CUDA从入门到精通：性能剖析和Visual Profiler

约定不等于承诺〃 2022-11-27 00:46 148阅读 0赞

入门后的进一步学习的内容，就是如何优化自己的代码。我们前面的例子没有考虑任何性能方面优化，是为了更好地学习基本知识点，而不是其他细节问题。从本节开始，我们要从性能出发考虑问题，不断优化代码，使执行速度提高是并行处理的唯一目的。

测试代码运行速度有很多方法，C语言里提供了类似于SystemTime()这样的API获得系统时间，然后计算两个事件之间的时长从而完成计时功能。在CUDA中，我们有专门测量设备运行时间的API，下面一一介绍。

翻开编程手册《CUDA\_Toolkit\_Reference\_Manual》，随时准备查询不懂得API。我们在运行核函数前后，做如下操作：

cudaEvent_t start,stop; //事件对象 
       cudaEventCreate(&start); //创建事件 
       cudaEventCreate(&stop); //创建事件 
       cudaEventRecord(start,stream); //记录开始 
       myKernel<<<dimg,dimb,size_smem,stream>>>(parameter list); //执行核函数 
       
       cudaEventRecord(stop,stream); //记录结束事件 
       cudaEventSynchronize(stop); //事件同步，等待结束事件之前的设备操作均已完成 
       float elapsedTime; 
       cudaEventElapsedTime(&elapsedTime,start,stop); //计算两个事件之间时长（单位为ms）

核函数执行时间将被保存在变量elapsedTime中。通过这个值我们可以评估算法的性能。下面给一个例子，来看怎么使用计时功能。

前面的例子规模很小，只有5个元素，处理量太小不足以计时，下面将规模扩大为1024，此外将反复运行1000次计算总时间，这样估计不容易受随机扰动影响。我们通过这个例子对比线程并行和块并行的性能如何。代码如下：

#include "cuda_runtime.h" 
       #include "device_launch_parameters.h" 
       #include <stdio.h> 
       cudaError_t addWithCuda(int *c, const int *a, const int *b, size_t size); 
       __global__ void addKernel_blk(int *c, const int *a, const int *b) 
       { 
       int i = blockIdx.x; 
       c[i] = a[i]+ b[i]; 
       } 
       __global__ void addKernel_thd(int *c, const int *a, const int *b) 
       { 
       int i = threadIdx.x; 
       c[i] = a[i]+ b[i]; 
       } 
       int main() 
       { 
       const int arraySize = 1024; 
       int a[arraySize] = { 0}; 
       int b[arraySize] = { 0}; 
       for( int i = 0;i<arraySize;i++) 
       { 
       a[i] = i; 
       b[i] = arraySize-i; 
       } 
       int c[arraySize] = { 0}; 
       // Add vectors in parallel. 
       cudaError_t cudaStatus; 
       int num = 0; 
       cudaDeviceProp prop; 
       cudaStatus = cudaGetDeviceCount(&num); 
       for( int i = 0;i<num;i++) 
       { 
       cudaGetDeviceProperties(&prop,i); 
       } 
       cudaStatus = addWithCuda(c, a, b, arraySize); 
       if (cudaStatus != cudaSuccess) 
       { 
       fprintf( stderr, "addWithCuda failed!"); 
       return 1; 
       } 
       
       // cudaThreadExit must be called before exiting in order for profiling and 
       // tracing tools such as Nsight and Visual Profiler to show complete traces. 
       cudaStatus = cudaThreadExit(); 
       if (cudaStatus != cudaSuccess) 
       { 
       fprintf( stderr, "cudaThreadExit failed!"); 
       return 1; 
       } 
       for( int i = 0;i<arraySize;i++) 
       { 
       if(c[i] != (a[i]+b[i])) 
       { 
       printf( "Error in %d\n",i); 
       } 
       } 
       return 0; 
       } 
       // Helper function for using CUDA to add vectors in parallel. 
       cudaError_t addWithCuda(int *c, const int *a, const int *b, size_t size) 
       { 
       int *dev_a = 0; 
       int *dev_b = 0; 
       int *dev_c = 0; 
       cudaError_t cudaStatus; 
       
       // Choose which GPU to run on, change this on a multi-GPU system. 
       cudaStatus = cudaSetDevice( 0); 
       if (cudaStatus != cudaSuccess) 
       { 
       fprintf( stderr, "cudaSetDevice failed! Do you have a CUDA-capable GPU installed?"); 
       goto Error; 
       } 
       // Allocate GPU buffers for three vectors (two input, one output) . 
       cudaStatus = cudaMalloc(( void**)&dev_c, size * sizeof( int)); 
       if (cudaStatus != cudaSuccess) 
       { 
       fprintf( stderr, "cudaMalloc failed!"); 
       goto Error; 
       } 
       cudaStatus = cudaMalloc(( void**)&dev_a, size * sizeof( int)); 
       if (cudaStatus != cudaSuccess) 
       { 
       fprintf( stderr, "cudaMalloc failed!"); 
       goto Error; 
       } 
       cudaStatus = cudaMalloc(( void**)&dev_b, size * sizeof( int)); 
       if (cudaStatus != cudaSuccess) 
       { 
       fprintf( stderr, "cudaMalloc failed!"); 
       goto Error; 
       } 
       // Copy input vectors from host memory to GPU buffers. 
       cudaStatus = cudaMemcpy(dev_a, a, size * sizeof( int), cudaMemcpyHostToDevice); 
       if (cudaStatus != cudaSuccess) 
       { 
       fprintf( stderr, "cudaMemcpy failed!"); 
       goto Error; 
       } 
       cudaStatus = cudaMemcpy(dev_b, b, size * sizeof( int), cudaMemcpyHostToDevice); 
       if (cudaStatus != cudaSuccess) 
       { 
       fprintf( stderr, "cudaMemcpy failed!"); 
       goto Error; 
       } 
       cudaEvent_t start,stop; 
       cudaEventCreate(&start); 
       cudaEventCreate(&stop); 
       cudaEventRecord(start, 0); 
       for( int i = 0;i< 1000;i++) 
       { 
       // addKernel_blk<<<size,1>>>(dev_c, dev_a, dev_b); 
       addKernel_thd<<< 1,size>>>(dev_c, dev_a, dev_b); 
       } 
       cudaEventRecord(stop, 0); 
       cudaEventSynchronize(stop); 
       float tm; 
       cudaEventElapsedTime(&tm,start,stop); 
       printf( "GPU Elapsed time:%.6f ms.\n",tm); 
       // cudaThreadSynchronize waits for the kernel to finish, and returns 
       // any errors encountered during the launch. 
       cudaStatus = cudaThreadSynchronize(); 
       if (cudaStatus != cudaSuccess) 
       { 
       fprintf( stderr, "cudaThreadSynchronize returned error code %d after launching addKernel!\n", cudaStatus); 
       goto Error; 
       } 
       // Copy output vector from GPU buffer to host memory. 
       cudaStatus = cudaMemcpy(c, dev_c, size * sizeof( int), cudaMemcpyDeviceToHost); 
       if (cudaStatus != cudaSuccess) 
       { 
       fprintf( stderr, "cudaMemcpy failed!"); 
       goto Error; 
       } 
       Error: 
       cudaFree(dev_c); 
       cudaFree(dev_a); 
       cudaFree(dev_b); 
       return cudaStatus; 
       }

addKernel\_blk是采用块并行实现的向量相加操作，而addKernel\_thd是采用线程并行实现的向量相加操作。分别运行，得到的结果如下图所示：

线程并行：

![Center][]

块并行：

![Center 1][]

可见性能竟然相差近16倍！因此选择并行处理方法时，如果问题规模不是很大，那么采用线程并行是比较合适的，而大问题分多个线程块处理时，每个块内线程数不要太少，像本文中的只有1个线程，这是对硬件资源的极大浪费。一个理想的方案是，分N个线程块，每个线程块包含512个线程，将问题分解处理，效率往往比单一的线程并行处理或单一块并行处理高很多。这也是CUDA编程的精髓。

上面这种分析程序性能的方式比较粗糙，只知道大概运行时间长度，对于设备程序各部分代码执行时间没有一个深入的认识，这样我们就有个问题，如果对代码进行优化，那么优化哪一部分呢？是将线程数调节呢，还是改用共享内存？这个问题最好的解决方案就是利用Visual Profiler。下面内容摘自《CUDA\_Profiler\_Users\_Guide》

“Visual Profiler是一个图形化的剖析工具，可以显示你的应用程序中CPU和GPU的活动情况，利用分析引擎帮助你寻找优化的机会。”

其实除了可视化的界面，NVIDIA提供了命令行方式的剖析命令：nvprof。对于初学者，使用图形化的方式比较容易上手，所以本节使用Visual Profiler。

打开Visual Profiler，可以从CUDA Toolkit安装菜单处找到。主界面如下：

![Center 2][]

我们点击File->New Session，弹出新建会话对话框，如下图所示：

![Center 3][]

其中File一栏填入我们需要进行剖析的应用程序exe文件，后面可以都不填（如果需要命令行参数，可以在第三行填入），直接Next，见下图：

![Center 4][]

第一行为应用程序执行超时时间设定，可不填；后面三个单选框都勾上，这样我们分别使能了剖析，使能了并发核函数剖析，然后运行分析器。

点Finish，开始运行我们的应用程序并进行剖析、分析性能。

![Center 5][]

上图中，CPU和GPU部分显示了硬件和执行内容信息，点某一项则将时间条对应的部分高亮，便于观察，同时右边详细信息会显示运行时间信息。从时间条上看出，cudaMalloc占用了很大一部分时间。下面分析器给出了一些性能提升的关键点，包括：低计算利用率（计算时间只占总时间的1.8%，也难怪，加法计算复杂度本来就很低呀！）；低内存拷贝/计算交叠率（一点都没有交叠，完全是拷贝——计算——拷贝）；低存储拷贝尺寸（输入数据量太小了，相当于你淘宝买了个日记本，运费比实物价格还高！）；低存储拷贝吞吐率（只有1.55GB/s）。这些对我们进一步优化程序是非常有帮助的。

我们点一下Details，就在Analysis窗口旁边。得到结果如下所示：

![Center 6][]

通过这个窗口可以看到每个核函数执行时间，以及线程格、线程块尺寸，占用寄存器个数，静态共享内存、动态共享内存大小等参数，以及内存拷贝函数的执行情况。这个提供了比前面cudaEvent函数测时间更精确的方式，直接看到每一步的执行时间，精确到ns。

在Details后面还有一个Console，点一下看看。

![Center 7][]

这个其实就是命令行窗口，显示运行输出。看到加入了Profiler信息后，总执行时间变长了（原来线程并行版本的程序运行时间只需4ms左右）。这也是“测不准定理”决定的，如果我们希望测量更细微的时间，那么总时间肯定是不准的；如果我们希望测量总时间，那么细微的时间就被忽略掉了。

后面Settings就是我们建立会话时的参数配置，不再详述。

通过本节，我们应该能对CUDA性能提升有了一些想法，好，下一节我们将讨论如何优化CUDA程序。

[Center]: /images/20221124/cdfc5dc6d44d4846a52074a711fdcaaf.png
[Center 1]: /images/20221124/abe3ca50bc92425cab9639f531f5c3a8.png
[Center 2]: /images/20221124/3b896eef61cc423d9a024b880ae0b008.png
[Center 3]: /images/20221124/fdca5609100f44a3a43e1cba99ae1c5a.png
[Center 4]: /images/20221124/6c2a478af2c044279c7d4d4629d78efd.png
[Center 5]: /images/20221124/f5cf98e9e1cd4a2a9a5f814d2a6b3ea8.png
[Center 6]: /images/20221124/f80a309e099a4ca2908f50b872892121.png
[Center 7]: /images/20221124/ff0ec9c5867f4e519a177e3ef4ede5b4.png