故意导致 CUDA 设备上共享内存的银行冲突

Posted 2023-04-15

【中文标题】故意导致 CUDA 设备上共享内存的银行冲突

【英文标题】：purposely causing bank conflicts for shared memory on CUDA device

【发布时间】：2015-08-12 15:47:48

【问题描述】：

cuda 设备上的共享内存如何工作对我来说是个谜。我很想计算可以访问相同共享内存的线程。为此我写了一个简单的程序

#include <cuda_runtime.h>
#include <stdio.h>

#define nblc 13
#define nthr 1024

//------------------------@device--------------------

__device__ int inwarpD[nblc];

__global__ void kernel()
__shared__ int mywarp;

mywarp=0;
for (int i=0;i<5;i++) mywarp += (10000*threadIdx.x+1);
__syncthreads();

inwarpD[blockIdx.x]=mywarp;

//------------------------@host-----------------------

int main(int argc, char **argv)
int inwarpH[nblc];
cudaSetDevice(2);

kernel<<<nblc, nthr>>>();

cudaMemcpyFromSymbol(inwarpH, inwarpD, nblc*sizeof(int), 0, cudaMemcpyDeviceToHost);

for (int i=0;i<nblc;i++) printf("%i : %i\n",i, inwarpH[i]);

并在 K80 GPU 上运行它。由于多个线程可以访问同一个共享内存变量，我期待这个变量将被更新 5*nhr 次，尽管由于银行冲突而不是在同一个周期。但是，输出表明 mywarp 共享变量仅更新了 5 次。对于每个块，不同的线程完成了这项任务：

0 : 35150005
1 : 38350005
2 : 44750005
3 : 38350005
4 : 51150005
5 : 38350005
6 : 38350005
7 : 38350005
8 : 51150005
9 : 44750005
10 : 51150005
11 : 38350005
12 : 38350005

相反，我期待

 523776*10000+5*1024=5237765120

对于每个块。有人可以解释一下我对共享内存的理解在哪里失败。我还想知道一个块中的所有线程如何访问（更新）相同的共享变量。我知道在同一个 MP 周期是不可能的。序列化对我来说很好，因为这将是一个罕见的事件。

【参考方案1】：

让我们来看看它生成的 ptx。

//Declare some registers
.reg .s32       %r<5>;
.reg .s64       %rd<4>;

// demoted variable
.shared .align 4 .u32 _Z6kernelv$__cuda_local_var_35411_30_non_const_mywarp;

//load tid in register r1
mov.u32         %r1, %tid.x;

//multiple tid*5000+5 and store in r2
mad.lo.s32      %r2, %r1, 50000, 5;

//store result in shared memory
st.shared.u32   [_Z6kernelv$__cuda_local_var_35411_30_non_const_mywarp], %r2;

///synchronize
bar.sync        0;

//load from shared memory and store in r3
ld.shared.u32   %r3, [_Z6kernelv$__cuda_local_var_35411_30_non_const_mywarp];

mov.u32         %r4, %ctaid.x;
mul.wide.u32    %rd1, %r4, 4;
mov.u64         %rd2, inwarpD;
add.s64         %rd3, %rd2, %rd1;

//store r3 in global memory
st.global.u32   [%rd3], %r3;
ret;

基本上是这样

for (int i=0;i<5;i++)
    mywarp += (10000*threadIdx.x+1);

正在优化到

mywarp=50000*threadIdx.x+5

因此您不会遇到银行冲突。您遇到了竞争状况。

【讨论】：

你说得对，我不知道我昨天在想什么。感谢您的提醒。

感谢您的分析。有些事情我仍然不清楚：i）当我放置 volatile 属性（如您在第一个答案中建议的那样）时，它会稍微改变输出，例如最后一位数字不是 5，而是 7,8 有时。 ii) 是否通过只允许一个线程修改 mywarp 变量来解决竞争条件？ iii) 如果我希望所有线程都参与，我需要 atomicAdd()？

这完全取决于您需要什么。如果您需要简单的归约（跨线程求和），您可以将数据留在寄存器中，然后在共享内存中使用归约方法。如果您需要每个 warp 唯一地更新单个值，那么是的，您需要使用 atomicAdd。