9

cupy是否可以使用(或)从/向 GPU 异步传输内存chainer

我正在训练一个相对较小的网络,其中包含不适合 GPU 内存的大量数据。此数据应保存在 CPU 内存中,并按顺序提供给 GPU 进行小批量计算。

内存传输时间是这个应用程序的主要瓶颈。我认为异步内存传输解决了这个问题,即在计算一个 minibatch 的过程中,另一个 minibatch 在后台传输到 GPU。

我想知道cupy.cuda.Stream上课是否可行,但我还不知道。我将不胜感激任何意见/建议。

编辑:我认为以下代码会进行异步内存传输,但不是。

import numpy as np
import cupy as cp

a_cpu = np.ones((10000, 10000), dtype=np.float32)
b_cpu = np.ones((10000, 10000), dtype=np.float32)

a_stream = cp.cuda.Stream(non_blocking=True)
b_stream = cp.cuda.Stream(non_blocking=True)

a_gpu = cp.empty_like(a_cpu)
b_gpu = cp.empty_like(b_cpu)

a_gpu.set(a_cpu, stream=a_stream)
b_gpu.set(b_cpu, stream=b_stream)

# This should start before b_gpu.set() is finished.
a_gpu *= 2

nvvp 显示内存传输是按顺序进行的。

4

1 回答 1

3

我通过深入研究链接器源代码找到了一种解决方案。

一个要点似乎是在构建时保持一个固定的内存缓冲区np.ndarray

def pinned_array(array):
    # first constructing pinned memory
    mem = cupy.cuda.alloc_pinned_memory(array.nbytes)
    src = numpy.frombuffer(
                mem, array.dtype, array.size).reshape(array.shape)
    src[...] = array
    return src

a_cpu = np.ones((10000, 10000), dtype=np.float32)
b_cpu = np.ones((10000, 10000), dtype=np.float32)
# np.ndarray with pinned memory
a_cpu = pinned_array(a_cpu)
b_cpu = pinned_array(b_cpu)

a_stream = cp.cuda.Stream(non_blocking=True)
b_stream = cp.cuda.Stream(non_blocking=True)

a_gpu = cp.empty_like(a_cpu)
b_gpu = cp.empty_like(b_cpu)

a_gpu.set(a_cpu, stream=a_stream)
b_gpu.set(b_cpu, stream=b_stream)

# wait until a_cpu is copied in a_gpu
a_stream.synchronize()
# This line runs parallel to b_gpu.set()
a_gpu *= 2
于 2017-11-26T00:56:49.777 回答