3

我有一个简单的扫描内核,它计算循环中几个块的扫描。我注意到当 get_local_id() 存储在局部变量中而不是在循环中调用它时,性能会有所提高。所以用代码总结一下:

__kernel void LocalScan_v0(__global const int *p_array, int n_array_size, __global int *p_scan)
{
    const int n_group_offset = get_group_id(0) * SCAN_BLOCK_SIZE;
    p_array += n_group_offset;
    p_scan += n_group_offset;
    // calculate group offset

    const int li = get_local_id(0); // *** local id cached ***
    const int gn = get_num_groups(0);
    __local int p_workspace[SCAN_BLOCK_SIZE];
    for(int i = n_group_offset; i < n_array_size; i += SCAN_BLOCK_SIZE * gn) {
        LocalScan_SingleBlock(p_array, p_scan, p_workspace, li);

        p_array += SCAN_BLOCK_SIZE * gn;
        p_scan += SCAN_BLOCK_SIZE * gn;
    }
    // process all the blocks in the array (each block size SCAN_BLOCK_SIZE)
}

GTX-780 的吞吐量为 74 GB/s,而这:

__kernel void LocalScan_v0(__global const int *p_array, int n_array_size, __global int *p_scan)
{
    const int n_group_offset = get_group_id(0) * SCAN_BLOCK_SIZE;
    p_array += n_group_offset;
    p_scan += n_group_offset;
    // calculate group offset

    const int gn = get_num_groups(0);
    __local int p_workspace[SCAN_BLOCK_SIZE];
    for(int i = n_group_offset; i < n_array_size; i += SCAN_BLOCK_SIZE * gn) {
        LocalScan_SingleBlock(p_array, p_scan, p_workspace, get_local_id(0));
        // *** local id polled inside the loop ***

        p_array += SCAN_BLOCK_SIZE * gn;
        p_scan += SCAN_BLOCK_SIZE * gn;
    }
    // process all the blocks in the array (each block size SCAN_BLOCK_SIZE)
}

在相同的硬件上只有 70 GB/s。唯一的区别是对 get_local_id() 的调用是在循环内部还是外部。LocalScan_SingleBlock() 中的代码在这篇 GPU Gems 文章中有详细描述。

现在这带来了一些问题。我一直认为线程 id 存储在某个寄存器中,并且访问它的速度与访问任何线程局部变量一样快。情况似乎并非如此。我一直习惯于将本地 id 缓存在变量中,而老“C”程序员不愿意在循环中调用函数,如果他希望它每次都返回相同的值,但我没有t认真地认为它会有所作为。

关于为什么会这样的任何想法?我没有对编译的二进制代码进行任何检查。有没有人有同样的经历?threadIdx.x在CUDA中是否相同?ATI 平台怎么样?这种行为是在某处描述的吗?我快速浏览了 CUDA 最佳实践,但没有找到任何东西。

4

1 回答 1

5

这只是一个猜测,但根据 Khronos 页面

http://www.khronos.org/registry/cl/sdk/1.0/docs/man/xhtml/get_local_id.html

get_local_id() 未定义为返回常量值(仅 size_t)。这可能意味着,就编译器所知,与常量 local_id 相比,它可能不允许执行某些优化,因为函数值的返回在编译器眼中可能会发生变化(即使它不会在每个线程)

于 2013-09-27T16:17:26.613 回答