0

我相信下面的代码执行一个典型的

  • 复制到设备
  • 调用内核
  • 复制回主机

工作流程。

  1. 我发现非常奇怪的是，当我使用 NSight Profiler 的 Trace Application 选项时，在报告中，打开“堆栈跟踪”时，我发现最昂贵的操作是粗体线，而只是那条线，而其他 memoCopy 操作的成本几乎仅为该 memoCopy 操作的 10% 或更少。

    这是因为它是调用内核之后的第一行，因此探查器以某种方式将某些同步的成本包含在此特定 memoCopy 操作的成本中？

  2. 对于像我正在处理的问题，需要非常频繁的同步并将结果“返回”给主机，有人可以就最佳实践提供一些一般性建议吗？我特别考虑了两个选项，我不确定最终是否会有所帮助

    • 使用“零拷贝”内存，（示例 11.2 中的 CUDA）
    • 使用原子操作创建我的同步方式

{

int numP = p_psPtr->P.size();
int numL = p_psPtr->L.size();

// Out partition is in Unit of the Number of Particles
int block_dim = BLOCK_DIM_X;
int grid_dim = numP/block_dim + (numP%block_dim == 0 ? 0:1);

vector<Particle> pVec(p_psPtr->P.begin(), p_psPtr->P.end());
Particle *d_part_arr = 0;
Particle *part_arr = pVec.data(); 
HANDLE_ERROR(cudaMalloc((void**)&d_part_arr, numP * sizeof(Particle)));
HANDLE_ERROR(cudaMemcpy(d_part_arr, part_arr, numP * sizeof(Particle), cudaMemcpyHostToDevice));

vector<SpringLink> lVec(p_psPtr->L.begin(), p_psPtr->L.end());
SpringLink *d_link_arr = 0;
SpringLink *link_arr = lVec.data(); 
HANDLE_ERROR(cudaMalloc((void**)&d_link_arr, numL * sizeof(SpringLink)));
HANDLE_ERROR(cudaMemcpy(d_link_arr, link_arr, numL * sizeof(SpringLink), cudaMemcpyHostToDevice));

Point3D *d_oriPos_arr = 0;
Point3D *oriPos_arr = p_originalPos.data(); 
HANDLE_ERROR(cudaMalloc((void**)&d_oriPos_arr, numP * sizeof(Point3D)));
HANDLE_ERROR(cudaMemcpy(d_oriPos_arr, oriPos_arr, numP * sizeof(Point3D), cudaMemcpyHostToDevice));

Vector3D *d_oriVel_arr = 0;
Vector3D *oriVel_arr = p_originalVel.data(); 
HANDLE_ERROR(cudaMalloc((void**)&d_oriVel_arr, numP * sizeof(Vector3D)));
HANDLE_ERROR(cudaMemcpy(d_oriVel_arr, oriVel_arr, numP * sizeof(Vector3D), cudaMemcpyHostToDevice));

Point3D *d_updPos_arr = 0;
Point3D *updPos_arr = p_updatedPos.data(); 
HANDLE_ERROR(cudaMalloc((void**)&d_updPos_arr, numP * sizeof(Point3D)));
HANDLE_ERROR(cudaMemcpy(d_updPos_arr, updPos_arr, numP * sizeof(Point3D), cudaMemcpyHostToDevice));

Vector3D *d_updVel_arr = 0;
Vector3D *updVel_arr = p_updatedVel.data(); 
HANDLE_ERROR(cudaMalloc((void**)&d_updVel_arr, numP * sizeof(Vector3D)));
HANDLE_ERROR(cudaMemcpy(d_updVel_arr, updVel_arr, numP * sizeof(Vector3D), cudaMemcpyHostToDevice));

int *d_converged_arr = 0;
int *converged_arr = &p_converged[0]; 
HANDLE_ERROR(cudaMalloc((void**)&d_converged_arr, numP * sizeof(int)));
HANDLE_ERROR(cudaMemcpy(d_converged_arr, converged_arr, numP * sizeof(int), cudaMemcpyHostToDevice));

// Run the function on the device
handleParticleKernel<<<grid_dim, block_dim>>>(d_part_arr, d_link_arr, numP,
    d_oriPos_arr, d_oriVel_arr, d_updPos_arr, d_updVel_arr, 
    d_converged_arr, p_innerLoopIdx, p_dt);

**HANDLE_ERROR(cudaMemcpy(oriPos_arr, d_oriPos_arr, numP * sizeof(Point3D), cudaMemcpyDeviceToHost));**
HANDLE_ERROR(cudaMemcpy(oriVel_arr, d_oriVel_arr, numP * sizeof(Vector3D), cudaMemcpyDeviceToHost));
HANDLE_ERROR(cudaMemcpy(updPos_arr, d_updPos_arr, numP * sizeof(Point3D), cudaMemcpyDeviceToHost));
HANDLE_ERROR(cudaMemcpy(updVel_arr, d_updVel_arr, numP * sizeof(Vector3D), cudaMemcpyDeviceToHost));
HANDLE_ERROR(cudaMemcpy(converged_arr, d_converged_arr, numP * sizeof(int), cudaMemcpyDeviceToHost));

}

4

1 回答 1

2

该特定cudaMemcpy调用需要更长的时间，因为它要等到您的内核完成。如果您在cudaDeviceSynchronize内核之后添加一个，那么您认为该cudaMemcpy调用的执行时间应该与所有其他调用一致。（当然，您看到的额外时间将花在您的cudaDeviceSynchronize通话中）。

但是，您花费的时间在cudaDeviceSynchronize某种程度上是您无法真正解决的基本成本。如果您需要使用内核的输出，则必须等到内核执行完毕。由于内核启动是异步的，您可以在内核运行时执行不相关的语句；但是，在您的情况下，下一个调用是将内核的输出之一复制到主机内存，因此您必须等待内核完成才能获取数据。

如果您的程序允许，您可以尝试将内核启动和内存传输分解为块并使用不同的流启动它们，尽管这样做的可行性取决于几个因素（即您的内核可能无法很好地分解成独立的部分）。如果你确实走这条路，最好的情况是这样的（取自 CUDA Best Practices Docs）

在此处输入图像描述

这将允许您将数据传输与内核执行重叠，从而隐藏一些数据传输成本。您可以通过零拷贝实现类似的异步，只是预先警告此类传输不会被缓存，因此根据您的内核访问模式，您最终可能会获得较低的吞吐量。

于 2013-05-02T08:35:38.217 回答