GPU计算CUDA基本介绍汇编

CUDA基本介绍基于NvidiaGPU的通用计算开发GPU的优势强大的处理能力GPU接近1Tflops/s高带宽 140GB/s低成本 Gflop/$和Gflops/w高于CPU当前世界超级计算机五百强的入门门槛为12Tflops/s一个三节点，每节点4GPU的集群，总处理能力就超过12Tflops/s，如果使用GTX280只需10万元左右，使用专用的Tesla也只需20万左右1.GPU高性能计算GPUVSCPU:计算能力8xdoubleprecisionECCL1,L2Caches1TFSinglePrecision4GBMemoryNVIDIAGPUX86CPUGPU/CPU架构比较延迟与吞吐量CPU:通过大的缓存保证线程访问内存的低延迟,但内存带宽小，执行单元太少，数据吞吐量小需要硬件机制保证缓存命中率和数据一致性GPU:高显存带宽和很强的处理能力提供了很大的数据吞吐量缓存不检查数据一致性直接访问显存延时可达数百乃至上千时钟周期单核CPU已经走到了尽头频率提高遇到了瓶颈从p4时代至今主流处理器频率一直在2GHz-3GHz左右架构上已无潜力可挖。超线程多流水线复杂的分支预测大缓存等技术已经将性能发挥到了极致，但是通用计算中的指令级并行仍然偏低上述技术占用了芯片上的绝大多数晶体管和面积，目的却只是让极少数的执行单元能够满负荷工作GPU能够更好的利用摩尔定律提供的晶体管图形渲染过程高度并行，因此硬件也是高度并行的少量的控制单元，大量的执行单元显存被固化在了PCB上，拥有更好的EMI性能，因此运行频率高于内存通过更大的位宽实现了高带宽当前的单核并行计算产品IBMCell应用主要见于PS3SUNNiarragaNPUNV/ATIGPU大规模应用GPU最为常见，受市场牵引发展最快，性价比最高架构比较硬件CPUGPUFPGAAES-128解密实测速度（GByte/s）0.119（Core2

E6700中单核）1.78（FX9800GTX+）1.02(互联网资料中单片FPGA最大值)开发难度小较小大增加功能容易容易难硬件升级无需修改代码无需修改代码需要修改代码与主控端通信不需要通过PCI-E，实际速度一般为3G左右，通过API实现，较简单需要为FPGA编写额外的驱动程序，实现通信协议需要额外的硬件资源性能/成本高低高片外存储器内存，容量大，速度低显存，容量较大，速度高FPGA板上内存，一般为DDRII,

速度低开发周期短短长CPUGPUFPGA实现比较CPUGPUFPGA实现比较当前的GPU开发环境Cg：优秀的图形学开发环境，但不适合GPU通用计算开发ATIstream：硬件上已经有了基础，但只有低层次汇编能够使用所有资源。高层次抽象Brook本质上是基于上一代GPU的，缺乏良好的编程模型OpenCL：联合制定的标准，抽象层次较低，对硬件直接操作更多，代码需要根据不同硬件优化CUDA：目前最佳选择未来的发展趋势GPU通用计算进一步发展：更高版本的CUDA,OpenCL新产品涌现：Nvidia和AMD的下一代产品，Intel的LarraBeeCPU+GPU产品：减少了CPU-GPU通信成本，但存储器带宽和功耗面积等可能将制约集成度。在较低端的应用中将有用武之地。CUDA的硬件架构适合通用计算G8x系G9x系GT200系列标量机架构提高了处理效率，更加适合通用计算增加了sharedmemory和同步机制，实现线程间通信以通用的处理器矩阵为主，辅以专用图形单元GTX280性能933Gflops（MAD）单精度116Gflops双精度(MAD)512bit位宽ddr3显存，提供了140GB/s的带宽1G的显存GT200框图TPC3SMInstructionandconstantcacheTextureLoad/storeSMROPROP对DRAM进行访问TEXTURE机制对global的atomic操作微架构比较执行流水线工作在通用计算模式下的GT200SM架构DUAL-Issue并发每二周期可以发射一次指令FPU和SFU指令延迟是四周期某些情况下可以让FPU和SFU并发执行，实现超标量理论处理能力峰值没有计算dual-issue双精度浮点计算不能dual-issueCUDA架构GPU硬件特点硬件资源模块化，根据市场定位裁减高度并行存在TPCSM两层每个SM又有8SPSM内存在高速的sharedmemory和同步机制原子操作有利于实现通用计算中的数据顺序一致性sharedmemoryTexturecacheconstantcache等高速片内存储器有助于提高数据访问速度，节省带宽如何选购硬件目前（2008.12）只有CUDA能够完全发挥新一代GPU的全部计算能力。Nvidia的G80以上的GPU能够支持CUDA。GT200系列不仅性能更强，而且具有很多实用的新特性Tesla专用流处理器拥有更大的显存和更高的核心频率，通过降低显存频率，屏蔽不需要的图形单元和改善散热获得了更好的稳定性，适合服务器或者集群使用适合的应用GPU只有在计算高度数据并行任务时才能发挥作用。在这类任务中，需要处理大量的数据，数据的储存形式类似于规则的网格，而对这写数据的进行的处理则基本相同。这类数据并行问题的经典例子有：图像处理，物理模型模拟（如计算流体力学），工程和金融模拟与分析，搜索，排序。

在很多应用中取得了1-2个数量级的加速不适合的应用需要复杂数据结构的计算如树，相关矩阵，链表，空间细分结构等，则不适用于使用GPU进行计算。串行和事务性处理较多的程序并行规模很小的应用，如只有数个并行线程需要ms量级实时性的程序需要重新设计算法和数据结构或者打包处理CUDA执行模型

重点是将CPU做为终端(Host)，而GPU做为服务器(Server)或协处理器(Coprocessor)，或者设备（Device），从而让GPU来运行一些能够被高度线程化的程序。CUDA的基本思想是尽量得开发线程级并行(ThreadLevelParallel)，这些线程能够在硬件中被动态的调度和执行。CUDA执行模型调用核程序时CPU调用API将显卡端程序的二进制代码传到GPUgrid运行在SPA上block运行在SM上thread运行在SP上gridblockthreadKernel不是一个完整的程序，而只是其中的一个关键并行计算步Kernel以一个网格(Grid)的形式执行，每个网格由若干个线程块（block）组成，每一个线程块又由最多512个线程(thread)组成。

gridblockthread一个grid最多可以有65535*65535个block一个block总共最多可以有512个thread，在三个维度上的最大值分别为512,512和64gridblockthreadgrid之间通过globalmemory交换数据block之间不能相互通信,只能通过globalmemory共享数据,不要让多个block写同一区段内容（不保证数据一致性和顺序一致性）同一block内的thread可以通过sharedmemory和同步实现通信block间粗粒度并行，block内thread细粒度并行warpWarp是硬件特性带来的概念，在CUDAC语言中是透明的（除vote函数），但应用中不能忽略一个warp中有32个线程，这是因为SM中有8个SP，执行一条指令的延迟是4个周期，使用了流水线技术一个halfwarp中有16个线程，这是因为执行单元的频率是其他单元的两倍，每两个周期才进行一次数据传输SIMT编程模型SIMT是对SIMD（SingleInstruction,MultipleData，单指令多数据）的一种变形。

两者的区别在于：SIMD的向量宽度是显式的，固定的，数据必须打包成向量才能进行处理；而SIMT中，执行宽度则完全由硬件自动处理了。（每个block中的thread数量不一定是32）而SIMT中的warp中的每个线程的寄存器都是私有的，它们只能通过sharedmemory来进行通信。

分支性能与现代的微处理器不同，Nvidia的SM没有预测执行机制-没有分支预测单元(BranchPredicator)。

在需要分支时，只有当warp中所有的线程都计算出各自的分支的地址，并且完成取指以后，warp才能继续往下执行。

如果一个warp内需要执行N个分支，那么SM就需要把每一个分支的指令发射到每一个SP上，再由SP根据线程的逻辑决定需不需要执行。这是一个串行过程，此时SIMT完成分支的时间是多个分支时间之和。存储器模型RegisterLocalsharedGlobalConstantTextureHostmemoryPinnedhostmemory寄存器与localmemory对每个线程来说，寄存器都是线程私有的--这与CPU中一样。如果寄存器被消耗完，数据将被存储在本地存储器(localmemory)。Localmemory对每个线程也是私有的，但是localmemory中的数据是被保存在显存中，而不是片内的寄存器或者缓存中，速度很慢。线程的输入和中间输出变量将被保存在寄存器或者本地存储器中。Sharedmemory用于线程间通信的共享存储器。共享存储器是一块可以被同一block中的所有thread访问的可读写存储器。访问共享存储器几乎和访问寄存器一样快，是实现线程间通信的延迟最小的方法。共享存储器可以实现许多不同的功能，如用于保存共用的计数器(例如计算循环次数)或者block的公用结果(例如计算512个数的平均值，并用于以后的计算)。constantmemory,texturememory利用GPU用于图形计算的专用单元发展而来的高速只读缓存速度与命中率有关，不命中时将进行对显存的访问常数存储器空间较小(只有64k)，支持随机访问。从host端只写，从device端只读纹理存储器尺寸则大得多，并且支持二维寻址。（一个数据的“上下左右”的数据都能被读入缓存）适合实现图像处理算法和查找表全局存储器

使用的是普通的显存，无缓存，可读写，速度慢整个网格中的任意线程都能读写全局存储器的任意位置，并且既可以从CPU访问，也可以从CPU访问。

各种存储器的延迟register:1周期sharedmemory:1周期(无bankconflict)-16周期(发生16路bankconflict)texturememory:1(命中)-数百周期(不命中)constantmemory:1(命中)-数百周期(不命中)globallocalmemory:数百周期各存储器大小每个SM中有64K（GT200）或者32K(G8x,G9x)寄存器，寄存器的最小单位是32bit的registerfile每个SM中有16Ksharedmemory一共可以声明64K的constantmemory，但每个SM的cache序列只有8K可以声明很大的texturememory，但是实际上的texturecache序列为每SM6-8K使用存储器时可能出现的问题致命问题：无法产生正确结果多个block访问global同一块，以及block内thread间线程通信时的数据一致性问题Texture的工作模式设置错误效率问题：大大增加访存延迟Sharedbankconflict问题Global合并访问问题BankconflictSharedmemory被分为了16个bank，单位是32-bit，相邻数据在不同bank中，对16余数相同的数据在同一bankHalfwarp中的16个线程访问sharedmemory时最好一一对应，如果多个thread同时访问属于同一bank的数据将发生bankconflict16个线程读同一数据时，会发生一次广播，只用一个cycle，没有bankconflict合并访问访问显存时要遵守严格的合并访问规则将halfwarp访问global的起始位置严格的对齐到16的整数倍在G8x,G9x硬件上thread访问显存的位置必须逐一递增GT200有了很大的改进，对齐和次序比较灵活好的合并访问可以将存储器访问次数减少十几倍CUDAAPICUDAC语言

由Nvidia的CUDA编译器(nvcc)编译

CUDAC不是C语言，而是对C语言进行扩展形成的变种。

CUDA对C的扩展：函数限定符对函数有了限定符，用来规定函数是在host还是在device上执行，以及这个函数是从host调用还是从device调用。这些限定符是：__device__，__host__和__global__。

CUDA对C的扩展：函数限定符__device__函数在device端执行，并且也只能从device端调用，即作为device端的子函数来使用__global__函数即kernel函数，它在设备上执行，但是要从host端调用__host__函数在host端执行，也只能从host端调用，与一般的C函数相同CUDA对C的扩展：变量限定符对变量类型的限定符，用来规定变量被存储在哪一种存储器上。

传统的在CPU上运行的程序中，编译器就能自动决定将变量存储在CPU的寄存器还是在计算机的内存中。

而在CUDA中，不仅要使用host端的内存，而且也要使用显卡上的显存和GPU上的几种寄存器和缓存。在CUDA编程模型中，一共抽象出来了多达8种不同的存储器！

CUDA对C的扩展：变量限定符__device____device__限定符声明的变量存在于device端，其他的变量限定符声明的变量虽然存在于不同的存储器里，但总体来说也都在device端。所以__device__限定符可以与其他的限定符联用。当单独使用__device__限定符修饰变量时，这个变量：存在于globalmemory中；变量生命周期与整个程序一样长；可以被grid中所有的线程都可以访问，也可以从host端通过运行时库中的函数访问。CUDA对C的扩展：变量限定符__constant____constant__限定符，可以与__device__联用，即__device____constant__，此时等同于单独使用__constant__。使用__constant__限定符修饰的变量：存在于constantmemory中，访问时速度一般比使用globalmemory略快；变量生命周期与整个程序一样长；可以被grid中所有的线程读，从host端通过运行时库中的函数写。CUDA对C的扩展：变量限定符__shared____shared__限定符，可以与__device__联用，即__device____shared__，此时等同于单独使用__shared__。使用__shared__限定符修饰的变量：存在于block中的sharedmemory中;变量生命周期与block相同;只有同一block内的thread才能访问。

CUDA对C的扩展：kernel执行参数<<<>>>运算符，用来传递一些kernel执行参数

Grid的大小和维度Block的大小和维度外部声明的sharedmemory大小stream编号CUDA对C的扩展：内建变量Dim3ThreadIdx（三维）Dim3ThreadDim（三维）Dim3BlockIdx(二维)Dim3BlockDim（三维）执行参数与内建变量的作用各个thread和block之间的唯一不同就是threadID和BlockID,通过内建变量控制各个线程处理的指令和数据CPU运行核函数时的执行参数确定GPU在SPA上分配多少个block，在SM上分配多少个threadCUDAAPICUDAAPI需要CUDAdriverAPI才能运行，新版本的Nvidia驱动已经包含了CUDAdriverAPICUDAruntimeAPI是CUDAAPI的可选组件，它是一种动态编译器(JIT)，能够直接访问实际中的底层硬件架构。

CUDAAPI功能设备管理（Devicemanagement）

上下文管理(Contextmanagement)存储器管理(Memorymanagement)代码块管理(CodeModulemanagement)执行控制(ExcutionControl)纹理索引管理(TextureReferencemanagement)与OpenGL和Direct3D的互操作(InteroperitywithOpenGLandDirect3D)NVCC编译器生成三种不同的输出：PTX，CUDA二进制序列和标准CNVCC编译器PTXPTX(ParallelThreadeXecution)作用类似于汇编，是为动态编译器(包含在标准的Nvidia

驱动中)设计的输入指令序列。这样，不同的显卡使用不同的机器语言，而动态编译器却可以运行相同的PTX。这样做使PTX成为了一个稳定的接口，带来了很多好处：后向兼容性，更长的寿命，更好的可扩展性和更高的性能，但在一定程度上也限制了工程上的自由发挥。这种技术保证了兼容型，但也使新一代的产品必须拥有上代产品的所有能力，这样才能让今天的PTX代码在未来的系统上仍然可以运行。NVCC编译器CUBIN虽然PTX和JIT编译器提供了很高的性能，但也不是在所有的场合都适用。某些独立软件开发商倾向于牺牲性能，以获得更好的可确定性和可验证性。JIT编译器的输出随着目标硬件和一些其他因素会发生变化。对于需要能够确定的代码的独立软件开发商(比如很多财经软件开发商)，它们可以将代码直接编译成CUDA二进制代码，这样就能避免JIT过程的不确定性。直接编译得到的CUDA二进制代码是与特定的硬件和驱动相关的。

NVCC编译器CNvcc的输出还包括标准C。由nvcc生成的C代码将被重定向到其他编译器进行编译，比如ICC，GCC或者其他合适的高性能编译器。CUDA中明确的表示了程序中的并行度没不仅在用于编写运行在NvidiaGPU上的代码时非常有效，而且为多核CPU生成高性能代码。在某些应用中，CUDA生成的代码比标准的x86编译器生成的代码的性能提高了4倍。

CUDAAPI库函数CUFFTGPU进行傅立叶变换的函数库，提供了与广泛使用的FFTW库相似的接口。CUBLAS(CUDABasicLinearAlgorithmSubprogrammes)库是一个基本的矩阵与向量的运算库，提供了与BLAS相似的接口，可以用于简单的矩阵计算，也可以作为基础构建更加复杂的函数包，如LAPACK等。CUDPP(CUDADataparallelprimitives)

库提供了很多基本的常用并行操作函数，如排序、搜索等，可以作为基本组件快速的搭建出并行计算程序。

如何编写CUDA程序硬件实现不完全透明，需要掌握硬件实现的原理并行度高，适合CPU的小规模并行算法不一定适用，需要