1

鉴于此代码：

void foo(cv::gpu::GpuMat const &src, cv::gpu::GpuMat *dst[], cv::Size const dst_size[], size_t numImages)
{
    cudaStream_t streams[numImages];
    for (size_t image = 0; image < numImages; ++image)
    {
        cudaStreamCreateWithFlags(&streams[image], cudaStreamNonBlocking);
        dim3 Threads(32, 16);
        dim3 Blocks((dst_size[image].width + Threads.x - 1)/Threads.x,
                    (dst_size[image].height + Threads.y - 1)/Threads.y);
        myKernel<<<Blocks, Threads, 0, streams[image]>>>(src, dst[image], dst_size[image]);
    }
    for (size_t image = 0; image < numImages; ++image)
    {
        cudaStreamSynchronize(streams[image]);
        cudaStreamDestroy(streams[image]);
    }
}

查看 的输出nvvp，我看到几乎完美的串行执行，即使第一个流是一个冗长的过程，其他流应该能够与之重叠。

请注意，我的内核使用了 30 个寄存器，并且都报告了大约 0.87 的“Achieved Occupancy”。对于最小的图像，网格大小为 [10,15,1]，块大小为 [32, 16,1]。

4

1 回答 1

2

CUDA 编程指南（链接）中给出了描述并发内核执行限制的条件，但要点是，只有当您的 GPU 有足够的资源来执行此操作时，您的 GPU 才可能从不同的流中运行多个内核。

在您的用例中，您说您正在运行内核的多次启动，每个内核有 150 个块，每个块有 512 个线程。你的 GPU 有 12 个 SMM（我认为），每个 SMM最多可以有4 个块同时运行（4 * 512 = 2048 个线程，这是 SMM 的限制）。所以你的 GPU 最多只能同时运行 4 * 12 = 48 个块。当在命令管道中多次启动 150 个块时，并发内核执行的机会似乎很小（甚至可能没有）。

如果您通过减小块大小来增加内核的调度粒度，您可能会鼓励内核执行重叠。较小的块比较大的块更有可能找到可用资源和调度时隙。同样，减少每次内核启动的总块数（可能通过增加每个线程的并行工作）也可能有助于增加多个内核重叠或并发执行的可能性。

于 2016-01-18T08:30:39.780 回答