Cuda L2传输开销

Question

我有一个用atomicMin测试渲染点的内核。测试设置在概念用例内存布局中有大量的点。两个缓冲器，一个uint32，用于256 x uint32集群。

namespace Point
{
struct PackedBitfield
{
    glm::uint32_t x : 6;
    glm::uint32_t y : 6;
    glm::uint32_t z : 6;
    glm::uint32_t nx : 4;
    glm::uint32_t ny : 4;
    glm::uint32_t nz : 4;
    glm::uint32_t unused : 2;
};

union __align__(4) Packed
{
    glm::uint32_t bits;
    PackedBitfield field;
};

struct ClusterPositionBitfield
{
    glm::uint32_t x : 10;
    glm::uint32_t y : 10;
    glm::uint32_t z : 10;
    glm::uint32_t w : 2;
};

union ClusterPosition
{
    glm::uint32_t bits;
    ClusterPositionBitfield field;
};
}

//
// launch with blockSize=(256, 1, 1) and grid=(numberOfClusters, 1, 1)
//
extern "C" __global__ void pointsRenderKernel(mat4 u_mvp,
                    ivec2 u_resolution,
                    uint64_t* rasterBuffer,
                    Point::Packed* points, 
                    Point::ClusterPosition* clusterPosition)
{
// extract and compute world position
const Point::ClusterPosition cPosition(clusterPosition[blockIdx.x]);
const Point::Packed point(points[blockIdx.x*256 + threadIdx.x]);

...use points and write to buffer...

}

由此产生的SASS如下所示：

​

​

查看内存分析器输出:来自Point::Packed*缓冲区读取的Point::Packed*传输开销是3.0。为什么会这样？内存应该是完全对齐和顺序的。此外，为什么这会自动生成LDG(compute_50，sm_50)？我不需要这个缓存。

Answer 1

在用于L2传输开销的工具提示中，它表示它测量“L1和L2之间为L1中的每个请求字节实际传输的字节数”，并且它还表示“越低越好”。

在我的例子中，L2读取Point::Packed的传输开销是1.0。

​

​

测试代码

namespace Point
{
    struct PackedBitfield
    {
        uint32_t x : 6;
        uint32_t y : 6;
        uint32_t z : 6;
        uint32_t nx : 4;
        uint32_t ny : 4;
        uint32_t nz : 4;
        uint32_t unused : 2;
    };

    union __align__(4) Packed
    {
        uint32_t bits;
        PackedBitfield field;
    };

    struct ClusterPositionBitfield
    {
        uint32_t x : 10;
        uint32_t y : 10;
        uint32_t z : 10;
        uint32_t w : 2;
    };

    union ClusterPosition
    {
        uint32_t bits;
        ClusterPositionBitfield field;
    };
}

__global__ void pointsRenderKernel(Point::Packed* points, Point::ClusterPosition* clusterPosition)
{
    int t_id = blockIdx.x * blockDim.x + threadIdx.x;

    clusterPosition[blockIdx.x + blockDim.x] = clusterPosition[blockIdx.x];
    points[t_id + blockDim.x * gridDim.x] = points[t_id];
}

void main()
{
    int blockSize = 256;
    int numberOfClusters = 256;

    std::cout << sizeof(Point::Packed) << std::endl;
    std::cout << sizeof(Point::ClusterPosition) << std::endl;

    Point::Packed *d_points;
    cudaMalloc(&d_points, sizeof(Point::Packed) * numberOfClusters * blockSize * 2);

    Point::ClusterPosition *d_clusterPositions;
    cudaMalloc(&d_points, sizeof(Point::ClusterPosition) * numberOfClusters * 2);

    pointsRenderKernel<<<numberOfClusters, blockSize>>>(d_points, d_clusterPositions);
}

更新

在我使用最新的司机之前，我在Nsight上遇到了其他一些问题。我将驱动程序降级为默认的CUDA 8.0.61安装程序(从这里下载)附带的版本，并修复了这个问题。安装程序附带的版本是376.51。在Windows 10 64位和Visual 2015上进行了测试，Nsight版本为5.2，我的显卡为cc6.1。

这是我的完整编译器命令：

nvcc.exe -gencode=arch=compute_61，code=\"sm_61，compute_61\“-使用-本地-env-cl-2015年版-Xcompiler "/wd 4819”-ccbin "C:\Program (x86)\Microsoft 14.0\VC\bin\x86_amd64“-I"C:\Program \NVIDIA计算工具包\CUDA\v8.0\包括”-lineinfo -保持-dir x 64 \Release-maxrregcount=0-机器64--编译-cudart静态-DWIN32 -DWIN64 -DNDEBUG -D_CONSOLE -D_MBCS -Xcompiler "/EHsc /W3 /nologo /O2 /FS /Zi /MD“-o x64\Release\kernel.cu.obj kernel.cu”

更新2

当我使用sm_50,compute_50选项编译时，我得到了相同的结果：1.0用于L2传输开销。