Optimization Cudamalochost与malloc在性能上的表现并无差异
我经历过这一切。从这里我得到了使用cudamalochost的固定内存比cudamaloc提供了更好的性能。然后我使用了两个不同的简单程序,测试了执行时间 使用cudamalochostOptimization Cudamalochost与malloc在性能上的表现并无差异,optimization,cuda,timing,copying,benchmarking,Optimization,Cuda,Timing,Copying,Benchmarking,我经历过这一切。从这里我得到了使用cudamalochost的固定内存比cudamaloc提供了更好的性能。然后我使用了两个不同的简单程序,测试了执行时间 使用cudamalochost #include <stdio.h> #include <cuda.h> // Kernel that executes on the CUDA device __global__ void square_array(float *a, int N) { int idx = blo
#include <stdio.h>
#include <cuda.h>
// Kernel that executes on the CUDA device
__global__ void square_array(float *a, int N)
{
int idx = blockIdx.x * blockDim.x + threadIdx.x;
if (idx<N) a[idx] = a[idx] * a[idx];
}
// main routine that executes on the host
int main(void)
{
clock_t start;
start=clock();/* Line 8 */
clock_t finish;
float *a_h, *a_d; // Pointer to host & device arrays
const int N = 100000; // Number of elements in arrays
size_t size = N * sizeof(float);
cudaMallocHost((void **) &a_h, size);
//a_h = (float *)malloc(size); // Allocate array on host
cudaMalloc((void **) &a_d, size); // Allocate array on device
// Initialize host array and copy it to CUDA device
for (int i=0; i<N; i++) a_h[i] = (float)i;
cudaMemcpy(a_d, a_h, size, cudaMemcpyHostToDevice);
// Do calculation on device:
int block_size = 4;
int n_blocks = N/block_size + (N%block_size == 0 ? 0:1);
square_array <<< n_blocks, block_size >>> (a_d, N);
// Retrieve result from device and store it in host array
cudaMemcpy(a_h, a_d, sizeof(float)*N, cudaMemcpyDeviceToHost);
// Print results
for (int i=0; i<N; i++) printf("%d %f\n", i, a_h[i]);
// Cleanup
cudaFreeHost(a_h);
cudaFree(a_d);
finish = clock() - start;
double interval = finish / (double)CLOCKS_PER_SEC;
printf("%f seconds elapsed", interval);
}
#包括
#包括
//在CUDA设备上执行的内核
__全局数组(浮点*a,整数N)
{
int idx=blockIdx.x*blockDim.x+threadIdx.x;
如果(idx如果您想查看复制操作的执行时间差异,只需对复制操作计时。在许多情况下,当底层mememory被固定时,您将看到复制操作的执行时间差异约为2倍。请将复制操作设置为足够大/足够长,以使您远远高于granul您正在使用的任何计时机制的多样性。各种各样的工具,如VisualProfiler和nvprof
可以在这里提供帮助
引擎盖下的cudamalochost
操作执行类似于malloc
的操作,并添加操作系统功能以“锁定”与分配相关联的每个页面。与只执行malloc
相比,这些额外的操作系统操作需要额外的时间。请注意,随着分配大小的增加,注册(“固定”)成本通常也会增加
因此,对于许多示例来说,仅仅对整体执行进行计时并没有显示出太大的差异,因为虽然从固定内存执行cudaMemcpy
操作可能更快,但是cudaMallocHost
比相应的malloc
花费的时间更长
那有什么意义呢
当您将从单个缓冲区重复传输时,您可能对使用固定内存(即cudamalochost
)感兴趣。您只需支付固定一次的额外费用,但每次传输/使用都会使您受益
将数据传输操作(cudaMemcpyAsync
)与计算活动(内核调用)重叠需要固定内存。请参阅
我也发现仅仅在一段内存中声明cudaHostAlloc/cudamalochost并没有多大作用。
可以肯定的是,使用--print gpu跟踪进行nvprof,然后查看memcpyHtoD或memcpyDtoH的吞吐量是否良好。对于PCI2.0,您应该获得大约6-8gbps的吞吐量
然而,固定内存是cudaMemcpyAsync的额外条件。
在我调用cudaMemcpyAsync之后,我转移了主机上所有的计算,这样你就可以用主机计算“分层”异步memcpy
我很惊讶这样可以节省大量时间,值得一试。仅100000个元素几乎看不出有什么不同。您可能需要运行“带宽测试”来自的CUDA示例。它运行一个更复杂的测试,其中差异应该是可见的。内存传输可能只是您正在测量的时间的一小部分。使用更高分辨率的计时器,仅测量cudaMemcpy调用,您可能会注意到差异。或者使用CUDA toolkit适用于您的平台。如果我取较大的N值,如N=16*1024*1024,结果与预期不符。它们不是平方根,而是“I”的值。为什么会出现这种异常行为?我还尝试使用malloc()而不是cudaHostMalloc()。
#include <stdio.h>
#include <cuda.h>
// Kernel that executes on the CUDA device
__global__ void square_array(float *a, int N)
{
int idx = blockIdx.x * blockDim.x + threadIdx.x;
if (idx<N) a[idx] = a[idx] * a[idx];
}
// main routine that executes on the host
int main(void)
{
clock_t start;
start=clock();/* Line 8 */
clock_t finish;
float *a_h, *a_d; // Pointer to host & device arrays
const int N = 100000; // Number of elements in arrays
size_t size = N * sizeof(float);
a_h = (float *)malloc(size); // Allocate array on host
cudaMalloc((void **) &a_d, size); // Allocate array on device
// Initialize host array and copy it to CUDA device
for (int i=0; i<N; i++) a_h[i] = (float)i;
cudaMemcpy(a_d, a_h, size, cudaMemcpyHostToDevice);
// Do calculation on device:
int block_size = 4;
int n_blocks = N/block_size + (N%block_size == 0 ? 0:1);
square_array <<< n_blocks, block_size >>> (a_d, N);
// Retrieve result from device and store it in host array
cudaMemcpy(a_h, a_d, sizeof(float)*N, cudaMemcpyDeviceToHost);
// Print results
for (int i=0; i<N; i++) printf("%d %f\n", i, a_h[i]);
// Cleanup
free(a_h); cudaFree(a_d);
finish = clock() - start;
double interval = finish / (double)CLOCKS_PER_SEC;
printf("%f seconds elapsed", interval);
}