在前面的兩文章中，我們研究了如何在主機和設備之間高效地移動數據。在我們的 CUDA C / C ++系列的第六篇文章中，我們將討論如何有效地從內核中訪問設備存儲器，特別是全局內存。

在 CUDA 設備上有幾種內存，每種內存的作用域、生存期和緩存行為都不同。到目前為止，在本系列中，我們已經使用了駐留在設備 DRAM 中的全局內存，用于主機和設備之間的傳輸，以及內核的數據輸入和輸出。這里的名稱global是指作用域，因為它可以從主機和設備訪問和修改。全局內存可以像下面代碼片段的第一行那樣使用__device__de Clara 說明符在全局（變量）范圍內聲明，或者使用cudaMalloc()動態分配并分配給一個常規的 C 指針變量，如第 7 行所示。全局內存分配可以在應用程序的生命周期內保持。根據設備的計算能力，全局內存可能被緩存在芯片上，也可能不在芯片上緩存。

__device__ int globalArray[256];

void foo()
{
    ...
    int *myDeviceMemory = 0;
    cudaError_t result = cudaMalloc(&myDeviceMemory, 256 * sizeof(int));
    ...

}在討論全局內存訪問性能之前，我們需要改進對 CUDA 執行模型的理解。我們已經討論了如何將線程被分組為線程塊分配給設備上的多處理器。在執行過程中，有一個更精細的線程分組到warps。 GPU 上的多處理器以 SIMD （單指令多數據）方式為每個扭曲執行指令。所有當前支持 CUDA – 的 GPUs 的翹曲尺寸（實際上是 SIMD 寬度）是 32 個線程。

全局內存合并

將線程分組為扭曲不僅與計算有關，而且與全局內存訪問有關。設備coalesces全局內存加載并存儲由一個 warp 線程發出的盡可能少的事務，以最小化 DRAM 帶寬（在計算能力小于 2 . 0 的舊硬件上，事務合并在 16 個線程的一半扭曲內，而不是整個扭曲中）。為了弄清楚 CUDA 設備架構中發生聚結的條件，我們在三個 Tesla 卡上進行了一些簡單的實驗： a Tesla C870 （計算能力 1 . 0 ）、 Tesla C1060 （計算能力 1 . 3 ）和 Tesla C2050 （計算能力 2 . 0 ）。

我們運行兩個實驗，使用如下代碼（GitHub 上也有）中所示的增量內核的變體，一個具有數組偏移量，這可能導致對輸入數組的未對齊訪問，另一個是對輸入數組的跨步訪問。

#include
#include

// Convenience function for checking CUDA runtime API results
// can be wrapped around any runtime API call. No-op in release builds.
inline
cudaError_t checkCuda(cudaError_t result)
{
#if defined(DEBUG) || defined(_DEBUG)
  if (result != cudaSuccess) {
    fprintf(stderr, "CUDA Runtime Error: %sn", cudaGetErrorString(result));
    assert(result == cudaSuccess);
  }
#endif
  return result;
}

template
__global__ void offset(T* a, int s)
{
  int i = blockDim.x * blockIdx.x + threadIdx.x + s;
  a[i] = a[i] + 1;
}

template
__global__ void stride(T* a, int s)
{
  int i = (blockDim.x * blockIdx.x + threadIdx.x) * s;
  a[i] = a[i] + 1;
}

template
void runTest(int deviceId, int nMB)
{
  int blockSize = 256;
  float ms;

  T *d_a;
  cudaEvent_t startEvent, stopEvent;

  int n = nMB*1024*1024/sizeof(T);

  // NB:  d_a(33*nMB) for stride case
  checkCuda( cudaMalloc(&d_a, n * 33 * sizeof(T)) );

  checkCuda( cudaEventCreate(&startEvent) );
  checkCuda( cudaEventCreate(&stopEvent) );

  printf("Offset, Bandwidth (GB/s):n");

  offset<<>>(d_a, 0); // warm up

  for (int i = 0; i <= 32; i++) {
    checkCuda( cudaMemset(d_a, 0.0, n * sizeof(T)) );

    checkCuda( cudaEventRecord(startEvent,0) );
    offset<<>>(d_a, i);
    checkCuda( cudaEventRecord(stopEvent,0) );
    checkCuda( cudaEventSynchronize(stopEvent) );

    checkCuda( cudaEventElapsedTime(&ms, startEvent, stopEvent) );
    printf("%d, %fn", i, 2*nMB/ms);
  }

  printf("n");
  printf("Stride, Bandwidth (GB/s):n");

  stride<<>>(d_a, 1); // warm up
  for (int i = 1; i <= 32; i++) {
    checkCuda( cudaMemset(d_a, 0.0, n * sizeof(T)) );

    checkCuda( cudaEventRecord(startEvent,0) );
    stride<<>>(d_a, i);
    checkCuda( cudaEventRecord(stopEvent,0) );
    checkCuda( cudaEventSynchronize(stopEvent) );

    checkCuda( cudaEventElapsedTime(&ms, startEvent, stopEvent) );
    printf("%d, %fn", i, 2*nMB/ms);
  }

  checkCuda( cudaEventDestroy(startEvent) );
  checkCuda( cudaEventDestroy(stopEvent) );
  cudaFree(d_a);
}

int main(int argc, char **argv)
{
  int nMB = 4;
  int deviceId = 0;
  bool bFp64 = false;

  for (int i = 1; i < argc; i++) {
    if (!strncmp(argv[i], "dev=", 4))
      deviceId = atoi((char*)(&argv[i][4]));
    else if (!strcmp(argv[i], "fp64"))
      bFp64 = true;
  }

  cudaDeviceProp prop;

  checkCuda( cudaSetDevice(deviceId) )
  ;
  checkCuda( cudaGetDeviceProperties(&prop, deviceId) );
  printf("Device: %sn", prop.name);
  printf("Transfer size (MB): %dn", nMB);

  printf("%s Precisionn", bFp64 ? "Double" : "Single");

  if (bFp64) runTest(deviceId, nMB);
  else       runTest(deviceId, nMB);?

}此代碼可以通過傳遞“ fp64 ”命令行選項以單精度（默認值）或雙精度運行偏移量內核和跨步內核。每個內核接受兩個參數，一個輸入數組和一個表示訪問數組元素的偏移量或步長的整數。內核在一系列偏移和跨距的循環中被稱為。

未對齊的數據訪問

下圖顯示了 Tesla C870 、 C1060 和 C2050 上的偏移內核的結果。

設備內存中分配的數組由 CUDA 驅動程序與 256 字節內存段對齊。該設備可以通過 32 字節、 64 字節或 128 字節的事務來訪問全局內存。對于 C870 或計算能力為 1 . 0 的任何其他設備，半線程的任何未對齊訪問（或半扭曲線程不按順序訪問內存的對齊訪問）將導致 16 個獨立的 32 字節事務。由于每個 32 字節事務只請求 4 個字節，因此可以預期有效帶寬將減少 8 倍，這與上圖（棕色線）中看到的偏移量（不是 16 個元素的倍數）大致相同，對應于線程的一半扭曲。

對于計算能力為 1 . 2 或 1 . 3 的 Tesla C1060 或其他設備，未對準訪問的問題較少。基本上，通過半個線程對連續數據的未對齊訪問在幾個“覆蓋”請求的數據的事務中提供服務。由于未請求的數據正在傳輸，以及不同的半翹曲所請求的數據有些重疊，因此相對于對齊的情況仍然存在性能損失，但是這種損失遠遠小于 C870 。

計算能力為 2 . 0 的設備，如 Tesla C250 ，在每個多處理器中都有一個 L1 緩存，其行大小為 128 字節。該設備將線程的訪問合并到盡可能少的緩存線中，從而導致對齊對跨線程順序內存訪問吞吐量的影響可以忽略不計。

快速內存訪問

步幅內核的結果如下圖所示。

對于快速的全局內存訪問，我們有不同的看法。對于大步進，無論架構版本如何，有效帶寬都很差。這并不奇怪：當并發線程同時訪問物理內存中相距很遠的內存地址時，硬件就沒有機會合并這些訪問。從上圖中可以看出，在 Tesla C870 上，除 1 以外的任何步幅都會導致有效帶寬大幅降低。這是因為 compute capability 1 . 0 和 1 . 1 硬件需要跨線程進行線性、對齊的訪問以進行合并，因此我們在 offset 內核中看到了熟悉的 1 / 8 帶寬。 Compute capability 1 . 2 及更高版本的硬件可以將訪問合并為對齊的段（ CC 1 . 2 / 1 . 3 上為 32 、 64 或 128 字節段，在 CC 2 . 0 及更高版本上為 128 字節緩存線），因此該硬件可以產生平滑的帶寬曲線。

當訪問多維數組時，線程通常需要索引數組的更高維，因此快速訪問是不可避免的。我們可以使用一種名為共享內存的 CUDA 內存來處理這些情況。共享內存是一個線程塊中所有線程共享的片上內存。共享內存的一個用途是將多維數組的 2D 塊以合并的方式從全局內存提取到共享內存中，然后讓連續的線程跨過共享內存塊。與全局內存不同，對共享內存的快速訪問沒有懲罰。我們將在下一篇文章中詳細介紹共享內存。

概括

在這篇文章中，我們討論了如何從 CUDA 內核代碼中有效地訪問全局內存的一些方面。設備上的全局內存訪問與主機上的數據訪問具有相同的性能特征，即數據局部性非常重要。在早期的 CUDA 硬件中，內存訪問對齊和跨線程的局部性一樣重要，但在最近的硬件上，對齊并不是什么大問題。另一方面，快速的內存訪問會損害性能，使用片上共享內存可以減輕這種影響。在下一篇文章中，我們將詳細探討共享內存，之后的文章中，我們將展示如何使用共享內存來避免在矩陣轉置過程中出現跨步全局內存訪問。

關于作者

Mark Harris 是 NVIDIA 杰出的工程師，致力于 RAPIDS 。 Mark 擁有超過 20 年的 GPUs 軟件開發經驗，從圖形和游戲到基于物理的模擬，到并行算法和高性能計算。當他還是北卡羅來納大學的博士生時，他意識到了一種新生的趨勢，并為此創造了一個名字： GPGPU （圖形處理單元上的通用計算）。

審核編輯：郭婷