GPU share memory 的应用 （主要内容转载）

链接http://www.aiuxian.com/article/p-2042151.html

同一个block的threads使用shared memory space 要比global memory快很多,所以只要有机会就把global memory整成shared memory。

例子：matrixmultiply

main()程序

1 // Matrices are stored in row-major order:
2 // M(row, col) = *(M.elements + row * M.width + col)
3 typedef struct {
4     int width;
5     int height;
6     float* elements;
7 } Matrix;
8
9 // Thread block size
10 #define BLOCK_SIZE 16
11
12 // Forward declaration of the matrix multiplication kernel
13 __global__ void MatMulKernel(const Matrix, const Matrix, Matrix);
14
15 // Matrix multiplication - Host code
16 // Matrix dimensions are assumed to be multiples of BLOCK_SIZE
17 void MatMul(const Matrix A, const Matrix B, Matrix C)
18 {
19     // Load A and B to device memory
20     Matrix d_A;
21     d_A.width = A.width; d_A.height = A.height;
22     size_t size = A.width * A.height * sizeof(float);
23     cudaMalloc(&d_A.elements, size);
24     cudaMemcpy(d_A.elements, A.elements, size,
25     cudaMemcpyHostToDevice);
26     Matrix d_B;
27     d_B.width = B.width; d_B.height = B.height;
28     size = B.width * B.height * sizeof(float);
29     cudaMalloc(&d_B.elements, size);
30     cudaMemcpy(d_B.elements, B.elements, size,
31     cudaMemcpyHostToDevice);
32
33     // Allocate C in device memory
34     Matrix d_C;
35     d_C.width = C.width; d_C.height = C.height;
36     size = C.width * C.height * sizeof(float);
37     cudaMalloc(&d_C.elements, size);
38
39     // Invoke kernel
40     dim3 dimBlock(BLOCK_SIZE, BLOCK_SIZE);
41     dim3 dimGrid(B.width / dimBlock.x, A.height / dimBlock.y);
42     MatMulKernel<<<dimGrid, dimBlock>>>(d_A, d_B, d_C);
43
44     // Read C from device memory
45     cudaMemcpy(C.elements, Cd.elements, size,
46     cudaMemcpyDeviceToHost);
47     }
48
49     // Free device memory
50     cudaFree(d_A.elements);
51     cudaFree(d_B.elements);
52     cudaFree(d_C.elements);
53 }

使用Global memory

// Matrix multiplication kernel called by MatMul()
__global__ void MatMulKernel(Matrix A, Matrix B, Matrix C)
{
// Each thread computes one element of C
// by accumulating results into Cvalue
float Cvalue = 0;
int row = blockIdx.y * blockDim.y + threadIdx.y;
int col = blockIdx.x * blockDim.x + threadIdx.x;
for (int e = 0; e < A.width; ++e)
Cvalue += A.elements[row * A.width + e]* B.elements[e * B.width + col];
C.elements[row * C.width + col] = Cvalue;
}

使用share memory

每个thread block负责计算一个子矩阵Csub, 其中每个thread负责计算Csub中的一个元素。如下图所示。为了将fit设备资源，A，B都分割成很多block_size维的方形matrix，Csub将这些方形matrix的乘积求和而得。每次计算一个乘积时，先将两个对应方形矩阵从global memory 载入 shared memory，然后每个thread计算乘积的一个元素，再由每个thread将这些product加和，存入一个register，最后一次性写入global memory。计算时注意同步。

__global__ void MatMulKernel(Matrix A, Matrix B, Matrix C)
{
// Block row and column
int blockRow = blockIdx.y;
int blockCol = blockIdx.x;

// Each thread block computes one sub-matrix Csub of C
Matrix Csub = GetSubMatrix(C, blockRow, blockCol); //仅仅得到global memory的地址

// Each thread computes one element of Csub by accumulating results into Cvalue

float Cvalue = 0;

// Thread row and column within Csub
int row = threadIdx.y;
int col = threadIdx.x;

// Loop over all the sub-matrices of A and B that are
// required to compute Csub
// Multiply each pair of sub-matrices together
// and accumulate the results

for (int m = 0; m < (A.width / BLOCK_SIZE); ++m) {

// Get sub-matrix Asub of A
Matrix Asub = GetSubMatrix(A, blockRow, m);//仅仅得到global memory的地址
// Get sub-matrix Bsub of B
Matrix Bsub = GetSubMatrix(B, m, blockCol);//仅仅得到global memory的地址

// Shared memory used to store Asub and Bsub respectively
__shared__ float As[BLOCK_SIZE][BLOCK_SIZE];
__shared__ float Bs[BLOCK_SIZE][BLOCK_SIZE];

// Load Asub and Bsub from device memory to shared memory  // load 数据一次
// Each thread loads one element of each sub-matrix
As[row][col] = GetElement(Asub, row, col);
Bs[row][col] = GetElement(Bsub, row, col);

// Synchronize to make sure the sub-matrices are loaded
// before starting the computation
__syncthreads();

// Multiply Asub and Bsub together
for (int e = 0; e < BLOCK_SIZE; ++e)
Cvalue += As[row][e] * Bs[e][col];

// Synchronize to make sure that the preceding
// computation is done before loading two new
// sub-matrices of A and B in the next iteration
__syncthreads();
}

// Write Csub to device memory
// Each thread writes one element
SetElement(Csub, row, col, Cvalue);
}

注意：

1、使用global memory, A中的每个元素从global memory 读入N次；使用share memory，A中的每个元素从global memory 仅读入 N/BLOCK_SIZE次；

2、thread中的变量，如果没有声明__share__或者__constant__则表示放在thread自己的register中，如果register不够，则放在L1 cache 或者 local memory中。其他threads是不能访问的。

3、如果在变量前加__share__表示将数据放在share memory中，好处，如果一个数据被同一个block中的thread多次访问，放在share memory中，每次从share memory中取数据，比每次去global memory中取数据快很多。

4、例子的share memory的使用如下：

（1、将As[][]声明为share memory变量，放在share memory；

（2、每个thread从global memory load 一个元素放到As[][]中，即放到share memory；

（3、同步。确保As[][]的所有数据都到达share memory，因为下一步是计算，必须确保所有元素都已到达share memory，否则不正确；

（4、同一个block的所有threads开始计算；

（5、同步。因为下一步是重新load 另一块As[][]，会覆盖当前As[][]的数据。

5、share memory 可以减少多次从 global memory load数据。记住：share memory的数据计算的时候，还是需要load 到register中，从share memory到register的距离明显比global memory到register的时间少！！