我之前的介紹文章，“ 更容易介紹 CUDA C ++ ”介紹了 CUDA 編程的基本知識，它演示了如何編寫一個簡單的程序，在內存中分配兩個可供 GPU 訪問的數字數組，然后將它們加在 GPU 上。為此，我向您介紹了統一內存，這使得分配和訪問系統中任何處理器上運行的代碼都可以使用的數據變得非常容易， CPU 或 GPU 。

我以幾個簡單的“練習”結束了這篇文章，其中一個練習鼓勵您運行最近基于 Pascal 的 GPU ，看看會發生什么。（我希望讀者能嘗試一下并對結果發表評論，你們中的一些人也這樣做了！）。我建議這樣做有兩個原因。首先，因為 PascalMIG 如 NVIDIA Titan X 和 NVIDIA Tesla P100 是第一個包含頁 GPUs 定額引擎的 GPUs ，它是統一內存頁錯誤處理和 MIG 比率的硬件支持。第二個原因是它提供了一個很好的機會來學習更多的統一內存。

快 GPU ，快內存…對嗎？

正確的！但讓我們看看。首先，我將重新打印在兩個 NVIDIA 開普勒 GPUs 上運行的結果（一個在我的筆記本電腦上，一個在服務器上）。

現在讓我們嘗試在一個非常快的 Tesla P100 加速器上運行，它基于 pascalgp100GPU 。

> nvprof ./add_grid ... Time(%) Time Calls Avg Min Max Name 100.00% 2.1192ms 1 2.1192ms 2.1192ms 2.1192ms add(int, float*, float*)

嗯，這低于 6gb / s ：比在我的筆記本電腦基于開普勒的 GeForceGPU 上運行慢。不過，別灰心，我們可以解決這個問題的。為了理解這一點，我將告訴你更多關于統一內存的信息。

下面是要添加的完整代碼，以供參考_網格. cu 從上次開始。

#include  #include  // CUDA kernel to add elements of two arrays __global__ void add(int n, float *x, float *y) { int index = blockIdx.x * blockDim.x + threadIdx.x; int stride = blockDim.x * gridDim.x; for (int i = index; i < n; i += stride) y[i] = x[i] + y[i]; } int main(void) { int N = 1<<20; float *x, *y; // Allocate Unified Memory -- accessible from CPU or GPU cudaMallocManaged(&x, N*sizeof(float)); cudaMallocManaged(&y, N*sizeof(float)); // initialize x and y arrays on the host for (int i = 0; i < N; i++) { x[i] = 1.0f; y[i] = 2.0f; } // Launch kernel on 1M elements on the GPU int blockSize = 256; int numBlocks = (N + blockSize - 1) / blockSize; add<<>>(N, x, y); // Wait for GPU to finish before accessing on host cudaDeviceSynchronize(); // Check for errors (all values should be 3.0f) float maxError = 0.0f; for (int i = 0; i < N; i++) maxError = fmax(maxError, fabs(y[i]-3.0f)); std::cout << "Max error: " << maxError << std::endl; // Free memory cudaFree(x); cudaFree(y); return 0; }

對 27-19 行的內存進行初始化。

什么是統一內存？

統一內存是可從系統中的任何處理器訪問的單個內存地址空間（請參見圖 1 ）。這種硬件/軟件技術允許應用程序分配可以從 CPU s 或 GPUs 上運行的代碼讀取或寫入的數據。分配統一內存非常簡單，只需將對malloc()或new的調用替換為對cudaMallocManaged()的調用，這是一個分配函數，返回可從任何處理器訪問的指針（以下為ptr）。

cudaError_t cudaMallocManaged(void** ptr, size_t size);

當在 CPU 或 GPU 上運行的代碼訪問以這種方式分配的數據（通常稱為 CUDA 管理 數據）， CUDA 系統軟件和/或硬件負責將 MIG 額定內存頁分配給訪問處理器的內存。這里重要的一點是， PascalGPU 體系結構是第一個通過頁面 MIG 比率引擎對虛擬內存頁錯誤處理和 MIG 比率提供硬件支持的架構。基于更舊的 kezbr 架構和更為統一的 kezbr 形式的支持。

當我打電話給cudaMallocManaged()時，開普勒會發生什么？

在具有 pre-PascalGPUs 的系統上，如 Tesla K80 ，調用 cudaMallocManaged（） 會分配 size 字節的托管內存 在 GPU 設備上 ，該內存在調用 1 時處于活動狀態。在內部，驅動程序還為分配覆蓋的所有頁面設置頁表條目，以便系統知道這些頁駐留在 GPU 上。

所以，在我們的例子中，在 Tesla K80GPU （開普勒架構）上運行， x 和 y 最初都完全駐留在 GPU 內存中。然后在第 6 行開始的循環中， CPU 逐步遍歷兩個數組，分別將它們的元素初始化為 1.0f 和 2.0f 。由于這些頁最初駐留在設備存儲器中，所以它寫入的每個數組頁的 CPU 上都會發生一個頁錯誤， GPU 驅動程序 MIG 會將設備內存中的頁面分配給 CPU 內存。循環之后，兩個數組的所有頁都駐留在 CPU 內存中。

在初始化 CPU 上的數據之后，程序啟動 add（） 內核，將 x 的元素添加到 y 的元素中。

add<<<1, 256>>>(N, x, y);

在 pre-PascalGPUs 上，啟動一個內核后， CUDA 運行時必須 MIG 將以前 MIG 額定為主機內存或另一個 GPU 的所有頁面重新評級到運行內核 2 的設備內存。由于這些舊的 GPUs 不能出現分頁錯誤，所有數據都必須駐留在 GPU 以防萬一 上，內核訪問它（即使它不會訪問）。這意味著每次啟動內核時都可能存在 MIG 定額開銷。

當我在 K80 或 macbookpro 上運行程序時，就會發生這種情況。但是請注意，探查器顯示的內核運行時間與 MIG 定額時間是分開的，因為 MIG 定額發生在內核運行之前。

==15638== Profiling application: ./add_grid ==15638== Profiling result: Time(%) Time Calls Avg Min Max Name 100.00% 93.471us 1 93.471us 93.471us 93.471us add(int, float*, float*) ==15638== Unified Memory profiling result: Device "Tesla K80 (0)" Count Avg Size Min Size Max Size Total Size Total Time Name 6 1.3333MB 896.00KB 2.0000MB 8.000000MB 1.154720ms Host To Device 102 120.47KB 4.0000KB 0.9961MB 12.00000MB 1.895040ms Device To Host Total CPU Page faults: 51

當我調用cudaMallocManaged()時， Pascal 上會發生什么？

在 Pascal 和更高版本的 GPUs 上， cudaMallocManaged（） 返回時可能不會物理分配托管內存；它只能在訪問（或預取）時填充。換言之，在 GPU 或 CPU 訪問頁和頁表項之前，可能無法創建它們。頁面可以在任何時候對任何處理器的內存進行 cudaMemPrefetchAsync（） 速率，驅動程序使用啟發式來維護數據的局部性并防止過多的頁面錯誤 3 。（注意：應用程序可以使用 cudaMemAdvise（） 指導驅動程序，并使用 MIG 顯式地 MIG 對內存進行速率調整，如 這篇博文描述了 ）。

與 pre-PascalGPUs 不同， Tesla P100 支持硬件頁錯誤和 MIG 比率。所以在這種情況下，運行庫在運行內核之前不會自動將 全部的 頁面復制回 GPU 。內核在沒有任何 MIG 定額開銷的情況下啟動，當它訪問任何缺失的頁時， GPU 會暫停訪問線程的執行，頁面 MIG 定額引擎 MIG 會在恢復線程之前對設備的頁面進行評級。

這意味著當我在 Tesla P100 （ 2 。 1192ms ）上運行程序時， MIG 定額的成本包含在內核運行時中。在這個內核中，數組中的每一頁都由 CPU 寫入，然后由 GPU 上的 CUDA 內核訪問，導致內核等待大量的頁 MIG 配額。這就是為什么分析器在像 Tesla P100 這樣的 PascalGPU 上測量的內核時間更長。讓我們看看 P100 上程序的完整 nvprof 輸出。

==19278== Profiling application: ./add_grid ==19278== Profiling result: Time(%) Time Calls Avg Min Max Name 100.00% 2.1192ms 1 2.1192ms 2.1192ms 2.1192ms add(int, float*, float*) ==19278== Unified Memory profiling result: Device "Tesla P100-PCIE-16GB (0)" Count Avg Size Min Size Max Size Total Size Total Time Name 146 56.109KB 4.0000KB 988.00KB 8.000000MB 860.5760us Host To Device 24 170.67KB 4.0000KB 0.9961MB 4.000000MB 339.5520us Device To Host 12 - - - - 1.067526ms GPU Page fault groups Total CPU Page faults: 36

如您所見，存在許多主機到設備頁面錯誤，降低了 CUDA 內核的吞吐量。

我該怎么辦？

在實際應用中， GPU 可能會在數據上執行更多的計算（可能多次），而不需要 CPU 來接觸它。這個簡單代碼中的 MIG 定額開銷是由于 CPU 初始化數據， GPU 只使用一次。有幾種不同的方法可以消除或更改 MIG 比率開銷，從而更準確地測量 vector add 內核的性能。

將數據初始化移動到另一個 CUDA 內核中的 GPU 。

多次運行內核，查看平均和最小運行時間。

在運行內核之前，將數據預取到 GPU 內存。

我們來看看這三種方法。

初始化內核中的數據

如果我們將初始化從 CPU 移到 GPU ，則add內核不會出現頁面錯誤。這里有一個簡單的 CUDA C ++內核來初始化數據。我們可以用啟動這個內核來替換初始化x和y的主機代碼。

__global__ void init(int n, float *x, float *y) { int index = threadIdx.x + blockIdx.x * blockDim.x; int stride = blockDim.x * gridDim.x; for (int i = index; i < n; i += stride) { x[i] = 1.0f; y[i] = 2.0f; } }

當我這樣做時，我在 Tesla P100GPU 的配置文件中看到兩個內核：

==44292== Profiling application: ./add_grid_init ==44292== Profiling result: Time(%) Time Calls Avg Min Max Name 98.06% 1.3018ms 1 1.3018ms 1.3018ms 1.3018ms init(int, float*, float*) 1.94% 25.792us 1 25.792us 25.792us 25.792us add(int, float*, float*) ==44292== Unified Memory profiling result: Device "Tesla P100-PCIE-16GB (0)" Count Avg Size Min Size Max Size Total Size Total Time Name 24 170.67KB 4.0000KB 0.9961MB 4.000000MB 344.2880us Device To Host 16 - - - - 551.9940us GPU Page fault groups Total CPU Page faults: 12

add內核現在運行得更快： 25 . 8us ，相當于接近 500gb / s 。

帶寬=字節/秒=（ 3 * 4194304 字節* 1e-9 字節/ GB ）/ 25 . 8e-6s = 488 [UNK] GB / s

（要了解如何計算理論帶寬和實現的帶寬，請參閱這個帖子。）仍然存在設備到主機頁錯誤，但這是由于在程序末尾檢查 CPU 結果的循環造成的。

運行多次

另一種方法是只運行內核多次，并查看探查器中的平均時間。為此，我需要修改錯誤檢查代碼，以便正確報告結果。以下是在 Tesla P100 上 100 次運行內核的結果：

==48760== Profiling application: ./add_grid_many ==48760== Profiling result: Time(%) Time Calls Avg Min Max Name 100.00% 4.5526ms 100 45.526us 24.479us 2.0616ms add(int, float*, float*) ==48760== Unified Memory profiling result: Device "Tesla P100-PCIE-16GB (0)" Count Avg Size Min Size Max Size Total Size Total Time Name 174 47.080KB 4.0000KB 0.9844MB 8.000000MB 829.2480us Host To Device 24 170.67KB 4.0000KB 0.9961MB 4.000000MB 339.7760us Device To Host 14 - - - - 1.008684ms GPU Page fault groups Total CPU Page faults: 36

最短的內核運行時間只有 24 . 5 微秒，這意味著它可以獲得超過 500GB / s 的內存帶寬。我還包括了來自nvprof的統一內存分析輸出，它顯示了從主機到設備總共 8MB 的頁面錯誤，對應于第一次運行add時通過頁面錯誤復制到設備上的兩個 4MB 數組（x和y）。

預取

第三種方法是在初始化后使用統一內存預取將數據移動到 GPU 。 CUDA 為此提供了cudaMemPrefetchAsync()。我可以在內核啟動之前添加以下代碼。

 // Prefetch the data to the GPU int device = -1; cudaGetDevice(&device); cudaMemPrefetchAsync(x, N*sizeof(float), device, NULL); cudaMemPrefetchAsync(y, N*sizeof(float), device, NULL); // Run kernel on 1M elements on the GPU int blockSize = 256; int numBlocks = (N + blockSize - 1) / blockSize; saxpy<<>>(N, 1.0f, x, y);

現在當我在 Tesla P100 上評測時，我得到以下輸出。

==50360== Profiling application: ./add_grid_prefetch ==50360== Profiling result: Time(%) Time Calls Avg Min Max Name 100.00% 26.112us 1 26.112us 26.112us 26.112us add(int, float*, float*) ==50360== Unified Memory profiling result: Device "Tesla P100-PCIE-16GB (0)" Count Avg Size Min Size Max Size Total Size Total Time Name 4 2.0000MB 2.0000MB 2.0000MB 8.000000MB 689.0560us Host To Device 24 170.67KB 4.0000KB 0.9961MB 4.000000MB 346.5600us Device To Host Total CPU Page faults: 36

在這里，您可以看到內核只運行了一次，運行時間為 26 。 1us ，與前面顯示的 100 次運行中最快的一次相似。您還可以看到，不再報告任何 GPU 頁錯誤，主機到設備的傳輸顯示為四個 2MB 的傳輸，這要歸功于預取。

現在我們已經讓它在 P100 上運行得很快，讓我們將它添加到上次的結果表中。

關于并發性的注記

請記住，您的系統有多個處理器同時運行 CUDA 應用程序的部分：一個或多個 CPU 和一個或多個 GPUs 。即使在我們這個簡單的例子中，也有一個 CPU 線程和一個 GPU 執行上下文，因此在訪問任何一個處理器上的托管分配時都要小心，以確保沒有競爭條件。

從計算能力低于 6 。 0 的 CPU 和 GPUs 同時訪問托管內存是不可能的。這是因為 pre-Pascal GPUs 缺少硬件頁面錯誤，所以不能保證一致性。在這些 GPUs 上，內核運行時從 CPU 訪問將導致分段錯誤。

在 Pascal 和更高版本的 GPUs 上， CPU 和 GPU 可以同時訪問托管內存，因為它們都可以處理頁錯誤；但是，由應用程序開發人員來確保不存在由同時訪問引起的爭用條件。

在我們的簡單示例中，我們在內核啟動后調用了 cudaDeviceSynchronize（） 。這可以確保內核在 CPU 嘗試從托管內存指針讀取結果之前運行到完成。否則， CPU 可能會讀取無效數據（在 Pascal 和更高版本上），或獲得分段錯誤（在 pre-Pascal GPUs ）。

Pascal 及更高版本上統一內存的好處 GPUs

從 PascalGPU 體系結構開始，通過 49 位虛擬尋址和按需分頁 GPU 比率，統一內存功能得到了顯著改善。 49 位虛擬地址足以使 GPUs 訪問整個系統內存加上系統中所有 GPUs 的內存。頁面 MIG 比率引擎允許 GPU 線程在非駐留內存訪問時出現故障，因此系統可以根據需要從系統中的任何位置對 MIG 的內存中的頁面進行 MIG 分級，以實現高效處理。

允許使用統一內存 cudaMallocManaged（） 對統一內存進行分配。無論是在一個 GPU 上運行還是在多個 GPU 上運行，它都不會對應用程序進行任何修改。

另外， Pascal 和 VoltaGPUs 支持系統范圍的原子內存操作。這意味著您可以對系統中任何地方的多個 GPUs 值進行原子操作。這對于編寫高效的 multi-GPU 協作算法非常有用。

請求分頁對于以稀疏模式訪問數據的應用程序尤其有利。在某些應用程序中，不知道特定處理器將訪問哪些特定內存地址。如果沒有硬件頁面錯誤，應用程序只能預加載整個陣列，或者承受設備外訪問的高延遲成本（也稱為“零拷貝”）。但是頁面錯誤意味著只有內核訪問的頁面需要被 MIG 評級。

關于作者

Mark Harris 是 NVIDIA 杰出的工程師，致力于 RAPIDS 。 Mark 擁有超過 20 年的 GPUs 軟件開發經驗，從圖形和游戲到基于物理的模擬，到并行算法和高性能計算。當他還是北卡羅來納大學的博士生時，他意識到了一種新生的趨勢，并為此創造了一個名字： GPGPU （圖形處理單元上的通用計算）。

審核編輯：郭婷