简单操作上的Numba python CUDA与cuBLAS速度差

我正在分析一些代码，无法找出性能差异。我正在尝试在两个数组（就地）之间进行简单的元素加法。这是使用numba的CUDA内核：

from numba import cuda

@cuda.jit('void(float32[:], float32[:])')
def cuda_add(x, y):

    ix = cuda.threadIdx.x + cuda.blockIdx.x * cuda.blockDim.x
    stepSize = cuda.gridDim.x * cuda.blockDim.x
    while ix < v0.shape[0]:
        y[ix] += x[ix]
        ix += stepSize

对于大型阵列（20M单元），BLAS方法的性能大约快25%。这是在“预热”了

cuda.jit

内核之后，之前通过调用它来缓存编译的PTX代码（不确定这是否重要，但这样做只是为了确保这不是问题）

我可以理解3级矩阵运算的性能差异，但这只是一个简单的加法。我可以做些什么来提高cuda.jit代码的性能吗？我这样问是因为我想要优化的真正代码是一个2d数组，它不能传递给blas.axpy

编辑执行代码和其他需要的包：

import numpy as np

def main():
    n = 20 * 128 * 128 * 64
    x = np.random.rand(n).astype(np.float32)
    y = np.random.rand(n).astype(np.float32)

    ##  Create necessary GPU arrays
    d_x = cuda.to_device(x)
    d_y = cuda.to_device(y)

    ##  My function
    cuda_add[1024, 64](d_x , d_y)

    ##  cuBLAS function
    blas = Blas()
    blas.axpy(1.0, d_x , d_y)

---

很简单的答案是否定的。CUBLAS利用了许多东西（纹理、向量类型）来提高像这样的内存绑定代码的性能，而numba CUDA方言目前不支持这样的代码

我在CUDA上写下了这个：

__device__ float4 add(float4 x, float4 y) 
{
    x.x += y.x; x.y += y.y; x.z += y.z; x.w += y.w; 
    return x;
} 

__global__ void mykern(float* x, float* y, int N)
{
    float4* x4 = reinterpret_cast<float4*>(x);
    float4* y4 = reinterpret_cast<float4*>(y);

    int strid = gridDim.x * blockDim.x;
    int tid = threadIdx.x + blockDim.x * blockIdx.x;

    for(; tid < N/4; tid += strid) {
        float4 valx = x4[tid];
        float4 valy = y4[tid];
        y4[tid] = add(valx, valy);
    }       
}

\uuuuu设备\uuuuuuu4添加（float4 x，float4 y）
{
x、 x+=y.x；x.y+=y.y；x.z+=y.z；x.w+=y.w；
返回x；
} 
__全局无效mykern（浮点*x，浮点*y，整数N）
{
float4*x4=重新解释铸件（x）；
浮动4*y4=重新解释铸造（y）；
int strid=gridDim.x*blockDim.x；
int tid=threadIdx.x+blockDim.x*blockIdx.x；
对于（；tid

我的基准测试显示它在库布拉斯的5%以内，但我不相信你现在能在numba做到这一点

---

顺便说一句，我不理解你关于不能在2D数组上运行

saxpy

的评论。如果数组在内存中是连续的（我怀疑它们一定是连续的），并且具有相同的布局（即不尝试添加转置），那么可以在二维数组上使用

saxpy

。

如果要发布代码，您至少可以确保它能够编译吗？在这样一个简单的内核中，执行参数对性能至关重要，但您还没有展示它们。你能解决这个问题吗？这真的是你的执行参数吗？每个块64个线程和1024个块？是的，但我尝试了TPB和块的其他组合。

__device__ float4 add(float4 x, float4 y) 
{
    x.x += y.x; x.y += y.y; x.z += y.z; x.w += y.w; 
    return x;
} 

__global__ void mykern(float* x, float* y, int N)
{
    float4* x4 = reinterpret_cast<float4*>(x);
    float4* y4 = reinterpret_cast<float4*>(y);

    int strid = gridDim.x * blockDim.x;
    int tid = threadIdx.x + blockDim.x * blockIdx.x;

    for(; tid < N/4; tid += strid) {
        float4 valx = x4[tid];
        float4 valy = y4[tid];
        y4[tid] = add(valx, valy);
    }       
}