CUDA

CUDA

Vývojář	NVIDIA
Aktuální verze	4.1 (RC 1) (listopad 2011)
Operační systém	Microsoft Windows, Mac OS X, Linux
Typ softwaru	GPGPU
Licence	freeware
Web	http://www.nvidia.com

CUDA (Compute Unified Device Architecture) je hardwarová a softwarová architektura, která umožňuje na GPU spouštět programy napsané v jazycích C/C++, FORTRAN nebo programy postavené na technologiích OpenCL, DirectCompute a jiných. Tato architektura je dostupná pouze na grafických akcelerátorech společnosti NVIDIA, která ji vyvinula. Konkurenční technologie společnosti AMD se nazývá ATI Stream. Obě společnosti jsou také členy Khronos Group, která zajišťuje vývoj OpenCL.

Historie

Technologii představila společnost NVIDIA v roce 2006. V roce 2007 byla uvolněno SDK ve verzi 1.0 pro karty NVIDIA Tesla založené na architektuře G80. Ještě v prosinci téhož roku vyšla verze CUDA SDK 1.1, která přidala podporu pro karty série GeForce verze 8. Se správným ovladačem grafické karty přibyla podpora pro překrývání paměťových přenosů výpočtem a podpora pro více GPU akcelerátorů. V roce 2008 bylo vydáno současně s architekturou G200 SDK 2.0. Postupně s verzemi SDK 2.0 - 2.3 přibývala podpora pro emulovaný výpočet v double precision a podpora pro C++ šablony v rámci kernelu. V roce 2010 je v souvislosti s architekturou Fermi vydáno SDK 3.0, kde je již nativní podpora pro double precision výpočty, podpora pro ukazatele na funkce a podpora rekurze. Vylepšeny jsou také profilovací nástroje a debuggery pro CUDA / OpenCL. Nejnovější stabilní verze CUDA SDK 4.0 byla vydána v květnu roku 2011. Největší změna je zde unifikace paměťových prostorů a masivní podpora MultiGPU.

Architektura GPU

CPU vs. GPU

Drtivou většinu plochy čipu grafického akcelerátoru zabírá velké množství relativně jednoduchých skalárních procesorů (na rozdíl od architektury konkurenční firmy AMD, jejíž multiprocesory jsou tvořeny VLIW jednotkami), které jsou organizovány do větších celků zvaných streaming multiprocesory. Vzhledem k tomu, že se jedná o SIMT architekturu, řízení jednotek a plánování instrukcí je jednoduché a spolu s velmi malou vyrovnávací pamětí zabírá malé procento plochy GPU čipu. To má bohužel za následek omezené predikce skoků a časté zdržení výpadky cache (některé typy pamětí dokonce nejsou opatřeny cache). Poslední významnou částí, která je rozměrově velice podobná CPU je RAM řadič.

Struktura multiprocesoru

Schéma streaming multiprocesoru architektury Fermi

Obecně se multiprocesor skládá z několika (dnes až ze 32) stream procesorů, pole registrů, sdílené paměti, několika load/store jednotek a Special Function Unit - jednotky pro výpočet složitějších funkcí jako sin, cos, ln.

Výpočetní možnosti (Compute capability)

Výpočetní možnosti popisují vlastnosti zařízení a množinu instrukcí, které jsou podporovány. Některé z těchto vlastností jsou shrnuty v tabulce níže, ostatní lze nalézt v oddílu F NVIDIA CUDA C Programming Guide.

Výpočetní možnosti zařízení (compute capability)

Vlastnost	1.0	1.1	1.2	1.3	2.x
Maximální dimenze mřížky bloků	2				3
Maximální x-, y- nebo z- rozměr mřížky bloků	65535
Maximální dimenze bloku vláken	3
Maximální x-, y- rozměr bloku vláken	512				1024
Maximální z-rozměr bloku vláken	64
Maximální počet vláken v bloku	512				1024
Velikost warpu	32
Maximální počet bloků přidělených na multiprocesor	8
Maximální počet warpů přidělených na multiprocesor	24		32		48
Maximální počet vláken přidělených na multiprocesor	768		1024		1536
Počet 32-bitových registrů na multiprocesor	8 000		16 000		32 000
Maximální množství sdílené paměti na multiprocesor	16 KB				48 KB
Počet sdílených paměťových banků	16				32
Množství lokální paměti na vlákno	16 KB				512 KB
Velikost konstantní paměti	64 KB
Velikost cache pro konstantní paměť na multiprocesor	8 KB
Velikost cache pro texturovací paměť na multiprocesor	Závislé na zařízení, mezi 6 KB a 8 KB
Maximální počet textur na jeden kernel	128
Maximální počet instrukcí na jeden kernel	2 000 000
Podpora výpočtů v double-precision	Ne			Ano

Programovací model

Uspořádání vláken a bloků

CUDA aplikace je složena z částí, které běží buď na hostu (CPU) nebo na CUDA zařízení (GPU). Části aplikace běžící na zařízení jsou spouštěny hostem zavoláním kernelu, což je funkce, která je prováděna každým spuštěným vláknem (thread).

Blok (thread block) 

Vlákna jsou organizována do 1D, 2D nebo 3D bloků, kde vlákna ve stejném bloku mohou sdílet data a lze synchronizovat jejich běh. Počet vláken na jeden blok je závislý na výpočetních možnostech zařízení. Každé vlákno je v rámci bloku identifikováno unikátním indexem přístupným ve spuštěném kernelu přes zabudovanou proměnou threadIdx.

Mřížka (grid) 

Bloky jsou organizovány do 1D, 2D nebo 3D mřížky. Blok lze v rámci mřížky identifikovat unikátním indexem přístupným ve spuštěném kernelu přes zabudovanou proměnou blockIdx. Každý blok vláken musí být schopen pracovat nezávisle na ostatních, aby byla umožněna škálovatelnost systému (na GPU s více jádry půjde spustit více bloků paralelně oproti GPU s méně jádry kde bloky poběží v sérii).

Warp 

Balík vláken zpracovávaných v jednom okamžiku se nazývá warp. Jeho velikost je závislá na počtu výpočetních jednotek.

Počet a organizace spuštěných vláken v jednom bloku a počet a organizace bloků v mřížce se určuje při volání kernelu.

Typický průběh GPGPU výpočtu

1. Vyhrazení paměti na GPU
2. Přesun dat z hlavní paměti RAM do paměti grafického akcelerátoru
3. Spuštění výpočtu na grafické kartě
4. Přesun výsledků z paměti grafické karty do hlavní RAM paměti

Ukázka kódu v CUDA C

Převzato z .

// Kód pro GPU
__global__ void VecAdd(float* A, float* B, float* C, int N)
{
    int i = blockDim.x * blockIdx.x + threadIdx.x;
    if (i < N)
        C[i] = A[i] + B[i];
}
// Kód pro CPU
int main()
{
    int N = ...;
    size_t size = N * sizeof(float);
// Alokace vstupních vektorů h_A and h_B v hlavní paměti
    float* h_A = (float*)malloc(size);
    float* h_B = (float*)malloc(size);
// Inicializace vstupních vektorů
   ...
// Alokace paměti na zařízení
    float* d_A;
    cudaMalloc(&d_A, size);
    float* d_B;
    cudaMalloc(&d_B, size);
    float* d_C;
    cudaMalloc(&d_C, size);
// Přesun vektorů z hlavní paměti do paměti zařízení
    cudaMemcpy(d_A, h_A, size, cudaMemcpyHostToDevice);
    cudaMemcpy(d_B, h_B, size, cudaMemcpyHostToDevice);
// Volání kernelu
    int threadsPerBlock = 256;
    int blocksPerGrid = (N + threadsPerBlock – 1) / threadsPerBlock;
    VecAdd<<<blocksPerGrid, threadsPerBlock>>>(d_A, d_B, d_C, N);
// Přesun výsledků z paměti zařízení do hlavní paměti
    cudaMemcpy(h_C, d_C, size, cudaMemcpyDeviceToHost);
// Uvolnění paměti na zařízení
    cudaFree(d_A);
    cudaFree(d_B);
    cudaFree(d_C);
// Uvolnění hlavní paměti
...

Paměťový model

Hierarchie pamětí

Na grafické kartě je 6 druhů paměti, se kterými může programátor pracovat.

Pole registrů 

je umístěno na jednotlivých stream multiprocesorech a jejich rozdělení mezi jednotlivé stream procesory plánuje překladač. Každé vlákno může přistupovat pouze ke svým registrům.

Lokální paměť 

je užívána v případě, že dojde k vyčerpání registrů. Tato paměť je také přístupná pouze jednomu vláknu, je ale fyzicky umístěna v globální paměti akcelerátoru a tak je přístup k ní paradoxně pomalejší než např. ke sdílené paměti.

Sdílená paměť 

je jedinou pamětí kromě registrů, která je umístěna přímo na čipu streaming multiprocesoru. Mohou k ní přistupovat všechna vlákna v daném bloku. Ke sdílené paměti se přistupuje přes brány zvané banky. Každý bank může zpřístupnit pouze jednu adresu v jednom taktu a v případě, že více streaming procesorů požaduje přístup přes stejný bank, dochází k paměťovým konfliktům, které se řeší prostým čekáním. Speciálním případem je situace, kdy všechna vlákna čtou ze stejné adresy a bank hodnotu zpřístupní v jednom taktu všem streaming procesorům pomocí broadcastu.

Globální paměť 

je sdílená mezi všemi streaming multiprocesory a není ukládána do cache paměti.

Paměť konstant 

je paměť pouze pro čtení, stejně jako globální paměť je sdílená s tím rozdílem, že je pro ni na čipu multiprocesoru vyhrazena L1 cache. Podobně jako sdílená paměť umožňuje rozesílání výsledku broadcastem.

Paměť textur 

je také sdílená mezi SMP, určena pro čtení a disponuje cache pamětí. Je optimalizována pro 2D prostorovou lokalitu, takže vlákna ve stejném warpu, které čtou z blízkých texturovacích souřadnic dosahují nejlepšího výkonu.

Shrnutí vlastností pamětí

Typ paměti	Umístění	Uložení do cache	Přístup	Viditelnost	Životnost
Registry	Na čipu	Ne	Čtení/Zápis	1 vlákno	Vlákno
Lokální	Mimo čip	Ne	Čtení/Zápis	1 vlákno	Vlákno
Sdílená	Na čipu	Ne	Čtení/Zápis	Všechna vlákna v bloku	Blok
Globální	Mimo čip	Ne	Čtení/Zápis	Všechna vlákna a host	Do uvolnění
Paměť konstant	Mimo čip	Ano	Čtení	Všechna vlákna a host	Do uvolnění
Paměť textur	Mimo čip	Ano	Čtení	Všechna vlákna a host	Do uvolnění

Spolupráce s OpenGL a Direct3D

Některé prvky OpenGL a Direct3D mohou být mapovány do adresního prostoru CUDA aplikace, což umožňuje výměnu dat bez nutnosti jejich přenosu do hlavní paměti. Pro spolupráci s OpenGL lze mapovat OpenGL buffery, textury a renderbuffer objekty, pro spolupráci s Direct3D lze mapovat Direct3D buffery, textury a povrchy. Před samotným použitím v CUDA aplikaci je nutné nejprve prvek registrovat. Protože samotná registrace je výpočetně náročnou operací, je prováděna pouze jednou pro každý prvek. Registrované prvky lze poté podle potřeby přidávat a odebírat z adresního prostoru CUDA aplikace.

Přehled nástrojů pro debugging a profiling

Nedílnou součástí programování je profiling a debugging. Profiling je zvlášť důležitý pro optimalizaci velikosti bloků a počtu vláken, což má za následek lepší překrývání paměťových operací výpočtem.

Profilovací nástroje:

• NVIDIA Parallel Nsight
• NVIDIA Visual Profiler
• TAU Performance system
• VampirTrace
• The PAPI CUDA Component

Nástroje pro debugging:

• NVIDIA Parallel Nsight
• CUDA-GDB
• CUDA-MEMCHECK
• TotalView
• Allinea DDT