4

我在我的一个 CUDA 应用程序上运行了视觉分析器。如果数据太大，应用程序会多次调用单个内核。这个内核没有分支。

分析器报告了83.6 %的高指令重播开销和83.5%的高全局内存指令重播开销。

以下是内核的一般外观：

// Decryption kernel
__global__ void dev_decrypt(uint8_t *in_blk, uint8_t *out_blk){

    __shared__ volatile word sdata[256];
    register uint32_t data;

    // Thread ID
#define xID (threadIdx.x + blockIdx.x * blockDim.x)
#define yID (threadIdx.y + blockIdx.y * blockDim.y)
    uint32_t tid = xID + yID * blockDim.x * gridDim.x;
#undef xID
#undef yID

    register uint32_t pos4 = tid%4;
    register uint32_t pos256 = tid%256;
    uint32_t blk = pos256&0xFC;

    // Indices
    register uint32_t index0 = blk + (pos4+3)%4;
    register uint32_t index1 = blk + (pos4+2)%4;

    // Read From Global Memory
    b0[pos256] = ((word*)in_blk)[tid+4] ^ dev_key[pos4];

    data  = tab(0,sdata[index0]);
    data ^= tab(1,sdata[index1]);
    sdata[pos256] = data ^ tab2[pos4];

    data  = tab(0,sdata[index0]);
    data ^= tab(1,sdata[index1]);
    sdata[pos256] = data ^ tab2[2*pos4];

    data  = tab(0,sdata[index0]);
    data ^= tab(1,sdata[index1]);
    data ^= tab2[3*pos4];

    ((uint32_t*)out_blk)[tid] = data + ((uint32_t*)in_blk)[tid];
}

如您所见，没有分支。线程最初将根据线程 ID + 16 字节从全局内存中读取。然后，它们将根据线程 ID 对全局内存中的数据执行操作后写入输出缓冲区。

任何想法为什么这个内核会有这么多开销？

4

1 回答 1

3

在这种情况下，指令重放的来源是 warp 内的非统一常量内存访问。在您的代码中，tab存储在常量内存中并根据线程索引和数据存储共享内存的某种组合进行索引。结果似乎是同一扭曲中的非统一访问线程。常量内存实际上适用于warp中的所有线程访问同一个字的情况，然后可以在单个操作中从常量内存缓存中广播该值，否则会发生warp序列化。

在需要对小型只读数据集进行非统一访问的情况下，将数据绑定到纹理可能比将其存储为常量内存更好。

于 2012-07-23T05:42:02.817 回答