CUDA-为什么基于扭曲的并行缩减速度较慢？

我有一个关于基于扭曲的并行缩减的想法，因为根据定义，扭曲的所有线程都是同步的。

因此，想法是输入数据可以减少64倍(每个线程减少两个元素)，而无需任何同步。

与马克·哈里斯(Mark Harris)最初的实现相同，减少量应用于块级别，数据位于共享内存中。 http://gpgpu.org/static/sc2007/SC07_CUDA_5_Optimization_Harris.pdf

我创建了一个内核来测试他的版本和基于warp的版本。
内核本身完全相同地将BLOCK_SIZE元素存储在共享内存中，并在输出数组的唯一块索引处输出其结果。

该算法本身可以正常工作。经过全面测试，以测试“计数”。

实现的函数体:

/**
 * Performs a parallel reduction with operator add
 * on the given array and writes the result with the thread 0
 * to the given target value
 *
 * @param inValues T* Input float array, length must be a multiple of 2 and equal to blockDim.x
 * @param targetValue float
 */
__device__ void reductionAddBlockThread_f(float* inValues,
    float &outTargetVar)
{
    // code of the below functions
}

1.他的版本的实现:

if (blockDim.x >= 1024 && threadIdx.x < 512)
    inValues[threadIdx.x] += inValues[threadIdx.x + 512];
__syncthreads();
if (blockDim.x >= 512 && threadIdx.x < 256)
    inValues[threadIdx.x] += inValues[threadIdx.x + 256];
__syncthreads();
if (blockDim.x >= 256 && threadIdx.x < 128)
    inValues[threadIdx.x] += inValues[threadIdx.x + 128];
__syncthreads();
if (blockDim.x >= 128 && threadIdx.x < 64)
    inValues[threadIdx.x] += inValues[threadIdx.x + 64];
__syncthreads();

//unroll last warp no sync needed
if (threadIdx.x < 32)
{
    if (blockDim.x >= 64) inValues[threadIdx.x] += inValues[threadIdx.x + 32];
    if (blockDim.x >= 32) inValues[threadIdx.x] += inValues[threadIdx.x + 16];
    if (blockDim.x >= 16) inValues[threadIdx.x] += inValues[threadIdx.x + 8];
    if (blockDim.x >= 8) inValues[threadIdx.x] += inValues[threadIdx.x + 4];
    if (blockDim.x >= 4) inValues[threadIdx.x] += inValues[threadIdx.x + 2];
    if (blockDim.x >= 2) inValues[threadIdx.x] += inValues[threadIdx.x + 1];

    //set final value
    if (threadIdx.x == 0)
        outTargetVar = inValues[0];
}

资源:

使用了4个同步线程
12如果使用语句
11个读+添加+写操作
1次最终写入操作
5寄存器使用

性能:

五次测试平均运行时间:〜19.54毫秒

2.基于扭曲的方法:(与上面的函数体相同)

/*
 * Perform first warp based reduction by factor of 64
 *
 * 32 Threads per Warp -> LOG2(32) = 5
 *
 * 1024 Threads / 32 Threads per Warp = 32 warps
 * 2 elements compared per thread -> 32 * 2 = 64 elements per warp
 *
 * 1024 Threads/elements divided by 64 = 16
 *
 * Only half the warps/threads are active
 */
if (threadIdx.x < blockDim.x >> 1)
{
    const unsigned int warpId = threadIdx.x >> 5;
    // alternative threadIdx.x & 31
    const unsigned int threadWarpId = threadIdx.x - (warpId << 5);
    const unsigned int threadWarpOffset = (warpId << 6) + threadWarpId;

    inValues[threadWarpOffset] += inValues[threadWarpOffset + 32];
    inValues[threadWarpOffset] += inValues[threadWarpOffset + 16];
    inValues[threadWarpOffset] += inValues[threadWarpOffset + 8];
    inValues[threadWarpOffset] += inValues[threadWarpOffset + 4];
    inValues[threadWarpOffset] += inValues[threadWarpOffset + 2];
    inValues[threadWarpOffset] += inValues[threadWarpOffset + 1];
}

// synchronize all warps - the local warp result is stored
// at the index of the warp equals the first thread of the warp
__syncthreads();

// use first warp to reduce the 16 warp results to the final one
if (threadIdx.x < 8)
{
    // get first element of a warp
    const unsigned int warpIdx = threadIdx.x << 6;

    if (blockDim.x >= 1024) inValues[warpIdx] += inValues[warpIdx + 512];
    if (blockDim.x >= 512) inValues[warpIdx] += inValues[warpIdx + 256];
    if (blockDim.x >= 256) inValues[warpIdx] += inValues[warpIdx + 128];
    if (blockDim.x >= 128) inValues[warpIdx] += inValues[warpIdx + 64];

    //set final value
    if (threadIdx.x == 0)
        outTargetVar = inValues[0];
}

资源:

使用了1个同步线程
7 if语句
10个读写添加操作
1次最终写入操作
5寄存器使用

5位移位
1添加
1个子

性能:

五次测试平均运行时间:〜20.82毫秒

在 256 浮点值的 Geforce 8800 GT 512 mb 上多次测试两个内核。
并以每块256个线程(100％的占用率)运行内核。

基于warp的版本要慢〜 1.28 毫秒。

如果将来的卡允许更大的块大小，则基于扭曲的方法仍不需要进一步的同步语句，因为最大值为4096，该数量减少为64，最终扭曲为1

为什么速度不快？或者内核的缺点在哪里？

从资源使用情况来看，翘曲方法应该领先吗？

Edit1:更正了内核，即只有一半的线程处于事件状态而不导致读取超出范围，并添加了新的性能数据

最佳答案

我认为您的代码比我的代码慢的原因是，在我的代码中，在第一阶段中，对于每个ADD来说，事件的翘曲只有一半。在您的代码中，所有第一阶段的所有扭曲都处于事件状态。因此，总体而言，您的代码执行更多的扭曲指令。在CUDA中，重要的是要考虑执行的“warp指令”总数，而不仅仅是一个warp所执行的指令数。

另外，仅使用一半的扭曲是没有意义的。启动扭曲时，只有让它们评估两个分支并退出才有开销。

另一个想法是，使用unsigned char和short实际上可能会降低性能。我不确定，但是肯定不会保存您的寄存器，因为它们没有打包到单个32位变量中。

另外，在我的原始代码中，我用模板参数BLOCKDIM替换了blockDim.x，这意味着它仅使用了5个运行时if语句(第二阶段的ifs被编译器消除了)。

顺便说一句，一种便宜的计算threadWarpId的方法是

const int threadWarpId = threadIdx.x & 31;

您可以检查this article了解更多想法。

编辑:
这是基于扭曲的替代块减少方法。

template <typename T, int level>
__device__
void sumReduceWarp(volatile T *sdata, const unsigned int tid)
{
  T t = sdata[tid];
  if (level > 5) sdata[tid] = t = t + sdata[tid + 32];
  if (level > 4) sdata[tid] = t = t + sdata[tid + 16];
  if (level > 3) sdata[tid] = t = t + sdata[tid +  8];
  if (level > 2) sdata[tid] = t = t + sdata[tid +  4];
  if (level > 1) sdata[tid] = t = t + sdata[tid +  2];
  if (level > 0) sdata[tid] = t = t + sdata[tid +  1];
}

template <typename T>
__device__
void sumReduceBlock(T *output, volatile T *sdata)
{
  // sdata is a shared array of length 2 * blockDim.x

  const unsigned int warp = threadIdx.x >> 5;
  const unsigned int lane = threadIdx.x & 31;
  const unsigned int tid  = (warp << 6) + lane;

  sumReduceWarp<T, 5>(sdata, tid);
  __syncthreads();

  // lane 0 of each warp now contains the sum of two warp's values
  if (lane == 0) sdata[warp] = sdata[tid];

  __syncthreads();

  if (warp == 0) {
    sumReduceWarp<T, 4>(sdata, threadIdx.x);
    if (lane == 0) *output = sdata[0];
  }
}

这应该更快一些，因为它使用了在第一阶段启动的所有warp，并且在最后阶段没有分支，但代价是在新的中间阶段需要额外的分支，共享的加载/存储和__syncthreads()。我尚未测试此代码。如果您运行它，请让我知道它的性能。如果您在原始代码中为blockDim使用模板，它可能会再次更快，但是我认为这段代码更加简洁。

请注意，由于Fermi和更高版本的体系结构使用纯加载/存储体系结构，因此使用了临时变量t，因此从共享内存到共享内存的+=会导致额外的负载(因为sdata指针必须是 volatile 的)。显式加载到临时目录中可以避免这种情况。在G80上，它不会影响性能。

关于CUDA-为什么基于扭曲的并行缩减速度较慢？，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/12733084/