在CUDA中使用共享内存而不减少线程

Question

看一下Mark Harris的约简示例，我想看看是否可以让线程存储中间值，而不需要约简操作：

例如CPU代码：

for(int i = 0; i < ntr; i++)
{
    for(int j = 0; j < pos* posdir; j++)
    {
        val = x[i] * arr[j];
        if(val > 0.0)
        {
            out[xcount] = val*x[i];
            xcount += 1;
        }
    }
}

等效的GPU代码：

const int threads = 64; 
num_blocks = ntr/threads;

__global__ void test_g(float *in1, float *in2, float *out1, int *ct, int posdir, int pos)
{
    int tid = threadIdx.x + blockIdx.x*blockDim.x;
    __shared__ float t1[threads];
    __shared__ float t2[threads];

    int gcount  = 0;

    for(int i = 0; i < posdir*pos; i += 32) {
        if (threadIdx.x < 32) {
            t1[threadIdx.x] = in2[i%posdir];
        }
       __syncthreads();

        for(int i = 0; i < 32; i++)
        {
            t2[i] = t1[i] * in1[tid];
                if(t2[i] > 0){
                    out1[gcount] = t2[i] * in1[tid];
                    gcount = gcount + 1;
                }
        }
    }        
    ct[0] = gcount;
}

我在这里尝试做的是以下步骤：

(1)在共享内存变量t1中存储32个in2的值，

(2)对于i和in1tid的每个值，计算t2i，

(3)if t2[i] > 0对于i的特定组合，将t2[i]*in1[tid]写入out1[gcount]

但是我的输出全错了。我甚至不能得到t2i大于0的所有次数的计数。

关于如何保存每个i和tid的gcount值，有什么建议吗？当我调试时，我发现对于块(0,0,0)和线程(0，0，0)，我可以顺序地看到t2的值被更新。在CUDA内核将焦点切换到块(0，0，0)和线程(32，0，0)之后，out1的值再次被重写。如何获取/存储每个线程的out1值并将其写入输出？

到目前为止，我尝试了两种方法：(由NVIDIA论坛上的@paseolatis建议)

(1)定义的offset=tid*32; and replace out1[gcount] with out1[offset+gcount]，

(2)定义

__device__ int totgcount=0; // this line before main()
atomicAdd(&totgcount,1);
out1[totgcount]=t2[i] * in1[tid];

int *h_xc = (int*) malloc(sizeof(int) * 1);
cudaMemcpyFromSymbol(h_xc, totgcount, sizeof(int)*1, cudaMemcpyDeviceToHost);
printf("GPU: xcount = %d\n", h_xc[0]); // Output looks like this: GPU: xcount = 1928669800

有什么建议吗？提前感谢！

Answer 1

好的，让我们将您对代码应该做什么的描述与您发布的内容进行比较(这有时称为rubber duck debugging)。

1. 将32个in2值存储在共享内存变量t1中

您的内核包含以下内容：

if (threadIdx.x < 32) { t1threadIdx.x = in2i%posdir；}

它有效地将相同的值从in2加载到t1的每个值中。我怀疑你想要更多这样的东西：

如果(threadIdx.x < 32) { t1threadIdx.x = in2i+threadIdx.x；}

• 对于i和in1[tid]的每个值，计算t2[i]，

这部分是可以的，但是为什么共享内存中需要t2呢？它只是一个中间结果，在内部迭代完成后可以丢弃。你可以很容易地拥有这样的东西：

float inval = in1tid；.......对于(int i = 0；i< 32；i++) { float result = t1i * inval；……

• if t2[i] > 0对于i的特定组合，将t2[i]*in1[tid]写入out1[gcount]

这才是问题真正开始的地方。您可以在此处执行以下操作：

if(t2i > 0){ out1gcount = t2i * in1tid；gcount = gcount + 1；}

这是一场记忆竞赛。gcount是一个线程局部变量，因此每个线程将在不同的时间用它自己的值覆盖任何给定的out1[gcount]。要使此代码在编写时正确工作，您必须拥有gcount作为全局内存变量，并使用原子内存更新来确保每个线程每次输出一个值时都使用gcount的唯一值。但是需要注意的是，如果经常使用原子内存访问是非常昂贵的(这就是为什么我在评论中询问每次内核启动有多少输出点)。

生成的内核可能如下所示：

__device__ int gcount; // must be set to zero before the kernel launch

__global__ void test_g(float *in1, float *in2, float *out1, int posdir, int pos)
{
    int tid = threadIdx.x + blockIdx.x*blockDim.x;
    __shared__ float t1[32];

    float ival = in1[tid];

    for(int i = 0; i < posdir*pos; i += 32) {
        if (threadIdx.x < 32) {
            t1[threadIdx.x] = in2[i+threadIdx.x];
        }
        __syncthreads();

        for(int j = 0; j < 32; j++)
        {
            float tval = t1[j] * ival;
            if(tval > 0){
                int idx = atomicAdd(&gcount, 1);
                out1[idx] = tval * ival
            }
        }
    }        
}

免责声明:在浏览器中编写，从未编译或测试，使用风险自负.....

请注意，您对ct的写入也是内存竞争，但是使用gcount现在是一个全局值，您可以在不需要ct的情况下在内核之后读取值。

编辑:在运行内核之前，您似乎遇到了一些将gcount置零的问题。为此，您需要使用诸如cudaMemcpyToSymbol或cudaGetSymbolAddress和cudaMemset之类的东西。它可能看起来像这样：

const int zero = 0;
cudaMemcpyToSymbol("gcount", &zero, sizeof(int), 0, cudaMemcpyHostToDevice);

同样，通常的免责声明:在浏览器中编写，从未编译或测试，使用风险自负.....

Answer 2

更好的方法是为每个线程提供自己的输出，并让它递增自己的count并输入值-这样，double-for循环可以以任何顺序并行发生，这是GPU擅长的。输出是错误的，因为线程共享out1数组，所以它们都会覆盖该数组。

您还应该将要复制到共享内存中的代码移动到一个单独的循环中，并在后面添加一个__syncthreads()。如果__syncthreads()不在循环中，你应该会获得更好的性能-这意味着你的共享数组的大小必须是in2的-如果这是一个问题，在这个答案的结尾有一个更好的方法来解决这个问题。

您还应该将threadIdx.x < 32检查移到外部。因此，您的代码将如下所示：

if (threadIdx.x < 32) {
    for(int i = threadIdx.x; i < posdir*pos; i+=32) {
        t1[i] = in2[i];
    }
}
__syncthreads();

for(int i = threadIdx.x; i < posdir*pos; i += 32) {
    for(int j = 0; j < 32; j++)
    {
         ...
    }
}

然后放入__syncthreads()，gcount += count的原子加法，以及从本地输出数组到全局输出数组的副本-这部分是顺序的，会损害性能。如果可以，我只需要一个指向每个本地数组的指针的全局列表，并将它们放在CPU上。

另一个变化是t2不需要共享内存--这对你没有帮助。而你这样做的方式，似乎只有当你使用一个单独的块时才能起作用。要获得大多数NVIDIA GPU的良好性能，您应该将其划分为多个块。您可以根据您的共享内存约束对其进行调整。当然，在块之间没有__syncthreads()，所以每个块中的线程必须遍历内部循环的整个范围，以及外部循环的一个分区。