CUDA 内核:循环次数增加 10% 时性能下降 10 倍
Posted
技术标签:
【中文标题】CUDA 内核:循环次数增加 10% 时性能下降 10 倍【英文标题】:CUDA kernel: performance drops by 10x when increased loop count by 10% 【发布时间】:2020-10-08 06:24:59 【问题描述】:我有一个简单的CUDA内核来测试循环展开,然后发现另一件事:当循环计数为10时,内核需要34毫秒才能执行,当循环计数为90时,需要59毫秒,但是当循环计数是100,耗时423毫秒! 启动配置是一样的,只是循环次数改变了。 那么,我的问题是,这种性能下降的原因可能是什么?
这里是代码,输入是一个128x1024x1024元素的数组,我用的是PyCUDA:
__global__ void copy(float *input, float *output)
int tidx = blockIdx.y * blockDim.x + threadIdx.x;
int stride = 1024 * 1024;
for (int i = 0; i < 128; i++)
int idx = i * stride + tidx;
float x = input[idx];
float y = 0;
for (int j = 0; j < 100; j += 10)
x = x + sqrt(float(j));
y = sqrt(abs(x)) + sin(x) + cos(x);
x = x + sqrt(float(j+1));
y = sqrt(abs(x)) + sin(x) + cos(x);
x = x + sqrt(float(j+2));
y = sqrt(abs(x)) + sin(x) + cos(x);
x = x + sqrt(float(j+3));
y = sqrt(abs(x)) + sin(x) + cos(x);
x = x + sqrt(float(j+4));
y = sqrt(abs(x)) + sin(x) + cos(x);
x = x + sqrt(float(j+5));
y = sqrt(abs(x)) + sin(x) + cos(x);
x = x + sqrt(float(j+6));
y = sqrt(abs(x)) + sin(x) + cos(x);
x = x + sqrt(float(j+7));
y = sqrt(abs(x)) + sin(x) + cos(x);
x = x + sqrt(float(j+8));
y = sqrt(abs(x)) + sin(x) + cos(x);
x = x + sqrt(float(j+9));
y = sqrt(abs(x)) + sin(x) + cos(x);
output[idx] = y;
我提到的循环计数是这一行:
for (int j = 0; j < 100; j += 10)
这里是示例输出:
10 个循环
griddimx: 1 griddimy: 1024 griddimz: 1
blockdimx: 1024 blockdimy: 1 blockdimz: 1
nthreads: 1048576 blocks: 1024
prefetch.py:82: UserWarning: The CUDA compiler succeeded, but said the following:
ptxas info : 0 bytes gmem, 24 bytes cmem[3]
ptxas info : Compiling entry function 'copy' for 'sm_61'
ptxas info : Function properties for copy
32 bytes stack frame, 0 bytes spill stores, 0 bytes spill loads
ptxas info : Used 21 registers, 336 bytes cmem[0], 52 bytes cmem[2]
计算耗时 34.24 毫秒
90 次循环
griddimx: 1 griddimy: 1024 griddimz: 1
blockdimx: 1024 blockdimy: 1 blockdimz: 1
nthreads: 1048576 blocks: 1024
prefetch.py:82: UserWarning: The CUDA compiler succeeded, but said the following:
ptxas info : 0 bytes gmem, 24 bytes cmem[3]
ptxas info : Compiling entry function 'copy' for 'sm_61'
ptxas info : Function properties for copy
32 bytes stack frame, 0 bytes spill stores, 0 bytes spill loads
ptxas info : Used 21 registers, 336 bytes cmem[0], 52 bytes cmem[2]
计算耗时 59.33 毫秒
100 个循环
griddimx: 1 griddimy: 1024 griddimz: 1
blockdimx: 1024 blockdimy: 1 blockdimz: 1
nthreads: 1048576 blocks: 1024
prefetch.py:82: UserWarning: The CUDA compiler succeeded, but said the following:
ptxas info : 0 bytes gmem, 24 bytes cmem[3]
ptxas info : Compiling entry function 'copy' for 'sm_61'
ptxas info : Function properties for copy
32 bytes stack frame, 0 bytes spill stores, 0 bytes spill loads
ptxas info : Used 22 registers, 336 bytes cmem[0], 52 bytes cmem[2]
计算耗时 422.96 毫秒
【问题讨论】:
【参考方案1】:问题似乎来自循环展开。
事实上,10-loops
的情况可以通过 NVCC 轻松展开,因为循环实际上总是执行一次(因此可以在 j 设置为 0 的情况下删除for
行)。
90-loops
案例由 NVCC 展开(只有 9 次实际迭代)。因此,生成的代码要大得多,但仍然很快,因为没有执行任何分支(GPU 讨厌分支)。但是,100-loops
案例没有被 NVCC 展开(您达到了编译器优化器的阈值)。生成的代码很小,但会导致在运行时执行更多的分支:每次执行的循环迭代都会执行分支(总共 10 次)。
可以看到汇编代码差异here。
您可以使用指令#pragma unroll
强制展开。但是,请记住,增加代码的大小会降低其性能。
PS:上一版本使用的寄存器数量稍多可能会降低性能,但simulations表明在这种情况下应该没问题。
【讨论】:
我用 #pragma unroll 和增量 j = 1 (j++) 进行了测试,然后计算时间约为 200 毫秒。没有展开它是 550 毫秒。手动展开,只需 41 毫秒!以上是关于CUDA 内核:循环次数增加 10% 时性能下降 10 倍的主要内容,如果未能解决你的问题,请参考以下文章
nppiCopyConstBorder_8u_C1R 的性能下降