使用PyCUDA的Python多处理
我有一个问题,我想分割多个CUDA设备,但我怀疑我目前的系统架构阻碍了我 我设置的是一个GPU类,带有在GPU上执行操作的函数(奇怪的是)。这些操作的风格相同使用PyCUDA的Python多处理,python,cuda,parallel-processing,multiprocessing,pycuda,Python,Cuda,Parallel Processing,Multiprocessing,Pycuda,我有一个问题,我想分割多个CUDA设备,但我怀疑我目前的系统架构阻碍了我 我设置的是一个GPU类,带有在GPU上执行操作的函数(奇怪的是)。这些操作的风格相同 for iteration in range(maxval): result[iteration]=gpuinstance.gpufunction(arguments,iteration) 我原以为N个设备会有N个GPUInstance,但我对多处理的了解还不够,无法找到最简单的方法来应用它,以便异步分配每个设备,而且奇怪的是,
for iteration in range(maxval):
result[iteration]=gpuinstance.gpufunction(arguments,iteration)
我原以为N个设备会有N个GPUInstance,但我对多处理的了解还不够,无法找到最简单的方法来应用它,以便异步分配每个设备,而且奇怪的是,我遇到的示例中很少给出处理后整理结果的具体演示
有人能在这方面给我指点吗
更新
感谢Kaloyan在多处理领域的指导;如果CUDA不是特别的症结所在,我会把你标记为答案。对不起
显然,为了使用此实现,gpuinstance类使用import pycuda.autoinit启动了CUDA设备,但这似乎不起作用,只要每个(范围正确的)线程遇到CUDA命令,就会抛出无效上下文
错误。然后,我尝试在类的\uuuuu init\uuuu
构造函数中使用
pycuda.driver.init()
self.mydev=pycuda.driver.Device(devid) #this is passed at instantiation of class
self.ctx=self.mydev.make_context()
self.ctx.push()
我在这里的假设是,在创建gpuinstance列表和线程使用它们时,上下文会被保留,因此每个设备都在其自己的上下文中处于最佳状态
(我还实现了一个析构函数来处理pop/detach
cleanup)
问题是,无效上下文
异常仍然会在线程尝试触摸CUDA时出现
各位有什么想法吗?多亏走了这么远。自动向上投票给那些在答案中加入“香蕉”的人P
您需要的是
map
内置函数的多线程实现。这是一个实现。只要稍作修改以满足您的特殊需要,您就可以:
import threading
def cuda_map(args_list, gpu_instances):
result = [None] * len(args_list)
def task_wrapper(gpu_instance, task_indices):
for i in task_indices:
result[i] = gpu_instance.gpufunction(args_list[i])
threads = [threading.Thread(
target=task_wrapper,
args=(gpu_i, list(xrange(len(args_list)))[i::len(gpu_instances)])
) for i, gpu_i in enumerate(gpu_instances)]
for t in threads:
t.start()
for t in threads:
t.join()
return result
这与上面的内容大致相同,最大的区别在于你不会花时间等待
gpuffunction
的每一次完成,你需要先把所有的香蕉都放在CUDA这一边,然后再考虑用Python实现这一点的最佳方法[我知道,无耻的重复卖淫]
CUDA multi-GPU模型在4.0之前非常简单-每个GPU都有自己的上下文,每个上下文必须由不同的主机线程建立。因此,伪代码的思想是:
import threading
from pycuda import driver
class gpuThread(threading.Thread):
def __init__(self, gpuid):
threading.Thread.__init__(self)
self.ctx = driver.Device(gpuid).make_context()
self.device = self.ctx.get_device()
def run(self):
print "%s has device %s, api version %s" \
% (self.getName(), self.device.name(), self.ctx.get_api_version())
# Profit!
def join(self):
self.ctx.detach()
threading.Thread.join(self)
driver.init()
ngpus = driver.Device.count()
for i in range(ngpus):
t = gpuThread(i)
t.start()
t.join()
这假设只建立上下文而不事先检查设备是安全的。理想情况下,您应该检查计算模式以确保可以安全地尝试,然后在设备忙时使用异常处理程序。但希望这给出了基本思路。是
gpuinstance.gpuffunction(参数、迭代)
异步还是阻止执行?谢谢您的评论,它引导我找到了一个解决方案,但它遇到了与设备上下文相关的CUDA问题。更新问题以反映这一点now@talonmies像往常一样,谢谢,但快速查询:如果我理解正确,每个线程都是“实例化的”,执行的,并以直线方式连接。这不会导致执行连续运行吗?我认为最简单的解决办法是将t.join()
s分解成一个单独的循环。@Andrew Bolter:是的,我想start方法应该全部在一个循环中调用,然后再调用所有的连接。我也对这种情况下的全局解释器锁有点好奇。。。我必须承认我在我的python多gpu上使用了mpi4py,我也有一个用于多gpu的pthreads框架,但通常只使用C/C++和Fortran。@Andrew Bolter:我刚刚在我发布的代码的修改版本中添加了一点工具,我开始怀疑在这方面使用python线程是否明智。我不想打赌我在这一点上发布的内容的正确性……我怀疑我将以MPI为目标重构这个问题,但我觉得这应该是更微不足道的。另外,为了绕开线程缺陷,我也一直在研究多处理。此外,我不太理解您的“4.0之前”评论,因为我理解,以前的上下文相关多设备操作仍然受支持?