Понимание размеров сетки CUDA, размеров блоков и организации потоков (простое объяснение) [закрыто]

Как организованы потоки для выполнения графическим процессором?

аппаратные средства

Если устройство с графическим процессором имеет, например, 4 многопроцессорных модуля, и они могут запускать 768 потоков каждый: тогда в данный момент в действительности параллельно будет работать не более 4 * 768 потоков (если вы запланировали больше потоков, они будут ожидать их очередь).

Программное обеспечение

темы организованы в блоки. Блок выполняется многопроцессорным устройством. Потоки блока могут быть идентифицированы (проиндексированы) с использованием индексов 1Dimension (x), 2Dimensions (x, y) или 3Dim (x, y, z), но в любом случае x y z <= 768 для нашего примера (применяются другие ограничения) к x, y, z, см. руководство и возможности вашего устройства).

Очевидно, что если вам нужно больше этих 4 * 768 потоков, вам нужно больше 4 блоков. Блоки также могут быть проиндексированы 1D, 2D или 3D. Существует очередь блоков, ожидающих входа в GPU (поскольку в нашем примере GPU имеет 4 мультипроцессора и одновременно выполняется только 4 блока).

Теперь простой случай: обработка изображения 512x512

Предположим, мы хотим, чтобы один поток обрабатывал один пиксель (i, j).

Мы можем использовать блоки по 64 потока каждый. Тогда нам нужно 512 * 512/64 = 4096 блоков (таким образом, чтобы иметь 512x512 потоков = 4096 * 64)

Распространено организовать (чтобы упростить индексацию изображения) потоки в 2D-блоках, имеющих blockDim = 8 x 8 (64 потока на блок). Я предпочитаю называть это потоками PerBlock.

dim3 threadsPerBlock(8, 8);  // 64 threads

и 2D gridDim = 64 x 64 блоков (требуется 4096 блоков). Я предпочитаю называть это numBlocks.

dim3 numBlocks(imageWidth/threadsPerBlock.x,  /* for instance 512/8 = 64*/
              imageHeight/threadsPerBlock.y); 

Ядро запускается так:

myKernel <<<numBlocks,threadsPerBlock>>>( /* params for the kernel function */ );       

Наконец, будет что-то вроде «очереди из 4096 блоков», где блок ожидает назначения одного из мультипроцессоров графического процессора для выполнения 64 потоков.

В ядре пиксель (i, j), обрабатываемый потоком, рассчитывается следующим образом:

uint i = (blockIdx.x * blockDim.x) + threadIdx.x;
uint j = (blockIdx.y * blockDim.y) + threadIdx.y;

Предположим, 9800GT GPU:

• имеет 14 мультипроцессоров (SM)
• каждый SM имеет 8 потоковых процессоров (потоковые процессоры AKA, SP или ядра)
• позволяет до 512 потоков на блок
• Значение warpsize равно 32 (что означает, что каждый из потоковых процессоров 14x8 = 112 может планировать до 32 потоков)

https://www.tutorialspoint.com/cuda/cuda_threads.htm

Блок не может иметь больше активных потоков, чем 512, поэтому __syncthreadsможет синхронизировать только ограниченное количество потоков. т.е. если вы выполняете следующее с 600 потоками:

func1();
__syncthreads();
func2();
__syncthreads();

тогда ядро ​​должно работать дважды, и порядок выполнения будет:

1. func1 выполняется для первых 512 потоков
2. func2 выполняется для первых 512 потоков
3. func1 выполняется для остальных потоков
4. func2 выполняется для остальных потоков

Примечание:

Суть в том, __syncthreadsчто это операция всего блока, и она не синхронизирует все потоки.

Я не уверен в точном количестве потоков, которые __syncthreadsможно синхронизировать, так как вы можете создать блок с более чем 512 потоками и позволить варпу обрабатывать планирование. Насколько я понимаю, точнее сказать: func1 выполняется по крайней мере для первых 512 потоков.

До того, как я отредактировал этот ответ (еще в 2010 году), я измерял 14x8x32 потоков, синхронизированных с помощью __syncthreads.

Я был бы очень признателен, если бы кто-нибудь еще раз проверил это для получения более точной информации.