我希望加速计算机视觉应用程序,该应用程序可以在Intel CPU上使用FFTW和OpenMP计算许多FFT。但是,对于各种FFT问题大小,我发现cuFFT比使用OpenMP的FFTW慢。

在下面的实验和讨论中,我发现对于批量2D FFT,cuFFT比FFTW慢。 为什么cuFFT这么慢,我能做些什么来使cuFFT更快地运行?

实验(code download)

我们的computer vision application需要在一堆大小为256x256的小平面上进行前向FFT。我在HOG功能上以32的深度运行FFT,因此我使用批处理模式对每个函数调用进行32 FFT。通常,我会执行8个256x256大小的FFT函数调用,批处理大小为32。

FFTW + OpenMP
以下代码在Intel i7-2600 8-core CPU上以 16.0ms 执行。

int depth = 32; int nRows = 256; int nCols = 256; int nIter = 8;
int n[2] = {nRows, nCols};

//if nCols is even, cols_padded = (nCols+2). if nCols is odd, cols_padded = (nCols+1)
int cols_padded = 2*(nCols/2 + 1); //allocate this width, but tell FFTW that it's nCols width
int inembed[2] = {nRows, 2*(nCols/2 + 1)};
int onembed[2] = {nRows, (nCols/2 + 1)}; //default -- equivalent ot onembed=NULL

float* h_in = (float*)malloc(sizeof(float)*nRows*cols_padded*depth);
memset(h_in, 0, sizeof(float)*nRows*cols_padded*depth);
fftwf_complex* h_freq = reinterpret_cast<fftwf_complex*>(h_in); //in-place version

fftwf_plan forwardPlan = fftwf_plan_many_dft_r2c(2, //rank
                                                 n, //dims -- this doesn't include zero-padding
                                                 depth, //howmany
                                                 h_in, //in
                                                 inembed, //inembed
                                                 depth, //istride
                                                 1, //idist
                                                 h_freq, //out
                                                 onembed, //onembed
                                                 depth, //ostride
                                                 1, //odist
                                                 FFTW_PATIENT /*flags*/);
double start = read_timer();
#pragma omp parallel for
for(int i=0; i<nIter; i++){
    fftwf_execute_dft_r2c(forwardPlan, h_in, h_freq);
}
double responseTime = read_timer() - start;
printf("did %d FFT calls in %f ms \n", nIter, responseTime);

cuFFT
以下代码在最上面的NVIDIA K20 GPU上以 21.7ms 执行。请注意,即使我使用流,cuFFT does not run multiple FFTs concurrently
int depth = 32; int nRows = 256; int nCols = 256; int nIter = 8;
int n[2] = {nRows, nCols};

int cols_padded = 2*(nCols/2 + 1); //allocate this width, but tell FFTW that it's nCols width
int inembed[2] = {nRows, 2*(nCols/2 + 1)};
int onembed[2] = {nRows, (nCols/2 + 1)}; //default -- equivalent ot onembed=NULL in FFTW
cufftHandle forwardPlan;
float* d_in; cufftComplex* d_freq;
CHECK_CUFFT(cufftPlanMany(&forwardPlan,
              2, //rank
              n, //dimensions = {nRows, nCols}
              inembed, //inembed
              depth, //istride
              1, //idist
              onembed, //onembed
              depth, //ostride
              1, //odist
              CUFFT_R2C, //cufftType
              depth /*batch*/));

CHECK_CUDART(cudaMalloc(&d_in, sizeof(float)*nRows*cols_padded*depth));
d_freq = reinterpret_cast<cufftComplex*>(d_in);

double start = read_timer();
for(int i=0; i<nIter; i++){

    CHECK_CUFFT(cufftExecR2C(forwardPlan, d_in, d_freq));
}
CHECK_CUDART(cudaDeviceSynchronize());
double responseTime = read_timer() - start;
printf("did %d FFT calls in %f ms \n", nIter, responseTime);

其他注意事项
  • 在GPU版本中,CPU和GPU之间的cudaMemcpy不在我的计算时间内包括了而不是
  • 此处显示的性能数字是几个实验的平均值,其中每个实验有8个FFT函数调用(总共10个实验,因此有80个FFT函数调用)。
  • 我尝试了许多问题大小(例如128x128、256x256、512x512、1024x1024),所有问题的深度均为32。基于nvvp分析器,某些大小(如1024x1024)能够完全饱和GPU。但是,对于所有这些大小,CPU FFTW + OpenMP比cuFFT更快。
  • 最佳答案

    问题可能已经过时了,尽管这是一个可能的解释(因为cuFFT的缓慢性)。

    在为cufftPlanMany构造数据时,GPU的数据排列不是很好。实际上,使用32的istride和ostride意味着没有读取的数据合并在一起。有关读取模式的详细信息,请参见here

    input[b * idist + (x * inembed[1] + y) * istride]
    output[b * odist + (x * onembed[1] + y) * ostride]
    

    在这种情况下,如果i/ostride为32,则合并/优化的可能性很小。 (实际上b是批号)。这是我应用的更改:
        CHECK_CUFFT(cufftPlanMany(&forwardPlan,
                  2, //rank
                  n, //dimensions = {nRows, nCols}
                  inembed, //inembed
                  1,  // WAS: depth, //istride
                  nRows*cols_padded, // WAS: 1, //idist
                  onembed, //onembed
                  1, // WAS: depth, //ostride
                  nRows*cols_padded, // WAS:1, //odist
                  CUFFT_R2C, //cufftType
                  depth /*batch*/));
    

    运行此命令,由于非法内存访问,我进入了未指定的启动失败。您可能要更改内存分配(cufftComplex是两个浮点数,您的分配大小需要一个x2-看起来像一个错字)。
    // WAS : CHECK_CUDART(cudaMalloc(&d_in, sizeof(float)*nRows*cols_padded*depth));
    CHECK_CUDART(cudaMalloc(&d_in, sizeof(float)*nRows*cols_padded*depth*2));
    

    当以这种方式运行时,我的卡获得了x8的性能提升。

    关于cuda - 为什么cuFFT这么慢?,我们在Stack Overflow上找到一个类似的问题:https://stackoverflow.com/questions/18069017/

    10-13 07:03