2

我有一个 CUDA 内核，它将两个矩阵相乘，其中 Width 和 Height 是我正在使用的块大小的倍数。

我使用的 Nvidia Quadro Fx 3800 的理论带宽为 50 Gb/s，我得到了一些奇怪的结果（有效带宽大于理论带宽）

我将在这里发布一些结果：

使用块大小 2

[10][10] * [10][10] -> BW=0,02 Gb/s [1000][1000]*[1000][1000] -> BW=69,4 Gb/s

块大小为 64

[1000][1000] * [1000][1000] -> BW=486,4 Gb/s [10000][10000] * [10000][10000] -> BW= 45072,12 Gb/s

我从英伟达最佳实践指南中获取了有效带宽公式（我已经简化了它，但它是等效的（除非有一个愚蠢的错误））。我认为内核很好，因为它与我读过的一些 Nvidia Lectures 非常相似（如果不相等），也因为它工作正常（afaik）。

#define blocksize 64
#define HM (10000) 
#define WM (10000) 
#define WN (10000)
#define HN WM 
#define WP WN   
#define HP HM  
#define PTH WM
#define PTW HM

__global__ void nonsquare(float*M, float*N, float*P, int uWM,int uWN)
   {
__shared__ float MS[blocksize][blocksize];
__shared__ float NS[blocksize][blocksize];

int tx=threadIdx.x, ty=threadIdx.y, bx=blockIdx.x, by=blockIdx.y;
int rowM=ty+by*blocksize;
int colN=tx+bx*blocksize;
int Pvalue=0;

for(int m=0; m< uWM/blocksize;m++){
    MS[ty][tx]=M[rowM*uWM+(m*blocksize+tx)];
    NS[ty][tx]=M[colN + uWN*(m*blocksize+ty)];
    __syncthreads();
    for(int k=0;k<blocksize;k++)
        Pvalue+=MS[ty][k]*NS[k][tx];
    P[rowM*WP+colN]=Pvalue;
}

}
int main(){


cudaEvent_t evstart, evstop;
cudaEventCreate(&evstart);
cudaEventCreate(&evstop);

float*M=(float*)malloc(sizeof(float)*HM*WM);
float*N=(float*)malloc(sizeof(float)*HN*WN);

for(int i=0;i<WM*HM;i++)
    M[i]=(float)i;
for(int i=0;i<WN*HN;i++)
    N[i]=(float)i;




float*P=(float*)malloc(sizeof(float)*HP*WP);



float *Md,*Nd,*Pd;
cudaMalloc((void**)&Md,HM*WM*sizeof(float));

cudaMalloc((void**)&Nd,HN*WN*sizeof(float));

cudaMalloc((void**)&Pd,HP*WP*sizeof(float));



cudaMemcpy(Md,M,HM*WM*sizeof(float),cudaMemcpyHostToDevice);

cudaMemcpy(Nd,N,HN*WN*sizeof(float),cudaMemcpyHostToDevice);



dim3 dimBlock(blocksize,blocksize);//(tile_width , tile_width);
dim3 dimGrid(WN/dimBlock.x,HM/dimBlock.y);//(width/tile_width , width/tile_witdh);

cudaEventRecord(evstart,0);

nonsquare<<<dimGrid,dimBlock>>>(Md,Nd,Pd,WM,WN);

cudaEventRecord(evstop,0);
cudaEventSynchronize(evstop);
float time;
cudaEventElapsedTime(&time,evstart,evstop);

cudaMemcpy(P,Pd,WP*HP*sizeof(float),cudaMemcpyDeviceToHost);

    cudaFree(Md);
cudaFree(Nd);
cudaFree(Pd);


    printf("\ntime spent:%f",time);
float Bandwidth=(HM*WM*4+WN*HN*4+HP*WP*4)/(time*1000000); /
printf("\nEffective Bandwidth:%f Gb/s\n",Bandwidth);
    }

提前致谢

4

3 回答 3

2

我认为内核只是默默地失败了。

  1. 你在内核调用后检查过任何错误吗？

  2. 代码有效吗？

  3. 你对时间安排有什么结果？

于 2011-03-28T06:17:33.863 回答
1

请注意，通过使用共享内存、纹理内存等，有时可能会超过理论带宽。这通常意味着您可能无意中使用了一些专用的硬件支持功能（例如内置双线性纹理插值等）。

除了 Robert Harvey 提到的原因之外，供应商还可能对显卡进行工厂超频（尽管 GeForce 比 Quadros 更常见）。

总的来说，如果您接近或超过理论带宽（在内存或计算中），我会说您做得很好。

于 2011-03-23T13:02:43.620 回答
0

我能想到几种解释：

  1. 对测量产生不利影响的基线代码更改
  2. 无效的性能假设
  3. 未识别的微优化。
  4. 不切实际的基准。

你说你的代码被简化了。我会尝试使用原始基准代码，看看会发生什么。如果数字更真实，您可以将原始基准代码与您的简化代码进行比较，以确定差异。

于 2011-03-22T19:08:23.210 回答