9. CUDA shared memory使用------GPU的革命

9. CUDA shared memory使用------GPU的革命

序言：明年就毕业了，下半年就要为以后的生活做打算。这半年，或许就是一个抉择的时候，又是到了一个要做选择的时候。或许是自己的危机意识比较强，一直都觉得自己做得不够好，还需要积累和学习。或许是知足常乐吧，从小山沟，能到香港，一步一步，自己都比较满足，只是心中一直抱着一个理想，坚持做一件事情，坚持想做点事情，踏踏实实，曾经失败过，曾经迷茫过，才学会了坚持，学会了坚毅，才体会了淡定和从容。人生路上，一路走，一路看，一路学，抱着感恩的心，帮助别人，就是帮助自己，未来的路才会更宽……

正文：书接上文《8. CUDA 内存使用 global 二------GPU的革命》 讲了global内存访问的时候，需要对齐的问题，只有在对齐的情况下才能保证global内存的高效访问。这一章节准备写一下shared memory的访问的问题，首先是讲一下shared的memory的两种使用方法，然后讲解一下shared memory的bank conflict的问题，这个是shared memory访问能否高效的问题所在；

Shared memory的常规使用：

1. 使用固定大小的数组：

/************************************************************************/
/* Example */
/************************************************************************/
__global__ void shared_memory_1(float* result, int num, float* table_1)
{
__shared__ float sh_data[THREAD_SIZE];
int idx = threadIdx.x;
float ret = 0.0f;
sh_data[idx] = table_1[idx];
for (int i = 0; i < num; i++)
{
ret += sh_data[idx %BANK_CONFLICT];
}
result[idx] = ret;

}

这里的sh_data就是固定大小的数组；

2. 使用动态分配的数组：

extern __shared__ char array[];
__global__ void shared_memory_1(float* result, int num, float* table_1, int shared_size)
{
float* sh_data = (float*)array; // 这里就让sh_data指向了shared memory的第一个地址，就可以动态分配空间
float* sh_data2 = (float*)&sh_data[shared_size]; // 这里的shared_size的大小为sh_data的大小；
int idx = threadIdx.x;
float ret = 0.0f;
sh_data[idx] = table_1[idx];
for (int i = 0; i < num; i++)
{
ret += sh_data[idx %BANK_CONFLICT];
}
result[idx] = ret;

}

这里是动态分配的空间，extern __shared__ char array[];指定了shared的第一个变量的地址，这里其实是指向shared memory空间地址；后面的动态分配float* sh_data = (float*)array;让sh_data指向array其实就是指向shared memory上的第一个地址；
后面的float* sh_data2 = (float*)&sh_data[shared_size];这里的sh_data2是指向的第一个sh_data的shared_size的地址，就是sh_data就是有了shared_size的动态分配的空间；
入下图：

3. 下面是讲解bank conflict

我们知道有每一个half-warp是16个thread，然后shared memory有16个bank，怎么分配这16个thread，分别到各自的bank去取shared memory，如果大家都到同一个bank取款，就会排队，这就造成了bank conflict，上面的代码可以用来验证一下bank conflict对代码性能造成的影响：

/************************************************************************/
/* Example */
/************************************************************************/
__global__ void shared_memory_1(float* result, int num, float* table_1)
{
__shared__ float sh_data[THREAD_SIZE];
int idx = threadIdx.x;
float ret = 0.0f;
sh_data[idx] = table_1[idx];
for (int i = 0; i < num; i++)
{
ret += sh_data[idx %BANK_CONFLICT];
}
result[idx] = ret;

}

// 1,2,3,4,5,6,7.....16
#define BANK_CONFLICT 16
这里的BANK_CONFLICT 定义为从1到16的大小，可以自己修改，来看看bank conflict对性能的影响；当BANK_CONFLICT为2的时候，就会通用有8个thread同时访问同一个bank，因为idx%2的取值只有2个0和1，所以16个都会访问bank0和bank1，以此类推，就可以测试整个的性能；
下面为示意图：



当然我们还可以利用16bank conflict，大家都访问同一个bank的同一个数据的时候，就可以形成一个broadcast，那样就会把数据同时广播给16个thread，这样就可以合理利用shared memory的broadcast的机会。
下面贴出代码，最好自己测试一下；
/********************************************************************
* shared_memory_test.cu
* This is a example of the CUDA program.
* Author: zhao.kaiyong(at)gmail.com
* http://blog.csdn.net/openhero * http://www.comp.hkbu.edu.hk/~kyzhao/ *********************************************************************/
#include
#include
#include
#include
// 1,2,3,4,5,6,7.....16
#define BANK_CONFLICT 16
#define THREAD_SIZE 16
/************************************************************************/
/* static */
/************************************************************************/
__global__ void shared_memory_static(float* result, int num, float* table_1)
{
__shared__ float sh_data[THREAD_SIZE];
int idx = threadIdx.x;
float ret = 0.0f;
sh_data[idx] = table_1[idx];
for (int i = 0; i < num; i++)
{
ret += sh_data[idx%BANK_CONFLICT];
}
result[idx] = ret;
}
/************************************************************************/
/* dynamic */
/************************************************************************/
extern __shared__ char array[];
__global__ void shared_memory_dynamic(float* result, int num, float* table_1, int shared_size)
{
float* sh_data = (float*)array; // 这里就让sh_data指向了shared memory的第一个地址，就可以动态分配空间
float* sh_data2 = (float*)&sh_data[shared_size]; // 这里的shared_size的大小为sh_data的大小；
int idx = threadIdx.x;
float ret = 0.0f;
sh_data[idx] = table_1[idx];
for (int i = 0; i < num; i++)
{
ret += sh_data[idx%BANK_CONFLICT];
}
result[idx] = ret;
}
/************************************************************************/
/* Bank conflict */
/************************************************************************/
__global__ void shared_memory_bankconflict(float* result, int num, float* table_1)
{
__shared__ float sh_data[THREAD_SIZE];
int idx = threadIdx.x;
float ret = 0.0f;
sh_data[idx] = table_1[idx];
for (int i = 0; i < num; i++)
{
ret += sh_data[idx % BANK_CONFLICT];
}
result[idx] = ret;
}
/************************************************************************/
/* HelloCUDA */
/************************************************************************/
int main(int argc, char* argv[])
{
if ( cutCheckCmdLineFlag(argc, (const char**) argv, "device"))
{
cutilDeviceInit(argc, argv);
}else
{
int id = cutGetMaxGflopsDeviceId();
cudaSetDevice(id);
}
float *device_result = NULL;
float host_result[THREAD_SIZE] ={0};
CUDA_SAFE_CALL( cudaMalloc((void**) &device_result, sizeof(float) * THREAD_SIZE));
float *device_table_1 = NULL;
float host_table1[THREAD_SIZE] = {0};
for (int i = 0; i < THREAD_SIZE; i++ )
{
host_table1[i] = rand()%RAND_MAX;
}
CUDA_SAFE_CALL( cudaMalloc((void**) &device_table_1, sizeof(float) * THREAD_SIZE));
CUDA_SAFE_CALL( cudaMemcpy(device_table_1, host_table1, sizeof(float) * THREAD_SIZE, cudaMemcpyHostToDevice));
unsigned int timer = 0;
CUT_SAFE_CALL( cutCreateTimer( &timer));
CUT_SAFE_CALL( cutStartTimer( timer));
shared_memory_static<<<1, THREAD_SIZE>>>(device_result, 1000, device_table_1);
//shared_memory_dynamic<<<1, THREAD_SIZE>>>(device_result, 1000, device_table_1, 16);
//shared_memory_bankconflict<<<1, THREAD_SIZE>>>(device_result, 1000, device_table_1);
CUT_CHECK_ERROR("Kernel execution failed/n");
CUDA_SAFE_CALL( cudaMemcpy(host_result, device_result, sizeof(float) * THREAD_SIZE, cudaMemcpyDeviceToHost));
CUT_SAFE_CALL( cutStopTimer( timer));
printf("Processing time: %f (ms)/n", cutGetTimerValue( timer));
CUT_SAFE_CALL( cutDeleteTimer( timer));
for (int i = 0; i < THREAD_SIZE; i++)
{
printf("%f ", host_result[i]);
}
CUDA_SAFE_CALL( cudaFree(device_result));
CUDA_SAFE_CALL( cudaFree(device_table_1));
cutilExit(argc, argv);
}
这里只是一个简单的demo，大家可以测试一下。下一章节会将一些shared memory的更多的特性，更深入的讲解shared memory的一些隐藏的性质；
再在接下来的章节会讲一些constant和texture的使用；
写的内容一直都是文字比较多，代码比较少，其实学习的过程更重要的思想，实践的代码，最好是自己写，唯一可以学习的是思想，学习更重要的也是思想的交流，知识的传播，最好的是思想的传播，代码，方法，都是只是一些工具而已。但是工具的熟练层度，就得靠自己下来多练习。