了解CUDA分析器输出(nvprof)

Question

我只是看看下面的输出，并试图把我的注意力集中在数字上：

==2906== Profiling result:
Time(%)      Time     Calls       Avg       Min       Max  Name
 23.04%  10.9573s     16436  666.67us  64.996us  1.5927ms  sgemm_sm35_ldg_tn_32x16x64x8x16
 22.28%  10.5968s     14088  752.18us  612.13us  1.6235ms  sgemm_sm_heavy_nt_ldg
 18.09%  8.60573s     14088  610.86us  513.05us  1.2504ms  sgemm_sm35_ldg_nn_128x8x128x16x16
 16.48%  7.84050s     68092  115.15us  1.8240us  503.00us  void axpy_kernel_val<float, int=0>(cublasAxpyParamsVal<float>)
...
  0.25%  117.53ms      4744  24.773us     896ns  11.803ms  [CUDA memcpy HtoD]
  0.23%  107.32ms     37582  2.8550us  1.8880us  8.9556ms  [CUDA memcpy DtoH]

...

==2906== API calls:
Time(%)      Time     Calls       Avg       Min       Max  Name
 83.47%  41.8256s     42326  988.18us  16.923us  13.332ms  cudaMemcpy
  9.27%  4.64747s    326372  14.239us  10.846us  11.601ms  cudaLaunch
  1.49%  745.12ms   1502720     495ns     379ns  1.7092ms  cudaSetupArgument
  1.37%  688.09ms      4702  146.34us     879ns  615.09ms  cudaFree
...

当涉及到优化内存访问时，在比较不同的实现时，我真正需要查看的数字是什么？首先，看起来memcpy只接受117.53+107.32ms (双向)，但是接下来有一个API调用cudaMemcpy：41.8256s，它更多。另外，min/avg/max列在上、下输出块之间并不相加。

为什么有差异，什么是“真实”的数字，是重要的，我优化内存传输？

编辑：第二个问题是:是否有一种方法可以确定谁在打axpy_kernel_val (以及打了多少次电话)？

Answer 1

总时间的差异是由于工作异步地启动到GPU。如果您有一个长时间运行的内核或一组内核，没有显式地同步到主机，并跟随它们调用cudaMemcpy，那么cudaMemcpy调用将在内核完成执行之前启动。API调用的总时间是从它启动的那一刻到它完成的那一刻，因此将与执行的内核重叠。如果您通过NVIDIA (nvprof -o xxx ./myApp，然后将xxx导入到nvvp)运行输出，您可以非常清楚地看到这一点。

不同的是，min时间将导致启动开销。虽然API分析考虑了所有的启动开销，但是内核定时只包含其中的一小部分。正如你在这里看到的那样，发射的开销可以是10-20 as。

一般来说，API调用部分让您知道CPU正在做什么，而分析结果则告诉您GPU正在做什么。在这种情况下，我认为您正在使用CPU，因为可以说，cudaMemcpy启动得太早了，而且CPU周期被浪费了。然而，在实践中，从这些空闲周期中获取任何有用的东西通常是困难的或不可能的。