ArrayFire中的定时

Question

我试图用ArrayFire评估简单GPU元素矩阵操作的性能。

特别是考虑到

int N1 = something;
int N2 = something;

array A_D = constant(1.,N1*N2,1,f64);
array B_D = constant(1.,N1*N2,1,f64);
array C_D = constant(1.,N1*N2,1,f64);
array D_D = constant(1.,N1*N2,1,f64);

我想执行以下指令的时间

D_D = A_D + B_D + C_D + 3.;

我用了两种方法。第一个是

timer  time_last;
time_last = timer::start();

D_D = A_D + B_D + C_D + 3.;

double elapsed = timer::stop(time_last);
printf("elapsed time using start and stop = %g ms \n",1000.*elapsed);

第二个是定义以下函数

void timing_test()
{
    int N1 = something;
int N2 = something;

    array A_D = constant(1.,N1*N2,1,f64);
    array B_D = constant(1.,N1*N2,1,f64);
    array C_D = constant(1.,N1*N2,1,f64);
    array D_D = constant(1.,N1*N2,1,f64);

    D_D = A_D + B_D + C_D + 3.;
}

然后打电话

printf("elapsed time using timeit %g ms \n", 1000.*timeit(timing_test));

我取得了以下结果：

(N1,N2)=(256,256)第一方法= 0.0456ms第二方法= 0.264ms

(N1,N2)=(512,512)第一方法= 0.0451ms第二方法= 0.264ms

(N1,N2)=(1024,1024)第一方法= 0.0457ms第二方法= 0.263ms

(N1,N2)=(2048,2048)第一方法= 0.127ms第二方法= 0.265ms

我还使用了以下表达式的“手工编码”版本

cudaEventCreate(&start);
cudaEventCreate(&stop);
cudaEventRecord(start, 0);

eval_matrix_wrap_handcoded(A_D,B_D,C_D,D_D,N1*N2);

cudaEventRecord(stop, 0);
cudaEventSynchronize(stop);
cudaEventElapsedTime(&time, start, stop);

template <class T1, class T2, class T3, class T4>
__global__ inline void evaluation_matrix_handcoded(T1 *A_D, T2 *B_D, T3 *C_D, T4 *D_D, int NumElements)
{
    const int i = blockDim.x * blockIdx.x + threadIdx.x;
    if(i < NumElements) D_D[i]=A_D[i]+B_D[i]+C_D[i]+3.;
}

__host__ void eval_matrix_wrap_handcoded(double *A_D, double *B_D, double *C_D, double *D_D, int NumElements)
{
    dim3 dimGrid(iDivUp(NumElements,dimBlock.x));
    evaluation_matrix_handcoded<<<dimGrid,dimBlock>>>(A_D,B_D,C_D,D_D,NumElements);
}

获取以下信息

(N1,N2)=(256,256) 0.0897ms

(N1,N2)=(512,512) 0.339ms

(N1,N2)=(1024,1024) 1.3ms

(N1,N2)=(2048,2048) 5.37ms

奇怪的是

1. 两种方法的结果是不同的。这可能是由于函数调用开销造成的，但奇怪的是，当(N1,N2)=(2048,2048)时，这种开销会发生变化。
2. 这两种方法的结果几乎不依赖于矩阵的大小。
3. 与表达式的“手工编码”版本相比，结果有很大不同(我假设库应该具有生产力-性能权衡)。

请注意，在任何操作之前，我将使用以下代码对GPU进行热身

array test1(1,5);
test1(0,0)=1;
test1(0,1)=2;
test1(0,2)=3;
test1(0,3)=4;
test1(0,4)=5;

有人能帮我解释一下上面的结果吗？谢谢。

编辑帕文的答案

第一种方法

timer  time_last;
time_last = timer::start();

D_D = A_D + B_D + C_D + 3.;
D_D.eval();
af::sync();

double elapsed = timer::stop(time_last);
printf("elapsed time using start and stop = %g ms \n",1000.*elapsed);

第二种方法

void timing_test()
{
    int N1 = something;
    int N2 = something;

    array A_D = constant(1.,N1*N2,1,f64);
    array B_D = constant(1.,N1*N2,1,f64);
    array C_D = constant(1.,N1*N2,1,f64);
    array D_D = constant(1.,N1*N2,1,f64);

    D_D = A_D + B_D + C_D + 3.;
    D_D.eval();
}

然而，现在的时机是

`(N1,N2)=(256,256)`  first approach = `14.7ms`  second approach = `2.04ms`

`(N1,N2)=(512,512)`  first approach = `14.3ms`  second approach = `2.04ms`

`(N1,N2)=(1024,1024)`  first approach = `14.09ms`  second approach = `2.04ms`

`(N1,N2)=(2048,2048)`  first approach = `16.47ms`  second approach = `2.04ms`

我仍然有不同的时间和独立于向量大小。

如果我将第一个方法修改为

D_D = A_D + B_D + C_D + 3.;
D_D.eval();

timer  time_last;
time_last = timer::start();

D_D = A_D + B_D + C_D + 3.;
D_D.eval();
af::sync();

double elapsed = timer::stop(time_last);
printf("elapsed time using start and stop = %g ms \n",1000.*elapsed);

即我“增加”GPU的热身阶段，我得到的第一种方法，

`(N1,N2)=(256,256)`  `0.19ms`

`(N1,N2)=(512,512)`  `0.42ms`

`(N1,N2)=(1024,1024)`  `1.18ms`

`(N1,N2)=(2048,2048)`  `4.2ms`

这对我来说似乎更合理，因为时间取决于数据大小，而且更接近手工编码。

第二次编辑总结:我已经说明了答案和评论，对于第一种方法，我正在使用

D_D = A_D + B_D + C_D + 3.;
D_D.eval();

timer  time_last;
af::sync();
time_last = timer::start();

D_D = A_D + B_D + C_D + 3.;
D_D.eval();
af::sync();

double elapsed = timer::stop(time_last);
printf("elapsed time using start and stop = %g ms \n",1000.*elapsed);

我正在获得以下(新的)结果：

`(N1,N2)=(256,256)`  `0.18ms`

`(N1,N2)=(512,512)`  `0.30ms`

`(N1,N2)=(1024,1024)`  `0.66ms`

`(N1,N2)=(2048,2048)`  `2.18ms`

Answer 1

ArrayFire使用实时编译器对元素进行操作(这包括算术、逻辑、三角和其他数学操作)。

这意味着

D_D = A_D + B_D + C_D + 3.;

作为表达式存储，直到用户或另一个非jit函数请求D_D的值为止。

如果使用af::eval()函数或eval()方法，则可以强制计算这些表达式。

因此，对于您的特殊问题，请对这两种方法使用D_D.eval()。您还需要对第一个方法执行af::sync()。timeit()不需要显式同步。