CUDA Dot产品

Question

我正在尝试为双精度数组实现经典的点积内核，并对各个块的最终和进行原子计算。在programming guide.Probably的第116页中，我使用atomicAdd实现了双精度。我正在做一些事情，每个块中的线程的部分和都可以正确计算，但之后原子操作似乎不能正常工作，因为每次我使用相同的数据运行内核时，我都会收到不同的结果。如果有人能发现错误或提供替代解决方案，我将不胜感激！下面是我的内核：

__global__ void cuda_dot_kernel(int *n,double *a, double *b, double *dot_res)
{
    __shared__ double cache[threadsPerBlock]; //thread shared memory
    int global_tid=threadIdx.x + blockIdx.x * blockDim.x;
    int i=0,cacheIndex=0;
    double temp = 0;
    cacheIndex = threadIdx.x;
    while (global_tid < (*n)) {
        temp += a[global_tid] * b[global_tid];
        global_tid += blockDim.x * gridDim.x;
    }
    cache[cacheIndex] = temp;
    __syncthreads();
    for (i=blockDim.x/2; i>0; i>>=1) {
        if (threadIdx.x < i) {
            cache[threadIdx.x] += cache[threadIdx.x + i];
        }
        __syncthreads();
    }
    __syncthreads();
    if (cacheIndex==0) {
        *dot_res=cuda_atomicAdd(dot_res,cache[0]);
    }
}

下面是我的设备函数atomicAdd：

__device__ double cuda_atomicAdd(double *address, double val)
{
    double assumed,old=*address;
    do {
        assumed=old;
        old= __longlong_as_double(atomicCAS((unsigned long long int*)address,
                    __double_as_longlong(assumed),
                    __double_as_longlong(val+assumed)));
    }while (assumed!=old);

    return old;
}

Answer 1

您错误地使用了cuda_atomicAdd函数。内核的这一部分：

if (cacheIndex==0) {
    *dot_res=cuda_atomicAdd(dot_res,cache[0]);
}

才是罪魁祸首。在这里，您可以原子地添加到dot_res。然后用它返回的结果非原子地设置dot_res。此函数的返回结果是被原子更新的位置的前一个值，它仅供“信息”或调用者的本地使用。你没有把它分配给你原子更新的东西，这完全违背了使用原子内存访问的初衷。改为这样做：

if (cacheIndex==0) {
    double result=cuda_atomicAdd(dot_res,cache[0]);
}

Answer 2

使用即席CUDA代码获得正确的缩减可能很棘手，因此这里有一个使用推力算法的替代解决方案，该算法包含在CUDA工具包中：

#include <thrust/inner_product.h>
#include <thrust/device_ptr.h>

double do_dot_product(int n, double *a, double *b)
{
  // wrap raw pointers to device memory with device_ptr
  thrust::device_ptr<double> d_a(a), d_b(b);

  // inner_product implements a mathematical dot product
  return thrust::inner_product(d_a, d_a + n, d_b, 0.0);
}

Answer 3

我没有检查你的代码的深度，但这里有一些建议。

我只建议使用推力，如果你只使用你的gpu来完成这些通用的任务，因为如果一个复杂的问题会出现，人们没有想法在GPU上高效地编程并行。

1. 启动了一个新的并行归约内核来总结点积。

由于数据已经在设备上，因此启动新内核不会降低性能。

• 你的内核似乎没有在最新的GPU上扩展到最大数量的块。如果是这样的话，并且您的内核能够计算数百万个值的点积，那么由于序列化的原子范围错误:您的输入数据和共享内存访问范围是否检查了，性能将显著降低？或者您确定输入数据始终是块大小的倍数？否则你会读到垃圾。我的大多数错误结果都是由于这个错误。

• 优化您的并行缩减。My Thesis或Optimisations Mark Harris

未经测试，我只是把它写在记事本上：

/*
 * @param inCount_s unsigned long long int Length of both input arrays
 * @param inValues1_g double* First value array
 * @param inValues2_g double* Second value array
 * @param outDots_g double* Output dots of each block, length equals the number of blocks
 */
__global__ void dotProduct(const unsigned long long int inCount_s,
    const double* inValuesA_g,
    const double* inValuesB_g,
    double* outDots_g)
{
    //get unique block index in a possible 3D Grid
    const unsigned long long int blockId = blockIdx.x //1D
            + blockIdx.y * gridDim.x //2D
            + gridDim.x * gridDim.y * blockIdx.z; //3D


    //block dimension uses only x-coordinate
    const unsigned long long int tId = blockId * blockDim.x + threadIdx.x;

    /*
     * shared value pair products array, where BLOCK_SIZE power of 2
     *
     * To improve performance increase its size by multiple of BLOCK_SIZE, so that each threads loads more then 1 element!
     * (outDots_g length decreases by same factor, and you need to range check and initialize memory)
     * -> see harris gpu optimisations / parallel reduction slides for more informations.
     */
    __shared__ double dots_s[BLOCK_SIZE];


    /*
     * initialize shared memory array and calculate dot product of two values, 
     * shared memory always needs to be initialized, its never 0 by default, else garbage is read later!
     */
    if(tId < inCount_s)
        dots_s[threadIdx.x] = inValuesA_g[tId] * inValuesB_g[tId];
    else
        dots_s[threadIdx.x] = 0;
    __syncthreads();

    //do parallel reduction on shared memory array to sum up values
    reductionAdd(dots_s, dots_s[0]) //see my thesis link

    //output value
    if(threadIdx.x == 0)
        outDots_g[0] = dots_s[0];

    //start new parallel reduction kernel to sum up outDots_g!
}

编辑:删除不必要的点。