 <<< grid,block,0 >>>(...,dev3,...);  // GPU上做计算操作
cudaMemcpy(host4,dev4,size,D2H);			 // 将计算结果从GPU上拷贝到CPU上

...

十、简单的例子：异步，使用流

完全异步/并发

并发操作使用的数据应该是独立的

cudaStream_t stream1,stream2,stream3,stream4;
cudaStreamCreate(&stream1);
...

cudaMalloc(&dev1,size);						   // 给GPU分配空间
cudaMallocHost(&host1,size);
...

cudaMemcpyAsunc(dev1,host1,size,H2D,stream1);  // 从CPU上拷数据到GPU
kernel2 <<< grid,block,0,stream2 >>>(...,dev2,...);  // GPU上做计算操作
kernel3 <<< grid,block,0,stream3 >>>(...,dev3,...);  // GPU上做计算操作
cudaMemcpyAsync(host4,dev4,size,D2H,stream4);			 // 将计算结果从GPU上拷贝到CPU上
some_CPU_method();
...

十一、显式同步

1、同步一切

cudaDeviceSunchronize()

阻止主机，直到所有发出的CUDA调用完成。

2、同步w.r.t. 特定的流

cudaStreamSynchronize(streamid)

阻止主机，直到streamid中的所有CUDA调用完成

3、使用事件同步

在流中创建特定的“事件”以用于同步

cudaEventRecord(event,streamid)

cudaEventSynchronize(event)

cudaStreamWiatEvent(stream,event)

cudaEventQuery(event)

4、显示同步示例

使用事件解决

{
	cudaEvent_t event;
	cudaEventCreate(&event);
	
	cudaMemcpyAsync(d_in,in,size,H2D,stream1);
	cudaEventRecord(event,stream1);
	
	cudaMemcpyAsync(out,d_out,size,D2H,stream2);
	
	cudaStreamWaitEvent(stream2,event);
	kernel<<<,,,stream2>>>(d_in,d_out);
	
	asynchronousCPUmethod(...);
}

十二、隐式同步

1、这些操作隐式同步所有其他CUDA操作

（1）分页锁定的内存分配

cudaMallocHost

cudaHostAlloc

（2）设备内存分配

cudaMalloc

（3）非异步版本的内存操作

cudaMemcpy* (no Async suffix)

cudaMemset* (no Async suffix)

（4）更改为L1 /shared 内存配置

cudaDeviceSetCacheConfig

十三、流调度

1、Fermi硬件有三个队列

（1）1个计算引擎队列

（2）2个复制引擎队列–一个用于H2D，一个用于D2H

2、CUDA操作按其发出的顺序分派给硬件

（1）放在相关队列中

（2）引擎队列之间的流依赖关系得到维护，但在引擎队列中丢失

3、在以下情况下，将从引擎队列中调度CUDA操作：

（1）同一流中的先前调用已完成

（2）已调度同一队列中的先前调用，并且

（3）资源可用

4、如果CUDA内核位于不同的流中，则可以同时执行

如果前面内核的所有线程块都已调度，并且仍有可用的SM资源，则会调度给定内核的线程块

5、请注意，被阻止的操作会阻止队列中的所有其他操作，即使在其他流中也是如此

十四、示例–阻塞队列

1、两个流，流1首先发布

（1）Stream 1:：HDa1，HDb1，K1，DH1（首先发出）

（2）Stream 2：DH2（完全独立于流1）

?2、两个流，流2首先发布- issue order matters

（1）Stream 1：HDa1，HDb1，K1，DH1

（2）Stream 2：DH2（issued first）

?十五、示例-阻塞内核 - issue order matters

1、两个流–仅发布CUDA内核

（1）Stream 1：Ka1，Kb1

（2）Stream 2：Ka2，Kb2

（3）内核大小一样，占SM资源的?

2、发行深度优先

?3、发行广度优先

?十六、示例-最佳并发性取决于内核执行时间

1、两个流-仅发布CUDA内核-但是内核的“大小”不同

issue order matters! execution time matters!

（1）Stream 1 : Ka1 {2}, Kb1 {1}

（2）Stream 2 : Kc2 {1}, Kd2 {2}

（3）内核占SM资源的一半

2、深度优先

?3、广度优先

?4、自定义

?十七、并发内核调度

1、并发内核调度是一种特殊的调度方法

2、通常，在操作之后，将信号插入队列，以在同一流中启动下一个操作

3、对于计算引擎队列，要启用并发内核，当按顺序发布计算内核时，该信号将延迟到最后一个按顺序计算内核之后

4、在某些情况下，这种信号延迟会阻塞其他队列

十八、示例–并发内核和阻塞

1、三个流，分别为（HD，K，DH）

2、广度优先，顺序发出的内核延迟信号并阻塞cudaMemcpy（D2H）

?3、深度优先，“通常”最适合Fermi体系架构，即执行GPU的过程中，同时可以将GPU中计算的结果传输到CPU上

?十九、以前的架构

1、计算能力1.0+

支持GPU / CPU并发

2、计算能力1.1+（即C1060）

增加了对异步内存复制的支持（单引擎），（某些异常–使用asyncEngineCount设备属性检查）

3、计算能力2.0+（即C2050）

添加对并发GPU内核的支持，（某些异常–使用concurrentKernels设备属性检查）

添加第二个复制引擎以支持双向存储，（某些异常–使用asyncEngineCount设备属性检查

二十、额外细节

1、很难同时运行四个以上的内核

2、可以使用环境变量禁用并发：CUDA_LAUNCH_BLOCKING

3、cudaStreamQuery可用于分离顺序内核并防止延迟信号

4、使用8个以上纹理的内核不能同时运行

5、切换 L1 / Shared 配置将破坏并发性

6、要同时运行，CUDA操作必须具有不超过62个中间CUDA操作，也就是说，按照“发出顺序”，它们之间不能相隔超过62个其他问题；进一步的操作被序列化。

7、cudaEvent_t is useful for timing, but for performance use
cudaEventCreateWithFlags ( &event, cudaEventDisableTiming )

二十一、并发准则

1、代码到编程模型–流

未来的设备将不断改善流模型的硬件表示

2、注意发布顺序

可能会有所不同

3、注意可能破坏并发性的资源和操作

（1）默认流中的所有内容

（2）事件和同步

（3）流查询

（4）L1 /Shared 配置更改

（5）8种以上的纹理

4、使用工具（Visual Profiler，Parallel Ensight）可视化并发，但这些当前不显示并发内核。

二十二、问题

1、验证Stream-0中的cudaMemcpyAsync（）后跟Kernel <<< >>>，该memcpy将阻止内核，但都不会阻止主机。

2、下列操作（或类似操作）是否对 64 'out-ofissue-order' 限制有所贡献？

cudaStreamQuery

cudaWaitEvent

3、我知道'query'操作cudaStreamQuery（）可以放在引擎或复制队列中，任何查询实际进入的队列都很难确定，并且这可能导致某些阻塞。