在简单的 numpy 操作中，Cuda GPU 比 CPU 慢

Posted 2023-04-15

【中文标题】在简单的 numpy 操作中，Cuda GPU 比 CPU 慢

【英文标题】：Cuda GPU is slower than CPU in simple numpy operation

【发布时间】：2018-05-22 11:36:54

【问题描述】：

我正在使用基于this article 的代码来查看 GPU 加速，但我只能看到减速：

import numpy as np
from timeit import default_timer as timer
from numba import vectorize
import sys

if len(sys.argv) != 3:
    exit("Usage: " + sys.argv[0] + " [cuda|cpu] N(100000-11500000)")


@vectorize(["float32(float32, float32)"], target=sys.argv[1])
def VectorAdd(a, b):
    return a + b

def main():
    N = int(sys.argv[2])
    A = np.ones(N, dtype=np.float32)
    B = np.ones(N, dtype=np.float32)

    start = timer()
    C = VectorAdd(A, B)
    elapsed_time = timer() - start
    #print("C[:5] = " + str(C[:5]))
    #print("C[-5:] = " + str(C[-5:]))
    print("Time: ".format(elapsed_time))

main()

结果：

$ python speed.py cpu 100000
Time: 0.0001056949986377731
$ python speed.py cuda 100000
Time: 0.11871792199963238

$ python speed.py cpu 11500000
Time: 0.013704434997634962
$ python speed.py cuda 11500000
Time: 0.47120747699955245

我无法发送更大的向量，因为这会产生numba.cuda.cudadrv.driver.CudaAPIError: Call to cuLaunchKernel results in CUDA_ERROR_INVALID_VALUE 异常。`

nvidia-smi 的输出是

Fri Dec  8 10:36:19 2017
+-----------------------------------------------------------------------------+
| NVIDIA-SMI 384.98                 Driver Version: 384.98                    |
|-------------------------------+----------------------+----------------------+
| GPU  Name        Persistence-M| Bus-Id        Disp.A | Volatile Uncorr. ECC |
| Fan  Temp  Perf  Pwr:Usage/Cap|         Memory-Usage | GPU-Util  Compute M. |
|===============================+======================+======================|
|   0  Quadro 2000D        Off  | 00000000:01:00.0  On |                  N/A |
| 30%   36C   P12    N/A /  N/A |    184MiB /   959MiB |      0%      Default |
+-------------------------------+----------------------+----------------------+

+-----------------------------------------------------------------------------+
| Processes:                                                       GPU Memory |
|  GPU       PID   Type   Process name                             Usage      |
|=============================================================================|
|    0       933      G   /usr/lib/xorg/Xorg                            94MiB |
|    0       985      G   /usr/bin/gnome-shell                          86MiB |
+-----------------------------------------------------------------------------+

CPU详情

$ lscpu
Architecture:        x86_64
CPU op-mode(s):      32-bit, 64-bit
Byte Order:          Little Endian
CPU(s):              4
On-line CPU(s) list: 0-3
Thread(s) per core:  1
Core(s) per socket:  4
Socket(s):           1
NUMA node(s):        1
Vendor ID:           GenuineIntel
CPU family:          6
Model:               58
Model name:          Intel(R) Core(TM) i5-3550 CPU @ 3.30GHz
Stepping:            9
CPU MHz:             3300.135
CPU max MHz:         3700.0000
CPU min MHz:         1600.0000
BogoMIPS:            6600.27
Virtualization:      VT-x
L1d cache:           32K
L1i cache:           32K
L2 cache:            256K
L3 cache:            6144K
NUMA node0 CPU(s):   0-3
Flags:               fpu vme de pse tsc msr pae mce cx8 apic sep mtrr pge mca cmov pat pse36 clflush dts acpi mmx fxsr sse sse2 ss ht tm pbe syscall nx rdtscp lm constant_tsc arch_perfmon pebs bts rep_good nopl xtopology nonstop_tsc cpuid aperfmperf pni pclmulqdq dtes64 monitor ds_cpl vmx smx est tm2 ssse3 cx16 xtpr pdcm pcid sse4_1 sse4_2 x2apic popcnt tsc_deadline_timer aes xsave avx f16c rdrand lahf_lm cpuid_fault epb tpr_shadow vnmi flexpriority ept vpid fsgsbase smep erms xsaveopt dtherm ida arat pln pts

GPU 是 Nvidia Quadro 2000D，具有 192 个 CUDA 内核和 1Gb RAM。

更复杂的操作：

import numpy as np
from timeit import default_timer as timer
from numba import vectorize
import sys

if len(sys.argv) != 3:
    exit("Usage: " + sys.argv[0] + " [cuda|cpu] N()")


@vectorize(["float32(float32, float32)"], target=sys.argv[1])
def VectorAdd(a, b):
    return a * b

def main():
    N = int(sys.argv[2])
    A = np.zeros((N, N), dtype='f')
    B = np.zeros((N, N), dtype='f')
    A[:] = np.random.randn(*A.shape)
    B[:] = np.random.randn(*B.shape)

    start = timer()
    C = VectorAdd(A, B)
    elapsed_time = timer() - start
    print("Time: ".format(elapsed_time))

main()

结果：

$ python complex.py cpu 3000
Time: 0.010573603001830634
$ python complex.py cuda 3000
Time: 0.3956961739968392
$ python complex.py cpu 30
Time: 9.693001629784703e-06
$ python complex.py cuda 30
Time: 0.10848476299725007

知道为什么吗？

【问题讨论】：

您目前正在支付迁移到 GPU 的成本，这与具有 L1、L2 缓存的 CPU 相比非常慢。为了充分利用 GPU 的强大功能，您希望将更大的块发送到 GPU。

即使阵列大 100 倍，CPU 仍然更快，尽管相对速度要小得多。

这里唯一的问题是您不切实际的性能期望。您的示例完全受内存和延迟限制，并且您在 非常 适度的 GPU 上运行。您可能需要多 6 到 10 个数量级的浮点运算才能看到有用的加速

@szabgab Nvidia 是否声称在矩阵加法示例中提高了性能？如前所述，GPU 配置在这里很重要。您可以通过归约运算、三角运算等来增加计算/内存比率。

@szabgab：我认为您应该重新阅读您引用的那篇博客文章。在任何阶段，它是否声称与普通 Python 相比，该示例产生了性能改进？为您提供性能测试示例不是我的工作。你问出了什么问题，简单的回答是没有，

【参考方案1】：

可能您的数组太小且操作太简单，无法抵消与 GPU 相关的数据传输成本。另一种看法是，你的时间安排不公平，因为对于 GPU，它也在计时内存传输时间，而不仅仅是处理时间。

尝试一些更具挑战性的示例，可能首先是元素级大矩阵乘法，然后是矩阵乘法。

最终，GPU 的强大之处在于对相同的数据执行许多操作，因此您最终只需支付一次数据传输成本。

【讨论】：

增加数组只会增加传输时间。所以我想我需要一个更复杂的操作，对吧？查看我的更新。

是的，也许只是添加更长的向量不会抵消传输。但是，如果您应用三角函数或其他 cmet 中已经建议的其他操作，并进行外积和链操作，您应该会看到改进。

我试过 np.sin(a) 它使用 cpu 工作，但我收到错误“numba.errors.UntypedAttributeError: Failed at nopython (nopython frontend) Unknown attribute 'sin' of type Module”使用 cuda 时。

使用来自math 标准库的sin。 numba 知道如何使用数组来传输数据，但它的魔力适用于普通的 python 函数。你应该看看这个笔记本github.com/ContinuumIO/gtc2017-numba/blob/master/… 另外，检查该存储库的其余部分。这是对numba 的不错介绍。

它在你第一句话中链接的文章中；）我只记得我前一段时间看过它。

【参考方案2】：

尽管 Nvidia 网站上的示例用于显示“如何使用 GPU”，但使用 GPU 的普通矩阵加法可能会比使用 CPU 的速度慢。主要是由于将数据复制到 GPU 的开销。

即使是简单的数学计算也可能会更慢。更重的计算已经可以显示增益。我将我的结果汇总在一篇文章中showing speed improvement with GPU, cuda, and numpy

简而言之，问题是哪个更大

CPU 时间

或

复制到 GPU + GPU 时间 + 从 GPU 复制