PDF de programación - Ejemplos de optimización para Kepler

RIO 2014

Río Cuarto (Argentina), 20 de Febrero, 2014

Contenidos de la charla [18 diapositivas]

1. Balanceo dinámico de la carga. [2]
2. Mejorando el paralelismo con streams. [5]
3. Ejecución dependiente de los datos. [2]
4. Algoritmos paralelos recursivos. [4]
5. Llamadas a librerías desde los kernels. [3]
6. Simplificar la división CPU/GPU. [2]

2

Manuel Ujaldón Martínez
Dpto. Arquitectura de Computadores. Univ. Málaga.
NVIDIA CUDA Fellow.

Seis formas de mejorar
nuestros códigos CUDA con Kepler

Balanceo dinámico de la carga

Desdoble de las colas de los SMX
para ocupar más y mejor la GPU

Ejecución dependiente de los datos

Algoritmos paralelos recursivos

Llamadas a librerías desde los kernels

Simplificar la división CPU/GPU

Ocupación

Ejecución

d

a

b ili d

a m a

r

g

o

P r

Paralelismo
dinámico y

planificación de
hilos en Kepler

3

Ejemplos de optimización para Kepler1. Balanceo dinámico de la carga Generación dinámica de la carga

Despliega paralelismo según el nivel de detalle

Asigna los recursos dinámicamente según se vaya
requiriendo precisión en tiempo real, lo que facilita la
computación de aplicaciones irregulares en GPU.

Malla gruesa

Malla fina

Malla dinámica

Rendimiento elevado,

precisión baja

Rendimiento bajo,
precisión elevada

Sacrifica rendimiento sólo
donde se requiere precisión

5

La potencia computacional

se asocia a las regiones

según su interés

CUDA hasta 2012:

• La CPU lanza kernels
de forma regular.
• Todos los píxeles
se procesan igual.

CUDA sobre Kepler:

• La GPU lanza un número
diferente de kernels/bloques
para cada región
computacional.

El gestor de kernels/mallas: Fermi vs. Kepler

Fermi

Colas de streams

(colas ordenadas de mallas)

Stream 1
Kernel C
Kernel B
Kernel A

Stream 2
Kernel R
Kernel Q
Kernel P

Stream 3
Kernel Z
Kernel Y
Kernel X

Una sola cola hardware
multiplexa los streams

Distribuidor de carga

para los bloques lanzados desde las mallas

16 mallas activas

Kepler GK110
Cola de streams

C
B
A

R
Q
P

Z
Y
X

Hardware paralelo de streams

Gestor de kernels/mallas
Mallas pendientes y suspendidas

Miles de mallas pendientes

Permite suspender mallas

Distribuidor de carga
Se encarga de las mallas activas

32 mallas activas

A
D
U
C

r
o
p

a
d
a
r
e
n
e
g


o
j
a
b
a
r
t

e
d

a
g
r
a
C

SM

SM

SM

SM

SMX

SMX

SMX

SMX

6

8

2. Mejorando el paralelismo con streams Relación entre las colas software y hardware

Relación entre las colas software y hardware

...pero los streams se multiplexan en una cola única

...pero los streams se multiplexan en una cola única

Fermi:
El hardware de
la GPU puede
albergar hasta
16 mallas en
ejecución...

A--B--C P--Q--R X--Y--Z

Oportunidad para solapar:

Sólo en las fronteras entre streams

A -- B -- C

Stream 1

P -- Q -- R

Stream 2

X -- Y -- Z

Stream 3

Fermi:
El hardware de
la GPU puede
albergar hasta
16 mallas en
ejecución...

A--B--C P--Q--R X--Y--Z

Oportunidad para solapar:

Sólo en las fronteras entre streams

Kepler:

Desaparecen las dependencias entre streams

El número
de mallas

en ejecución
crece hasta 32

A--B--C

P--Q--R

X--Y--Z

9

Concurrencia plena entre streams

Caso estudio para explotar la concurrencia de
la GPU en Fermi (15 SMs) y Kepler (15 SMXs)

mykernel <<< 100, 128, ... >>> [Aquí tenemos un déficit en warps]

Lanza 100 bloques de 128 hilos (4 warps), esto es, 400 warps.
Hay 26.66 warps para cada multiprocesador, ya sea SM o SMX.

En Fermi: Hasta 48 warps activos (21 bajo el límite), que no puede aprovecharse.
En Kepler: Hasta 64 warps activos (37 bajo el límite), que pueden activarse desde
hasta un máx. de 32 llamadas a kernels desde: MPI, threads POSIX, streams CUDA.

mykernel <<< 100, 384, ... >>>

Lanza 100 bloques de 384 hilos (12 warps), esto es, 1200 warps.
Hay 80 warps para cada multiprocesador. Hemos alcanzado el máx.
de 64 warps activos, así que 16 warps * 15 SMX = 240 warps esperan
en colas de Kepler para ser activados con posterioridad.
mykernel <<< 1000, 32, ... >>>[Aquí tenemos un exceso de bloques]
66.66 bloques para cada SMX, pero el máx. es 16. Mejor <100, 320>

11

Lecciones a aprender (y conflictos asociados)

Bloques suficientemente grandes para evitar el límite de 16

por cada SMX.

Pero los bloques consumen memoria compartida, y alojar más

memoria compartida significa menos bloques y más hilos por bloque.
Suficientes hilos por bloque como para saturar el límite de

64 warps activos por cada SMX.

Pero los hilos consumen registros, y utilizar muchos registros nos

lleva a tener menos hilos por bloque y más bloques.
Sugerencias:

Al menos 3-4 bloques activos, cada uno con al menos 128 hilos.
Menos bloques cuando la memoria compartida es crítica, pero...
... abusar de ella penaliza la concurrencia y la ocultación de latencia.

A -- B -- C

Stream 1

P -- Q -- R

Stream 2

X -- Y -- Z

Stream 3

A -- B -- C

Stream 1

P -- Q -- R

Stream 2

X -- Y -- Z

Stream 3

10

12

Paralelismo dependiente
del volumen de datos (2)

El programa paralelo más elemental:

Los bucles son paralelizables.
Conocemos la carga de trabajo a priori.

for i = 1 to N
for j = 1 to M
convolution (i, j);

El programa imposible más elemental:

Desconocemos la carga de trabajo.
El reto es la partición de los datos.

M

max(x[i])

N

N

for i = 1 to N
for j = 1 to x[i]
convolution (i, j);

Una solución mala: Superconjunto.
Una solución peor: Serialización.

Lo que hace posible el paralelismo dinámico:
Los dos lazos se ejecutan en paralelo

El programa CUDA para Kepler:

__global__ void convolution(int x[])
{
for j = 1 to x[blockIdx] // Cada bloque lanza x[blockIdx] ...
kernel <<< ... >>> (blockIdx, j) // ... kernels desde la GPU
}

convolution <<< N, 1 >>> (x); // Lanza N bloques de un hilo en GPU
// (las filas comienzan en paralelo)

s
e
u
q
o
b

l



N

x[blockIdx] llamadas a kernels

Intercambiando estos dos parámetros,
el programa es más rápido, pero no sirve para
más de 1024 filas (máximo tamaño del bloque).

En CUDA 5.0 se permiten hasta 24 lazos anidados.

15

3. Ejecución dependiente de los datos4. Algoritmos paralelos recursivos Un ejemplo sencillo de recursividad paralela:
Quicksort

Es el típico algoritmo divide y vencerás que cuesta a Fermi

La ejecución depende de los datos.
Los datos se particionan y ordenan recursivamente.

Algoritmos paralelos recursivos
antes de Kepler

Los primeros modelos de programación CUDA no

soportaban recursividad de ningún tipo.

CUDA comenzó a soportar funciones recursivas en la

versión 3.1, pero podían fallar perfectamente si el tamaño de
los argumentos era considerable.

En su lugar, puede utilizarse una pila definida por el

usuario en memoria global, pero a costa de una considerable
merma en rendimiento.

Gracias al paralelismo dinámico, podemos aspirar a una

solución eficiente para GPU.

17

El código CUDA para quicksort

Resultados experimentales para Quicksort

El número de líneas de código se reduce a la mitad.
El rendimiento se mejora en un factor 2x.

Versión ineficiente

Versión más eficiente en Kepler

_global_ void qsort(int *data, int l, int r)
{
int pivot = data[0];
int *lptr = data+l, *rptr = data+r;
// Particiona datos en torno al pivote
partition(data, l, r, lptr, rptr, pivot);

_global_ void qsort(int *data, int l, int r)
{
int pivot = data[0];
int *lptr = data+l, *rptr = data+r;
// Particiona datos en torno al pivote
partition(data, l, r, lptr, rptr, pivot);

// Lanza la siguiente etapa recursivamente
int rx = rptr-data; lx = lptr-data;
if (l < rx)
qsort<<<...>>>(data,l,rx);
if (r > lx)
qsort<<<...>>>(data,lx,r);
}

Las ordenaciones de la parte derecha

e izquierda se serializan

// Utiliza streams para la recursividad
cudaStream_t s1, s2;
cudaStreamCreateWithFlags(&s1, ...);
cudaStreamCreateWithFlags(&s2, ...);
int rx = rptr-data; lx = lptr-data;
if (l < rx)
qsort<<<...,0,s1>>>(data,l,rx);
if (r > lx)
qsort<<<...,0,s2>>>(data,lx,r);
}

Utiliza "streams" separados

para lograr concurrencia

19

18

20

Conceptos básicos del modelo CUDA:
Sintaxis y semántica en tiempo de ejecución

__device__ float buf[1024];
__global__ void dynamic(float *data)
{
int tid = threadIdx.x;
if (tid % 2)
buf[tid/2] = data[tid]+data[tid+1];
__syncthreads();

if (tid == 0) {
launchkernel<<<128,256>>>(buf);
cudaDeviceSynchronize();
}
__syncthreads();

if (tid == 0) {
cudaMemCpyAsync(data, buf, 1024);
cudaDeviceSynchronize();
}
}

Este lanzamiento se produce para cada hilo
CUDA 5.0: Espera a que concluyan todos los
lanzamientos y llamadas que el bloque haya
efectuado anteriormente.
Los hilos sin trabajo esperan al resto aquí
CUDA 5.0: Sólo se permiten lanzamientos
asíncronos para la recogida de datos

22

Un ejemplo de llamada sencilla a una librería
utilizando cuBLAS (ya disponible para CUDA 5.0)

La relación padre-hijo en bloques CUDA

La CPU lanza

el kernel

__global__ void libraryCall(float *a,
float *b,
float *c)
{
// Todos los hilos generan datos
createData(a, b);
__syncthreads();

// El primer hilo llama a librería
if (threadIdx.x == 0) {
cublasDgemm(a, b, c);
cudaDeviceSynchronize();
}

// Todos los hilos esperan los resultados
__syncthreads();

consumeData(c);
}

Generación
de datos por
cada bloque

Llamadas
a la librería

externa

Uso del
resultado
en paralelo

__global__ void libraryCall(float *a,
float *b,
float *c)
{
// Todos los hilos generan datos
createData(a, b);
__syncthreads();

// El primer hilo llama a la librería
if (threadIdx.x == 0) {
cublasDgemm(a, b, c);
cudaDeviceSynchronize();
}

Se ejecuta
la función
externa

// Todos los hilos esperan los resultados
__syncthreads();

consumeData(c);
}

Ejecución por cada hilo

Una solo llamada a la función de