奇怪的cudaMemcpyAsync同步行为

以下代码用于测试cudaMemcpyAsync的同步行为

#include <iostream>
#include <sys/time.h>

#define N 100000000

using namespace std;


int diff_ms(struct timeval t1, struct timeval t2) 
{
    return (((t1.tv_sec - t2.tv_sec) * 1000000) +
            (t1.tv_usec - t2.tv_usec))/1000;
}

double sumall(double *v, int n)
{
    double s=0;
    for (int i=0; i<n; i++) s+=v[i];
    return s;
}


int main()
{
    int i;

    cudaStream_t strm;
    cudaStreamCreate(&strm);

    double *h0;
    double *h1;
    cudaMallocHost(&h0,N*sizeof(double));
    cudaMallocHost(&h1,N*sizeof(double));

    for (i=0; i<N; i++) h0[i]=99./N;
    double *d; 
    cudaMalloc(&d,N*sizeof(double));

    struct timeval t1, t2; gettimeofday(&t1,NULL);
    cudaMemcpyAsync(d,h0,N*sizeof(double),cudaMemcpyHostToDevice,strm);
    gettimeofday(&t2, NULL); printf("cuda H->D %d takes: %d ms\n",i, diff_ms(t2, t1)); gettimeofday(&t1, NULL);
    cudaMemcpyAsync(h1,d,N*sizeof(double),cudaMemcpyDeviceToHost,strm);
    gettimeofday(&t2, NULL); printf("cuda D->H %d takes: %d ms\n",i, diff_ms(t2, t1)); gettimeofday(&t1, NULL);

    cout<<"sum h0: "<<sumall(h0,N)<<endl;
    cout<<"sum h1: "<<sumall(h1,N)<<endl;


    cudaStreamDestroy(strm);
    cudaFree(d);
    cudaFreeHost(h0);
    cudaFreeHost(h1);

    return 0;
}

但是，包含cudaMemcpyAsync调用的时差表明它们没有与主机同步

cuda H->D 100000000 takes: 0 ms
cuda D->H 100000000 takes: 0 ms

因为cuda分析结果不支持这一点：

method=[ memcpyHtoDasync ] gputime=[ 154896.734 ] cputime=[ 17.000 ] 
method=[ memcpyDtoHasync ] gputime=[ 141175.578 ] cputime=[ 6.000 ] 

---

不知道为什么…

这里至少发生了两件事

你的第一个观察是：

sum h0: 99
sum h1: 99

向同一流发出的CUDA调用将按顺序执行。如果您希望CUDA调用彼此重叠，则必须将它们发送到单独的流。由于您在同一个流中向设备和从设备发出cuda memcpy，因此它们将按顺序执行。第二个将不会开始，直到第一个完成，即使两个都立即排队。因此，在第一次cudaMemcpy之后，数据是完整的，并且您可以观察到两个数组都生成了正确的和

你们剩下的观察结果也相互一致。您正在报告：

cuda H->D 100000000 takes: 0 ms
cuda D->H 100000000 takes: 0 ms

这是因为这两个异步调用都会立即将控制权返回到主机线程，并且该调用排队等待异步执行到主机执行。然后，调用与进一步的主机执行并行进行。由于控件已立即返回到主机，并且您正在使用基于主机的计时方法对操作进行计时，因此它们似乎花费了零时间

当然，它们实际上并不需要零时间，您的分析器结果表明了这一点。由于GPU与CPU异步执行（在本例中包括cudaMemcpyAsync），探查器将显示cudaMemcpy操作所需的实际实时时间（报告为gputime）以及CPU上的视在时间，即CPU启动报告为cputime的操作所需的时间量。请注意，与gputime相比，cputime非常小，即它几乎是瞬时的，因此基于主机的计时方法报告零时间。但它们实际上并不是零时间完成的，而探查器报告了这一点

---

如果您使用cudaEvent计时方法，您当然会看到不同的结果，这将更接近您的profiler gputime结果。

这里至少有两种情况

你的第一个观察是：

sum h0: 99
sum h1: 99

向同一流发出的CUDA调用将按顺序执行。如果您希望CUDA调用彼此重叠，则必须将它们发送到单独的流。由于您在同一个流中向设备和从设备发出cuda memcpy，因此它们将按顺序执行。第二个将不会开始，直到第一个完成，即使两个都立即排队。因此，在第一次cudaMemcpy之后，数据是完整的，并且您可以观察到两个数组都生成了正确的和

你们剩下的观察结果也相互一致。您正在报告：

cuda H->D 100000000 takes: 0 ms
cuda D->H 100000000 takes: 0 ms

这是因为这两个异步调用都会立即将控制权返回到主机线程，并且该调用排队等待异步执行到主机执行。然后，调用与进一步的主机执行并行进行。由于控件已立即返回到主机，并且您正在使用基于主机的计时方法对操作进行计时，因此它们似乎花费了零时间

当然，它们实际上并不需要零时间，您的分析器结果表明了这一点。由于GPU与CPU异步执行（在本例中包括cudaMemcpyAsync），探查器将显示cudaMemcpy操作所需的实际实时时间（报告为gputime）以及CPU上的视在时间，即CPU启动报告为cputime的操作所需的时间量。请注意，与gputime相比，cputime非常小，即它几乎是瞬时的，因此基于主机的计时方法报告零时间。但它们实际上并不是零时间完成的，而探查器报告了这一点

---

如果您使用cudaEvent计时方法，您当然会看到不同的结果，这将更接近您的profiler gputime结果。

谢谢您的回答。但是根据你的解释，和h1不应该是99，因为h1从来没有在主机上初始化过，对吗？更奇怪的是，如果我把{{{coutYou初始化主机上的h0。然后将h0复制到设备上的d。然后将设备上的d复制到主机上的h1。为什么您认为主机h1在这个序列之后与主机h0不匹配？现在，关于您在注释中的最后一个问题，注释掉该行之所以会产生差异，是因为d到h的最后一个副本主机上的1也是异步的，因此下面的代码立即开始。主机上的d复制到h1和sumall之间存在竞争条件。显然，h0的sumall为复制到h1提供了足够的时间。感谢Robert！我弄糊涂了的是，如果这两个异步调用都将控制权返回到主机线程immedi当然，h1不会从

---

由于在主机上执行sumallh1时的赛车状况，因此sumallh1不应为99，因为尚未完成复制。感谢您的回答。但是根据你的解释，和h1不应该是99，因为h1从来没有在主机上初始化过，对吗？更奇怪的是，如果我把{{{coutYou初始化主机上的h0。然后将h0复制到设备上的d。然后将设备上的d复制到主机上的h1。为什么您认为主机h1在这个序列之后与主机h0不匹配？现在，关于您在注释中的最后一个问题，注释掉该行之所以会产生差异，是因为d到h的最后一个副本主机上的1也是异步的，因此下面的代码立即开始。主机上的d复制到h1和sumall之间存在竞争条件。显然，h0的sumall为复制到h1提供了足够的时间。感谢Robert！我弄糊涂了的是，如果这两个异步调用都将控制权返回到主机线程immedi当然，在主机上执行sumallh1时，由于赛车状况，h1不会从d获取所有信息，因此sumallh1不应该是99，因为尚未完成复制。