原创文章,未经容许,禁止转载!谢谢!git
关于CUDA并行计算,我以前正儿八经的写过两篇博客:github
那时候,我正好完成了立体匹配算法的CUDA实现,掌握了一些实实在在的CUDA编程知识,我从个人博士论文里把CUDA部分整理出来写了两篇很基础的科普文。算法
感兴趣的同窗能够看看我实现的算法运行视频:编程
转眼快两年时间,我中间居然再也没系统性的碰过CUDA,我想个人技术怕是要退化了。最近,组内同事接到一个CUDA算法优化项目,在效率优化的过程当中,咱们相互交流学习,就发现一个有关设备端和主机端之间数据传输的效率问题,简单来讲就是数据传输效率成为了算法的性能瓶颈。缓存
同事最终经过固定内存和异步传输解决了该问题。本篇的主题也就以此为背景,想为你们科普下:微信
如何提升数据传输效率!app
有同窗可能想说,数据传输不就是cudaMemcpy吗?还有什么优化的方案呢?异步
固然有,还不止一种!
咱们讨论的数据传输,是指设备端和主机端的数据相互拷贝。
设备端指GPU端,数据存放在显存中;主机端指CPU,数据存放在内存中。通常状况下,设备端是不能直接访问主机端内存的(注意是通常状况下,有一种状况是例外,我后面会说),而咱们的数据一般状况下都是存放在主机端内存中,要在GPU中执行算法运算就必须先把数据拷贝至设备端,运算完成再把结果拷回至主机端。这个传输过程,显然是会耗时的。
传输须要多少耗时? 这和PCIe总线带宽正相关。PCIe是CPU和GPU之间数据传输的接口,发展至今有多代技术,从以前的PCIe 1.0到如今的PCIe 3.0、PCIe 4.0,带宽愈来愈大,传输也是愈来愈快。通常PCIe会有多条Lane并行传输,理论传输速度成倍增长,我这里列一下多路PCIe 3.0、PCIe 4.0各自的带宽数值:
能够看到不一样代次的总线宽度显著不一样,而多Lane有成倍的带宽优点。
我用GPU查了查个人GTX1070桌面版,显示是PCIe x16 3.0,对应上表中的16000MB/s的带宽。
咱们能够经过总线带宽来计算数据传输耗时,以一张1280x960的灰度图像为例,1个像素占1个字节,则传输数据量为 1280x960x1 B = 1228800 B = 1200 KB = 1.172 MB。若用个人GTX1070,则传输耗时 t = 1.172/16000 s ≈ 0.07 ms。看起来不多对不对,但咱们算的但是理论峰值带宽,你见过有几个产品能到理论峰值的呢?最后的时间基本是要打较大折扣的,时间估计在0.12ms左右,你可能仍是以为不多,可是若是你传的是彩色图(一个像素3个字节)呢?要是一次须要传两张图呢?t = 0.12 x 3 x 2 = 0.72 ms,对于GPU算法来讲,这个时间就不应被忽视了。
本文的主题即整理CUDA中各类不一样的内存分配/传输方式,传输效率有何不一样。但愿能为你们设计算法提供一个参考。
在CUDA中常规的传输接口是cudaMemcpy,我想这也是被使用最多的接口,他能够将数据从主机端拷贝至设备端,也能够从设备端拷贝至主机端,函数声明以下:
__host__ cudaError_t cudaMemcpy ( void* dst, const void* src, size_t count, cudaMemcpyKind kind )
cudaMemcpyKind决定拷贝的方向,有如下取值:
cudaMemcpyHostToHost = 0 Host -> Host cudaMemcpyHostToDevice = 1 Host -> Device cudaMemcpyDeviceToHost = 2 Device -> Host cudaMemcpyDeviceToDevice = 3 Device -> Device cudaMemcpyDefault = 4 Direction of the transfer is inferred from the pointer values. Requires unified virtual addressing
该方式使用很是简单,不少状况下效率也足以知足性能需求。
顾名思义,cudaMemcpy2D/cudaMalloc3D是应对2D及3D矩阵数据的。以图像为例,咱们能够用cudaMalloc来分配一维数组来存储一张图像数据,但这不是效率最快的方案,推荐的方式是使用cudaMallocPitch来分配一个二维数组来存储图像数据,存取效率更快。
__host__ cudaError_t cudaMallocPitch ( void** devPtr, size_t* pitch, size_t width, size_t height )
cudaMallocPitch有一个很是好的特性是二维矩阵的每一行是内存对齐的,访问效率比一维数组更高。而经过cudaMallocPitch分配的内存必须配套使用cudaMemcpy2D完成数据传输。
__host__ cudaError_t cudaMemcpy2D ( void* dst, size_t dpitch, const void* src, size_t spitch, size_t width, size_t height, cudaMemcpyKind kind )
相比于cudaMemcpy2D对了两个参数dpitch和spitch,他们是每一行的实际字节数,是对齐分配cudaMallocPitch返回的值。
并不是说cudaMemcpy2D/cudaMemcpy3D比cudaMemcpy传输更快,而是对齐内存必须使用cudaMemcpy2D/cudaMemcpy3D来配套使用。
3D矩阵的配套API为:
__host__ cudaError_t cudaMalloc3D ( cudaPitchedPtr* pitchedDevPtr, cudaExtent extent ) __host__ cudaError_t cudaMemcpy3D ( const cudaMemcpy3DParms* p )
咱们知道传输是走PCIe总线的,计算和PCIe总线里的数据流通彻底独立,那么某些状况下,咱们可让计算和传输异步进行,而不是等数据传输完再作计算。
举个例子:我必须一次传入两张图像,作处理运算。常规操做是使用cudaMemcpy或者cudaMemcpy2D把两张图像都传输到显存,再启动kernel运算。传输和运算是串行的,运算必须等待传输完成。
而cudaMemcpyAsync / cudaMemcpy2DAsync / cudaMemcpy3DAsync 可让传输和运算之间异步并行。上面的例子,若是用cudaMemcpyAsync或cudaMemcpy2DAsync,能够先传输第一张影像到显存,而后启动第一张影像的运算kernel,同时启动第二张影像的传输,此时第一张影像的运算和第二张影像的传输就是异步进行的,互相独立,即可隐藏掉第二张影像的传输耗时。
三个异步传输接口以下:
__host__ __device__ cudaError_t cudaMemsetAsync ( void* devPtr, int value, size_t count, cudaStream_t stream = 0 ) __host__ __device__ cudaError_t cudaMemcpy2DAsync ( void* dst, size_t dpitch, const void* src, size_t spitch, size_t width, size_t height, cudaMemcpyKind kind, cudaStream_t stream = 0 ) __host__ __device__ cudaError_t cudaMemcpy3DAsync ( const cudaMemcpy3DParms* p, cudaStream_t stream = 0 )
异步传输是很是实用的,当你一次处理多个数据时,能够考虑是否能够用异步传输来隐藏一部分传输耗时。
锁页内存是在主机端上的内存。主机端常规方式分配的内存(用new、malloc等方式)都是可分页(pageable)的,操做系统能够将可分页内存和虚拟内存(硬盘上的一块空间)相互交换,以得到比实际内存容量更大的内存使用。
问:为何个人内存满了程序还不崩?
答:由于正在使用虚拟内存。
问:为何这么慢!
答:你就想一想你拷文件有多慢。
如上所述,可分页内存在分配后是可能被操做系统移动的,GPU端没法获知操做系统是否正在移动对可分页内存,因此不可以让GPU端直接访问。实际的状况是,当从可分页内存传输数据到设备内存时,CUDA驱动程序首先分配临时页面锁定的主机内存,将可分页内存复制到页面锁定内存中 [copy 1],而后再从页面锁定内存传输到设备内存 [copy 2]。显然,这里面有两次传输。
因此咱们可否直接分配页面锁定的内存?让GPU端直接访问,让传输只有一次!
答案是确定的,咱们能够在主机端分配锁页内存。锁页内存是主机端一块固定的物理内存,它不能被操做系统移动,不参与虚拟内存相关的交换操做。简而言之,分配以后,地址就固定了,被释放以前不会再变化。
GPU知道锁页内存的物理地址,能够经过“直接内存访问(Direct Memory Access,DMA)”技术直接在主机和GPU之间复制数据,传输仅一次,效率更高。
CUDA提供两种方式在主机端分配锁页内存
__host__ cudaError_t cudaMallocHost ( void** ptr, size_t size )
ptr为分配的锁页内存地址,size为分配的字节数。
__host__ cudaError_t cudaHostAlloc ( void** pHost, size_t size, unsigned int flags )
pHost为分配的锁页内存地址,size为分配的字节数,flags为内存分配类型,取值以下:
分配的锁页内存必须使用cudaFreeHost接口释放。
对于一个已存在的可分页内存,可以使用cudaHostRegister() 函数将其注册为锁页内存:
__host__ cudaError_t cudaHostRegister ( void* ptr, size_t size, unsigned int flags )
flags和上面一致。
锁页内存的缺点是分配空间过多可能会下降主机系统的性能,由于它减小了用于存储虚拟内存数据的可分页内存的数量。对于图像这类小内存应用仍是比较合适的。
一般来讲,设备端没法直接访问主机内存,但有一个例外:零拷贝内存!顾名思义,零拷贝内存是无需拷贝就能够在主机端和设备端直接访问的内存。
零拷贝具备以下优点:
准确来讲,零拷贝并非无需拷贝,而是无需显式拷贝。使用零拷贝内存时不须要cudaMemcpy之类的显式拷贝操做,直接经过指针取值,因此对调用者来讲彷佛是没有拷贝操做。但其实是在引用内存中某个值时隐式走PCIe总线拷贝,这样的方式有几个优势:
零拷贝内存是一块主机端和设备端共享的内存区域,是锁页内存,使用cudaHostAlloc接口分配。上一小结已经介绍了零拷贝内存的分配方法。分配标志是cudaHostAllocMapped。
对于零拷贝内存,设备端和主机端分别有一个地址,主机端分配时便可获取,设备端经过函数cudaHostGetDevicePointer函数获取地址。
__host__ cudaError_t cudaHostGetDevicePointer ( void** pDevice, void* pHost, unsigned int flags )
该函数返回一个在设备端的指针pDevice,该指针能够在设备端被引用以访问映射获得的主机端锁页内存。若是设备端不支持零拷贝方式(主机内存映射),则返回失败。可使用接口cudaGetDeviceProperties来检查设备是否支持主机内存映射:
struct cudaDeviceProp device_prop cudaGetDeviceProperties(&device_prop,device_num); zero_copy_supported=device_prop.canMapHostMemory;
如上所述,零拷贝不是无需拷贝,而是一种隐式异步即时拷贝策略,每次隐式拷贝仍是要走PCIe总线,因此频繁的对零拷贝内存进行读写,性能也会显著下降。
如下几种状况,可建议使用零拷贝内存:
从以上内容,咱们总结几点关键信息:
博主简介:
Ethan Li 李迎松(知乎:李迎松)
武汉大学 摄影测量与遥感专业博士
主方向立体匹配、三维重建
2019年获测绘科技进步一等奖(省部级)
爱三维,爱分享,爱开源
GitHub: https://github.com/ethan-li-coding
邮箱:ethan.li.whu@gmail.com
我的微信:
欢迎交流!
关注博主不迷路,感谢!
博客主页:https://ethanli.blog.csdn.net/