CUDA: 矩阵乘法优化
矩阵乘法是有实用价值的程序，我们会使用浮点数。
虽然矩阵乘法有点老套，不过因为它相当简单，而且也可以用来介绍一些有关 CUDA 的有趣性质。
矩阵乘法
为了单纯起见，我们这里以方形的矩阵为例子。基本上，假设有两个矩阵 A 和 B，则计算 AB = C 的方法如下：
for(i = 0; i < n; i++) {for(j = 0; j < n; j++) {C[i][j] = 0;for(k = 0; k < n; k++) {C[i][j] += A[i][k] * B[k][j];}}
}一开始，我们先准备好产生数据、设定 CUDA 等等的工作：
int main()
{float *a, *b, *c, *d;int n = 1000;if(!InitCUDA()) return 0;a = (float*) malloc(sizeof(float) * n * n);b = (float*) malloc(sizeof(float) * n * n);c = (float*) malloc(sizeof(float) * n * n);d = (float*) malloc(sizeof(float) * n * n);srand(0);matgen(a, n, n);matgen(b, n, n);clock_t time = matmultCUDA(a, n, b, n, c, n, n);matmult(a, n, b, n, d, n, n);compare_mat(c, n, d, n, n);double sec = (double) time / CLOCKS_PER_SEC;printf("Time used: %.2f (%.2lf GFLOPS)\n", sec, 2.0 * n * n * n / (sec * 1E9));return 0;
}InitCUDA 函式和第一个 CUDA 程序一样，可以直接参考前面的文章。以下是上面用到的一些其它的函式：
产生矩阵：
void matgen(float* a, int lda, int n)
{int i, j;for(i = 0; i < n; i++) {for(j = 0; j < n; j++) {a[i * lda + j] = (float) rand() / RAND_MAX + (float) rand() / (RAND_MAX * RAND_MAX);}}
}这个函式只是利用随机数生成器把矩阵填满 0 ~ 1 之间的数字。特别注意到因为 C 语言中无法声明变动大小的二维矩阵，所以我们使用 i * lda + j 的方式。
进行矩阵乘法：
void matmult(const float* a, int lda, const float* b, int ldb, float* c, int ldc, int n)
{int i, j, k;for(i = 0; i < n; i++) {for(j = 0; j < n; j++) {double t = 0;for(k = 0; k < n; k++) {t += a[i * lda + k] * b[k * ldb + j];}c[i * ldc + j] = t;}}
}这是以 CPU 进行矩阵乘法、用来进行验证答案正确与否的程序。特别注意到它用 double 来储存暂时的计算结果，以提高精确度。
验证结果：
void compare_mat(const float* a, int lda, const float* b, int ldb, int n)
{float max_err = 0;float average_err = 0;int i, j;for(i = 0; i < n; i++) {for(j = 0; j < n; j++) {if(b[i * ldb + j] != 0) {float err = fabs((a[i * lda + j] - b[i * ldb + j]) / b[i * ldb + j]);if(max_err < err) max_err = err;average_err += err;}}}printf("Max error: %g Average error: %g\n", max_err, average_err / (n * n));
}这个函式计算两个矩阵的最大相对误差和平均相对误差，并把结果印出来。
最后是 CUDA 的矩阵乘法的部份：
#define NUM_THREADS 256clock_t matmultCUDA(const float* a, int lda, const float* b, int ldb, float* c, int ldc, int n)
{float *ac, *bc, *cc;clock_t start, end;start = clock();cudaMalloc((void**) &ac, sizeof(float) * n * n); cudaMalloc((void**) &bc, sizeof(float) * n * n);cudaMalloc((void**) &cc, sizeof(float) * n * n);cudaMemcpy2D(ac, sizeof(float) * n, a, sizeof(float) * lda, sizeof(float) * n, n, cudaMemcpyHostToDevice);cudaMemcpy2D(bc, sizeof(float) * n, b, sizeof(float) * ldb, sizeof(float) * n, n, cudaMemcpyHostToDevice);int blocks = (n + NUM_THREADS - 1) / NUM_THREADS;matMultCUDA<<<blocks * n, NUM_THREADS>>>(ac, n, bc, n, cc, n, n);cudaMemcpy2D(c, sizeof(float) * ldc, cc, sizeof(float) * n, sizeof(float) * n, n, cudaMemcpyDeviceToHost);cudaFree(ac);cudaFree(bc);cudaFree(cc);end = clock();return end - start;
}这个函式相当单纯，就是在显卡内存中配置存放矩阵的内存，然后把主内存中的矩阵数据复制到显卡内存上。不过，因为我们的矩阵乘法函式可以指定 pitch(即 lda、ldb、和 ldc)，所以如果用一般的 cudaMemcpy 函式来复制内存的话，会需要每个 row 都分开复制，那会需要呼叫很多次 cudaMemcpy 函式，会使效率变得很差。因此，在这里我们用了一个新的 cudaMemcpy2D 函式，它是用来复制二维数组，可以指定数组的 pitch。这样就可以透过一次函数调用就可以了。
进行计算的 kernel 如下：
__global__ static void matMultCUDA(const float* a, size_t lda, const float* b, size_t ldb, float* c, size_t ldc, int n)
{const int tid = threadIdx.x;const int bid = blockIdx.x;const int idx = bid * blockDim.x + tid;const int row = idx / n;const int column = idx % n;int i;if(row < n && column < n) {float t = 0;for(i = 0; i < n; i++) {t += a[row * lda + i] * b[i * ldb + column];}c[row * ldc + column] = t;}
}这个函式一开始先从 bid 和 tid 计算出这个 thread 应该计算的 row 和 column，在判断 row 和 column 在范围内之后，就直接进行计算，并把结果写到 c 矩阵中，是非常单纯的函式。
在 GeForce 8800GT 上实际执行的结果如下：
Max error: 2.01484e-006 Average error: 3.36637e-007
Time used: 1.1560 (1.73 GFLOPS)
可以看到两个问题：
很明显的，执行效率相当低落。
最大相对误差偏高。理想上应该要低于 1e-6。
计算结果的误差偏高的原因是，在 CPU 上进行计算时，我们使用 double(即 64 bits 浮点数)来累进计算过程，而在 GPU 上则只能用 float(32 bits 浮点数)。在累加大量数字的时候，由于累加结果很快会变大，因此后面的数字很容易被舍去过多的位数。
由于 CUDA 的浮点数运算，在进行加、减、乘法时是符合 IEEE 754 规定的精确度的，因此，我们可以利用 Kahan's Summation Formula 来提高精确度。把程序改成：
if(row < n && column < n) {float t = 0;float y = 0;for(i = 0; i < n; i++) {float r;y -= a[row * lda + i] * b[i * ldb + column];r = t - y;y = (r - t) + y;t = r;}
}修改后的程序的执行结果是：
Max error: 1.19209e-007 Average error: 4.22751e-008
Time used: 1.1560 (1.73 GFLOPS)
可以看到相对误差有很大的改善，效率则没什么变化。
由于 Kahan's Summation Formula 需要的运算量提高，但是效率却没有什么改变，可以看出这个 kernel 主要的瓶颈应该是在内存的存取动作上。这是因为有大量的内存读取是重复的。例如，矩阵 a 的一个 row 在每次进行计算时都被重复读入，但这是相当浪费的。这样的计算方式，总共需要读取 2*n3 次内存。如果让一个 row 只需要读入一次的话，就可以减到为 n3+n2 次。
第一个改良
和我们的第一个 CUDA 程序一样，我们可以利用 shared memory 来储存每个 row 的数据。不过，因为只有同一个 block 的 threads 可以共享 shared memory，因此现在一个 row 只能由同一个 block 的 threads 来进行计算。另外我们也需要能存放一整个 row 的 shared memory。因此，把先把呼叫 kernel 的部份改成：
matMultCUDA<<>>
(ac, n, bc, n, cc, n, n);
kernel 的部份则改成：
__global__ static void matMultCUDA(const float* a, size_t lda, const float* b, size_t ldb, float* c, size_t ldc, int n)
{extern __shared__ float data[];const int tid = threadIdx.x;const int row = blockIdx.x;int i, j;for(i = tid; i < n; i += blockDim.x) {data[i] = a[row * lda + i];}__syncthreads();for(j = tid; j < n; j += blockDim.x) {float t = 0;float y = 0;for(i = 0; i < n; i++) {float r;y -= data[i] * b[i * ldb + j];r = t - y;y = (r - t) + y;t = r;}c[row * ldc + j] = t;}
}第一个部份先把整个 row 读到 shared memory 中，而第二个部份则进行计算，并没有太大的变化。主要的差别是现在一个 row 只由一个 block 进行计算。
在 GeForce 8800GT 上，执行的结果是：
Max error: 1.19209e-007 Average error: 4.22751e-008
Time used: 0.4220 (4.74 GFLOPS)
很明显的，计算的结果并没有改变，不过速度则提高了超过一倍。虽然如此，但是这样的效率仍不尽理想，因为理论上 GeForce 8800GT 有超过 300GFLOPS 的运算性能。即使是把 Kahan's Summation Formula 所需要的额外运算考虑进去，这样的效率仍然连理论最大值的十分之一都不到。
会有这样的结果，原因其实还是同样的：对内存的存取次数太多了。虽然现在 A 矩阵的 row 的数据已经不再需要重复读取，但是 B 矩阵的 column 的数据仍然一直被重复读取。
另一个问题比较不是那么明显：对 B 矩阵的读取，虽然看起来不连续，但实际上它是连续的。这是因为不同的 thread 会读取不同的 column，因此同时间每个 thread 读取的各个 column 加起来，就是一个连续的内存区块。那么，为什么效率还是不佳呢?这是因为，GPU 上的内存控制器，从某个固定的倍数地址开始读取，才会有最高的效率(例如 16 bytes 的倍数)。由于矩阵大小并不是 16 的倍数(这里使用的是 1000x1000 的矩阵)，所以造成效率不佳的情形。
要解决这个问题，我们可以在 cudaMalloc 的时候稍微修改一下，让宽度变成 适当的倍数就可以了。但是，适当的倍数是多少呢?幸运的是，我们并不需要知道这些细节。CUDA 提供了一个 cudaMallocPitch 的函式，可以自动以最佳的倍数来配置内存。因此，我们可以把 cudaMalloc 的部份改成：
size_t pitch_a, pitch_b, pitch_c;
cudaMallocPitch((void**) &ac, &pitch_a, sizeof(float) * n, n);
cudaMallocPitch((void**) &bc, &pitch_b, sizeof(float) * n, n);
cudaMallocPitch((void**) &cc, &pitch_c, sizeof(float) * n, n);cudaMallocPitch 函式会以适当的倍数配置内存，并把配置的宽度传回。因此，在把矩阵复制到显卡内存上时，要使用它传回的宽度：
cudaMemcpy2D(ac, pitch_a, a, sizeof(float) * lda, sizeof(float) * n, n, cudaMemcpyHostToDevice);
cudaMemcpy2D(bc, pitch_b, b, sizeof(float) * ldb, sizeof(float) * n, n, cudaMemcpyHostToDevice);呼叫 kernel 的部份也需要修改：
matMultCUDA<<>>
(ac, pitch_a / sizeof(float), bc, pitch_b / sizeof(float),
cc, pitch_c / sizeof(float), n);
同样的，把计算结果复制回到主内存时，也要使用传回的宽度值：
cudaMemcpy2D(c, sizeof(float) * ldc, cc, pitch_c,
sizeof(float) * n, n, cudaMemcpyDeviceToHost);
这样就完成了。Kernel 部份则不需要修改。
这样的修改有多大的效果呢?在 GeForce 8800GT 上执行，结果如下：
Max error: 1.19209e-007 Average error: 4.22751e-008
Time used: 0.1250 (16.00 GFLOPS)
可以看到，执行速度又再大幅提高了三倍多!而这只是把内存的配置方式稍微修改一下而已。
虽然执行速度提高了很多，但是，和前面提到的理论值相比，其实还是有相当的差距。这是因为，前面也提到过，这样的做法需要 n3+n2 次的内存读取，和 n2 次的内存写入动作。由于 n = 1000，每个数字的大小是 32 bits，所以总共的内存存取数据量约为 4GB。除以实际执行的时间 0.125 秒，得到的带宽数值是约 32GB/s，这已经接近 GeForce 8800GT 显卡内存的带宽了。由于我们计算时间的时候，把配置内存、以及数据的复制动作也计算进去，因此实际上花费在 kernel 的时间是更短的(约 0.09 秒)。因此，可以很明显的看出，这个程序的效率，是受限于内存带宽的。
进一步的改良
上一节的结论显示出，矩阵乘法的程序，效率是受限于内存带宽的。那有没有办法降低内存的存取次数呢?答案当然是有的，不然就不会有这一节了 :)
要进一步降低内存带宽的使用，可以注意到，在上一节的方法中，虽然 A 矩阵的存取次数被减至最低，但是 B 矩阵的存取次数并没有减少。这是因为我们只将 A 矩阵的 row 加载到 shared memory 中，但是 B 矩阵的 column 也是有被重复使用的。理想上应该也可以避免重复加载才对。不过，由于 B 矩阵的 column 使用的时机，和 A 矩阵的 row 是不同的，所以并不能直接这样做。
解决方法是 "blocking"。也就是把整个矩阵乘法的动作，切割成很多小矩阵的乘法。例如，要计算 C 矩阵的 (0, 0) ~ (15, 15) 的值，可以把它想成：
A(0~15, 0~15) * B(0~15, 0~15) + A(0~15,16~31) * B(16~31, 0~15)
+ A(0~15, 32~47) * B(32~47, 0~15) + ...
这样一来，我们就可以把两个小矩阵加载到 shared memory，则小矩阵本身的乘法就不需要再存取任何外部的内存了!这样一来，假设小矩阵的大小是 k，则实际上需要的内存存取次数就会变成约 2k2(n/k)3 = 2n3/k。
由于目前 CUDA 每个 block 的 thread 数目最多是 512，因此 k = 16 似乎是一个相当理想的数字(共 256 个 threads)。因此，对于一个 n = 1000 的矩阵来说，我们可以把内存存取的量减少到约 500MB，也就是上一节的存取量的 1/8。理论上，这样应该可以让效率提高八倍(假设没有遇到别的瓶颈)。
为了方便进行区块的计算，我们让每个 block 有 16x16 个 threads，再建立 (n/16)x(n/16) 个 blocks。把呼叫 kernel 的地方改成：
int bx = (n + BLOCK_SIZE - 1) / BLOCK_SIZE;
dim3 blocks(bx, bx);
dim3 threads(BLOCK_SIZE, BLOCK_SIZE);
matMultCUDA<<<blocks, threads>>>(ac, pitch_a / sizeof(float), bc, pitch_b / sizeof(float), cc, pitch_c / sizeof(float), n);BLOCK_SIZE 则是定义成 16。dim3 是 CUDA 的一种数据型态，表示一个 3D 的向量。在这里，我们透过 dim3 来建立 16x16 个 threads 的 block，和 (n/16)x(n/16) 个 blocks。
Kernel 程序的部份，则改成：
__global__ static void matMultCUDA(const float* a, size_t lda, const float* b, size_t ldb, float* c, size_t ldc, int n){__shared__ float matA[BLOCK_SIZE][BLOCK_SIZE];__shared__ float matB[BLOCK_SIZE][BLOCK_SIZE];const int tidc = threadIdx.x;const int tidr = threadIdx.y;const int bidc = blockIdx.x * BLOCK_SIZE;const int bidr = blockIdx.y * BLOCK_SIZE;int i, j;float results = 0;float comp = 0;for(j = 0; j < n; j += BLOCK_SIZE) {if(tidr + bidr < n && tidc + j < n) {matA[tidr][tidc] = a[(tidr + bidr) * lda + tidc + j];}else {matA[tidr][tidc] = 0;}if(tidr + j < n && tidc + bidc < n) {matB[tidr][tidc] = b[(tidr + j) * ldb + tidc + bidc];}else {matB[tidr][tidc] = 0;}__syncthreads();for(i = 0; i < BLOCK_SIZE; i++) {float t;comp -= matA[tidr][i] * matB[i][tidc];t = results - comp;comp = (t - results) + comp;results = t;}__syncthreads();}if(tidr + bidr < n && tidc + bidc < n) {c[(tidr + bidr) * ldc + tidc + bidc] = results;}
}注意到因为我们现在使用 16x16 的 threads，因此 threadIdx 变量可以取得 threadIdx.x 和 threadIdx.y，范围分别是 0 ~ 15。blockIdx.x 和 blockIdx.y 变量也是同样的情形，范围分别是 0 ~ n/16。
在程序中，因为矩阵的大小不一定会是 16 的倍数，因此需要使用 if 判断式检查是否超出矩阵范围。
这个版本在 GeForce 8800GT 上的执行结果如下：
Max error: 1.19209e-007 Average error: 4.22751e-008
Time used: 0.0780 (25.64 GFLOPS)
速度虽然提高了，但是似乎并没有达到预期中的八倍。当然，前面提到过，我们在计算时间时，把一些复制内存、配置内存的动作也计算在内，这些动作的时间并不会缩短。实际上 kernel 的运行时间，大约是 0.053 秒左右(约略相当于 38GFLOPS)，比上一节的版本快了将近一倍。
如果这一版程序已经不再限于内存带宽，那为什么没有达到预期的效率呢?这是因为这一版程序已经是限于指令周期了。除了使用 Kahan's Summation Formula 会需要更多的运算之外，程序中也有大量计算矩阵地址的乘法等等，这都会需要花费运算资源。另外，那些用来判断超出矩阵范围的 if 判断式，也会有一定的影响。
要把那些 if 判断式去掉，有一个方法是，在配置内存时，就配置成 16 的倍数，并在复制矩阵到显卡内存之前，先将它清为 0。如下所示：
int newn = ((n + BLOCK_SIZE - 1) / BLOCK_SIZE) * BLOCK_SIZE;cudaMallocPitch((void**) &ac, &pitch_a, sizeof(float) * newn, newn);
cudaMallocPitch((void**) &bc, &pitch_b, sizeof(float) * newn, newn);
cudaMallocPitch((void**) &cc, &pitch_c, sizeof(float) * newn, newn);cudaMemset(ac, 0, pitch_a * newn);
cudaMemset(bc, 0, pitch_b * newn);这样一来，我们就可以把 kernel 中的 if 判断式都移除了：
__global__ static void matMultCUDA(const float* a, size_t lda, const float* b, size_t ldb, float* c, size_t ldc, int n)
{__shared__ float matA[BLOCK_SIZE][BLOCK_SIZE];__shared__ float matB[BLOCK_SIZE][BLOCK_SIZE];const int tidc = threadIdx.x;const int tidr = threadIdx.y;const int bidc = blockIdx.x * BLOCK_SIZE;const int bidr = blockIdx.y * BLOCK_SIZE;int i, j;float results = 0;float comp = 0;for(j = 0; j < n; j += BLOCK_SIZE) {matA[tidr][tidc] = a[(tidr + bidr) * lda + tidc + j];matB[tidr][tidc] = b[(tidr + j) * ldb + tidc + bidc];__syncthreads();for(i = 0; i < BLOCK_SIZE; i++) {float t;comp -= matA[tidr][i] * matB[i][tidc];t = results - comp;comp = (t - results) + comp;results = t;}__syncthreads();}c[(tidr + bidr) * ldc + tidc + bidc] = results;
}这个版本的执行结果是：
Max error: 1.19209e-007 Average error: 4.22751e-008
Time used: 0.0780 (25.64 GFLOPS)
似乎没有改善。不过，实际上 kernel 的运行时间已经减少到 0.042 秒(约略相当于 48GFLOPS)。
结论
有些读者可能会想，如果把 block 再变得更大(例如 32x32)是否会有帮助呢?当然，由于最后的程序已经不再是受限于内存带宽(在 0.042 秒内存取 500MB 的数据约相当于 12GB/s 的带宽)，所以把 block 再加大并不会有帮助了。而且，由于一个 block 内的 thread 数目最多只能到 512 个，将 block 变大也会造成很多额外负担。而且 shared memory 的大小也有限制(GeForce 8800GT 的 shared memory 大小限制是 16384 bytes)，所以也不能任意增加 block 的大小。
http://tech.it168.com/a2011/0706/1213/000001213900_all.shtml
CUDA: 矩阵乘法优化相关推荐
- CUDA 矩阵乘法优化
这个完全是基础知识啊~~ 哪不对 大佬们帮忙指出啊 CUDA 矩阵乘法优化手段详解 Naive 实现的分析:到底差在哪里? 笔者面试过不少具有 CUDA 编程经验的校招同学,当提问使用 CUDA 编 ...
- CUDA矩阵乘法优化
前言 纸上的来终觉浅,绝知此事要躬行. naive写法 一个矩阵的乘法简单如下:C=A*B, 一般用gemm(A,B,C,M,N,K)来表示,其中的m,n,k代表的位置如下,默认是k表示消失的纬度. ...
- MegEngine| CUDA 矩阵乘法终极优化
前言 单精度矩阵乘法(SGEMM)几乎是每一位学习 CUDA 的同学绕不开的案例,这个经典的计算密集型案例可以很好地展示 GPU 编程中常用的优化技巧,而能否写出高效率的 SGEMM Kernel , ...
- CUDA实例系列一: 矩阵乘法优化
CUDA实例系列一----矩阵乘法优化 很多朋友在学习CUDA的时候都会面临一个题目----矩阵乘法, 这也是CUDA最广泛的应用之一. 本文将详细讲解如何利用GPU加速矩阵乘法的计算. 话不多说, ...
- 形态形成场（矩阵乘法优化dp）
形态形成场(矩阵乘法优化dp) 短信中将会涉及前\(k\)种大写字母,每个大写字母都有一个对应的替换式\(Si\),替换式中只会出现大写字母和数字,比如\(A→BB,B→CC0,C→123\),代表 ...
- 【BZOJ 3326】[Scoi2013]数数 数位dp+矩阵乘法优化
挺好的数位dp-- 先说一下我个人的做法: 经过观察,发现这题按照以往的思路从后往前递增,不怎么好推,然后我就大胆猜想,从前往后推,发现很好推啊,维护四个变量,从开始位置到现在有了i个数 f[i]:所 ...
- cuda矩阵乘法(简单理解)
提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档 CUDA矩阵乘法 矩阵规模 一.一维并行 1.一维线程并行(thread) 2.一维块线程并行(block) 3.一维共享A一行程并行 ...
- OpenBLAS项目与矩阵乘法优化 | AI 研习社
提起矩阵计算,学过<高等数学>的人可能都听过,但若不是这个领域的研究者,恐怕也只停在"听过"的程度.在矩阵计算领域,开源项目OpenBLAS影响巨大,除IBM.华为等巨 ...
- 【Contra】 矩阵乘法优化 dp
偶然间,chnlich发现了他小时候玩过的一个游戏"魂斗罗",于是决定怀旧.但是这是一个奇怪的魂斗罗MOD.有N个关卡,初始有Q条命.每通过一个关卡,会得到u分和1条命,生命上限为 ...
最新文章
- 浅谈SQL Server中统计对于查询的影响
- 报错解决 ：Couldn't find any package by regex 'g++-8'
- IP协议号（TCP协议号/UDP协议号）
- 《改善java代码》第一章：java开发通用原则
- (王道408考研操作系统)第四章文件管理-第二节2：磁盘调度算法
- php.ini 开启zend,php之ZendFramewor篇（1）application.ini配置说明
- 计算机核心期刊、学报一览
- python类型检查_python【数据类型检查】
- 蓝懿iOS培训日志5 正反向传值及学习心得
- HttpClient之Java爬虫工具
- Altium Designer画PCB详细教程
- 微信小程序开发之路④
- mysql 1031_MySQL5.6数据导入MySQL5.7报错：ERROR 1031 (HY000)
- 龙卷风路径_龙卷风的目录
- APK修改神器：插桩工具 DexInjector
- 微软视窗的C++封装
- 2018年机器视觉产业技术现状、发展趋势分析及发展前景预测
- 想学3dmax应该怎么学？
- 英雄联盟手游登录注册地与服务器不匹配,英雄联盟手游提示Unable to login地区不支持怎么解决 地区不支持解决方法_手心游戏...
- 如何在chrome浏览器下设置12px以下的字体