3

（正确且有指导意义的回答，见下文）

我开始用 matlab 和 gpu (nvidia gtx660) 做实验。

现在，我编写了这个简单的蒙特卡罗算法来计算 PI。以下是CPU版本：

function pig = mc1vecnocuda(n)
countr=0;
A=rand(n,2);
 for i=1:n

   if norm(A(i,:))<1
    countr=countr+1;
   end
 end
pig=(countr/n)*4;
end

这需要很少的时间在 CPU 上执行，将 100000 个点“扔”到单位圆中：

   >> tic; mc1vecnocuda(100000);toc;

      Elapsed time is 0.092473 seconds.

相反，请参阅算法的 gpu 化版本会发生什么：

   function pig = mc1veccuda(n)
   countr=0;
   gpucountr=gpuArray(countr);
   A=gpuArray.rand(n,2);
   parfor (i=1:n,1024)
    if norm(A(i,:))<1
        gpucountr=gpucountr+1;
    end
   end

   pig=(gpucountr/n)*4;
   end

现在，这需要很长时间才能执行：

>> tic; mc1veccuda(100000);toc;
Elapsed time is 21.137954 seconds.

我不明白为什么。我对 1024 个工作人员使用 parfor 循环，因为用 gpuDevice 查询我的 nvidia 卡，1024 是 gtx660 上允许的最大并发线程数。

有人能帮我吗？谢谢。

编辑：这是避免 IF 的更新版本：

function pig = mc2veccuda(n)
countr=0;
gpucountr=gpuArray(countr);
A=gpuArray.rand(n,2);
parfor (i=1:n,1024)

    gpucountr = gpucountr+nnz(norm(A(i,:))<1);

end

pig=(gpucountr/n)*4;
end

这是按照 Bichoy 的指导方针编写的 代码（实现结果的正确代码）：

function pig = mc3veccuda(n)
countr=0;
gpucountr=gpuArray(countr);
A=gpuArray.rand(n,2);
Asq = A.^2;
Asqsum_big_column = Asq(:,1)+Asq(:,2);
Anorms=Asqsum_big_column.^(1/2);
gpucountr=gpucountr+nnz(Anorms<1);

pig=(gpucountr/n)*4;
end

请注意 n=10 百万的执行时间：

>> tic; mc3veccuda(10000000); toc;
Elapsed time is 0.131348 seconds.
>> tic; mc1vecnocuda(10000000); toc;
Elapsed time is 8.108907 seconds.

我没有测试我原来的 cuda 版本（for/parfor），因为它的执行需要几个小时，n=10000000。

伟大的比乔伊！;)

4

3 回答 3

3

我想问题出在parfor!

parfor应该在 MATLAB worker 上运行，那是你的主机而不是 GPU！我猜实际发生的情况是您在主机（而不是 GPU）上启动了 1024 个线程，并且每个线程都在尝试调用 GPU。这会导致您的代码花费大量时间。

尝试重新编写代码以使用矩阵和数组操作，而不是 for 循环！这将显示一些加速。另外，请记住，您应该在 GPU 中进行更多计算，否则，内存传输只会支配您的代码。

代码：

这是包含几个人的所有更正和建议后的最终代码：

function pig = mc2veccuda(n)
  A=gpuArray.rand(n,2); % An nx2 random matrix
  Asq = A.^2; % Get the square value of each element
  Anormsq = Asq(:,1)+Asq(:,2); % Get the norm squared of each point
  gpucountr = nnz(Anorm<1); % Check the number of elements < 1
  pig=(gpucountr/n)*4;
于 2013-04-13T17:19:35.193 回答
1

很多原因比如：

  1. 主机和设备之间的数据移动
  2. 每个循环内的计算量非常小
  3. 对 GPU 的调用rand可能不是并行的
  4. if循环内的条件可能导致分歧
  5. 对公共变量的累加可以串行运行，有开销

很难分析 Matlab+CUDA 代码。您可能应该尝试使用本机 C++/CUDA 并使用并行 Nsight 来查找瓶颈。

于 2013-04-13T14:28:44.187 回答
1

正如 Bichoy 所说，CUDA 代码应该始终进行矢量化处理。在 MATLAB 中，除非您正在编写 CUDA 内核，否则您获得的唯一大幅加速是在具有数千个（慢速）内核的 GPU 上调用矢量化操作。如果您没有大型向量和向量化代码，那将无济于事。


另一件没有提到的事情是，对于像 GPU 这样的高度并行架构，您希望使用与“标准”算法不同的随机数生成算法。因此，添加到 Bichoy 的答案中，添加参数“Threefry4x64”（64 位）或“Philox4x32-10”（32 位，速度更快！超快！）可以导致 CUDA 代码的大幅加速。MATLAB 在这里解释了这一点：http: //www.mathworks.com/help/distcomp/examples/generating-random-numbers-on-a-gpu.html

于 2016-01-15T17:19:24.297 回答