Computación de altas prestaciones con GPUs Presente y futuro de los sistemas de computación Cursos de verano 2010 Computación de altas prestaciones con GPUs Enrique Arias Antúnez José Luis Sánchez García

Índice Introducción Arquitectura CUDA Modelo de ejecución Programación Rendimiento

Computación de altas prestaciones Los grandes supercomputadores son la única alternativa para cierto tipo de aplicaciones Sin embargo, hay aplicaciones con menos exigencias computacionales GPGPU Utilizar GPUs para aplicaciones de propósito general Muy atractivo en términos de rendimiento, consumo y coste Exclusividad

Introducción Rendimiento Fuente: Nvidia

Introducción Precios 2 x Xeon QuadCore 2 x Xeon QuadCore + Tesla s1070 Cores 8 8 + 240*4 = 968 Rendimiento pico (sp) 0,17 TFlops 4,14 TFlops Rendimiento pico (dp) 0,08 TFlops 0,35 TFlops Precio 2400 euros 9000 euros Consumo 700 W 1500 W Más de 100 millones de GPUs de Nvidia

Introducción Uso de los transistores + Cache + Cores + Control - Cache

Introducción Aplicación Descripción Código Kernel % tiempo H.264 SPEC ‘06 version, change in guess vector 34.811 194 35% LBM SPEC ‘06 version, change to single precision and print fewer reports 1.481 285 >99% RC5-72 Distributed.net RC5-72 challenge client code 1.979 218 FEM Finite element modeling, simulation of 3D graded materials 1.874 146 99% RPES Rye Polynomial Equation Solver, quantum chem, 2-electron repulsion 1.104 281 PNS Petri Net simulation of a distributed system 322 160 SAXPY Single-precision implementation of saxpy, used in Linpack’s Gaussian elim. routine 952 31 TRACF Two Point Angular Correlation Function 536 98 96% FDTD Finite-Difference Time Domain analysis of 2D electromagnetic wave propagation 1.365 93 16% MRI-Q Computing a matrix Q, a scanner’s configuration in MRI reconstruction 490 33

Introducción GeForce 8800 GTX vs. 2.2GHz Opteron 248 10 speedup en un kernel es típico, si hay suficiente paralelismo 25 a 400 speedup con optimizaciones Depende mucho del tipo de aplicación

Introducción Programabilidad Facilidad de programación Explosión GPGPU OpenCL CUDA Inicios GPGPU Brook++ RapidMind ATI Stream Cg Futuro GPGPU? OpenGL DirectX Ensamblador 2005 2009

Índice Introducción Arquitectura CUDA Modelo de ejecución Programación Rendimiento

Arquitectura CUDA . . . Conjunto de Streaming Multiprocessors (MP) SP DP SM Conjunto de Streaming Multiprocessors (MP) . . . Memoria global 8 Scalar Processors (SP) 1 Unidad de Doble Precisión (DP) 16 KB de Memoria Compartida (SM) 8-16 K Registros

Fermi ~1.5TFLOPS (SP) ~800GFLOPS (DP) 230 GB/s DRAM

Espacios de memoria en CUDA Fuente: Nvidia

Espacios de memoria en CUDA Localización Cache Acceso Ámbito Vida Registros On-chip N/A R/W Un thread Thread Compartida Threads en bloque Bloque Global Off-chip No Todos threads y host Aplicación Constantes Sí R Texturas

Gestión de memoria con CUDA CPU y GPU tienen espacios de memoria independientes Transferencia de datos entre ambos espacios de memoria a través del bus PCIExpress Reserva, transferencia y liberación explícitas Las operaciones con memoria realizadas por el host Fuente: Nvidia

Gestión de memoria con CUDA cudaMalloc() Obtiene espacio en la memoria global Parámetros: dirección del puntero y el tamaño a reservar cudaMemset() Inicializa a un valor dado Parámetros: dirección, valor y cantidad cudaFree() Libera el espacio Parámetros: dirección Fuente: Nvidia

Gestión de memoria con CUDA cudaMemcpy() Transfiere datos entre memorias Requiere 4 parámetros: Puntero al destino Puntero al origen Bytes a copiar Tipo de transferencia: Host a host Host a dispositivo Dispositivo a host Dispositivo a dispositivo Fuente: Nvidia

Gestión de memoria con CUDA Ejemplo Reservar, inicializar y liberar espacio para una matriz 64x64 de elementos float Enlazar ese espacio a Md #define BLOCK_SIZE 64 float * Md; int size = BLOCK_SIZE*BLOCK_SIZE*sizeof(float); cudaMalloc((void**)&Md,size); cudaMemset(Md,0,size); . . . cudaFree(Md);

Gestión de memoria con CUDA Ejemplo Transferir una matriz de 64x64 float de la memoria de la GPU a la del host y viceversa Matriz M está en el host y la matriz Md en el dispositivo cudaMemcpy(M,Md,size,cudaMemcpyDeviceToHost); cudaMemcpy(Md,M,size,cudaMemcpyHostToDevice);

Índice Introducción Arquitectura CUDA Modelo de ejecución Programación Rendimiento

Modelo de ejecución Secuencial Thread Código

Modelo de ejecución Paralelo Threads Código

Paralelo kernel Miles de threads lanzados a la vez

Modelo de ejecución Kernel Threads (instancias del kernel) PCIe CPU GPU Kernel Threads (instancias del kernel) PCIe Memoria

Modelo de ejecución Cada thread tiene un identificador Todos los threads ejecutan el mismo código Cada thread opera sobre distintos datos Modelo SIMD CPU GPU CPU Threads pesados Sobrecarga planificación Cambios de contexto lentos CPU Threads ligeros Poca sobrecarga planificación Cambios de contexto rápidos

Estructura jerárquica de threads Los threads se agrupan en bloques de threads Los bloques de threads se agrupan en Grids Los threads de un bloque se comunican mediante la memoria compartida Todos los threads del Grid se comunican a través de la memoria global Un thread se ejecuta en un procesador escalar (SP) Un bloque de threads se lanza en un multiprocesador (MP) Un MP puede desarrollar varios bloques Grid 1 Bloque (2,1) (2,0) (0,0) (1,0) (0,1) (1,1) Thread (0,0) (1,0) (2,0) (3,0) (4,0) (0,1) (1,1) (2,1) (3,1) (4,1) (0,2) (1,2) (2,2) (3,2) (4,2) Bloque (1,1)

Modelo de ejecución Software Hardware … Thread SP Cada thread se ejecuta en un SP Un bloque se ejecuta en un MP Los bloques no migran entre MPs Varios bloques a la vez en un MP (según registros y memoria compartida) Bloque threads MP … Grid GPU Un único kernel concurrente

Indentificadores y dimensiones El tamaño del grid y de los bloques los determina el programador Se usan las variables gridDim y blockDim para referenciar la dimensión de grid y bloque, respectivamente blockIdx.x=1 blockIdx.y=1 gridDim.x gridDim.y Grid 1 Bloque (2,1) (2,0) (0,0) (1,0) (0,1) (1,1) Un thread queda indentificado por: Un identificador propio dentro del bloque al que pertenece El identificador del bloque al que pertenece Se usan las variables threadIdx y blockIdx para referenciar el identificador del thread dentro del bloque y al bloque dentro del grid, respectivamente Thread (0,0) (1,0) (2,0) (3,0) (4,0) (0,1) (1,1) (2,1) (3,1) (4,1) (0,2) (1,2) (2,2) (3,2) (4,2) Bloque (1,1) blockDim.x blockDim.y blockDim.z threadIdx.x=0 threadIdx.y=2

Planificación Se agrupan los threads en bloques Bloque n warp 1 2 m Se agrupan los threads en bloques Se asignan identificadores a bloques y threads Se distribuyen los bloques de threads entre los multiprocesadores Los threads de un bloque se ejecutan concurrentemente en un multiprocesador Los threads de un bloque son agrupados en warps Un warp es la unidad mínima de planificación y está formada por 32 threads Varios warps en cada multiprocesador, pero sólo uno está en ejecución en cada momento Los warps cuyos operandos están listos son seleccionados para ejecución Todos los threads en un warp ejecutan la misma instrucción tiempo warp 8 instrucción 11 warp 1 instrucción 42 warp 3 instrucción 95 warp 8 instrucción 12 . . . warp 3 instrucción 96

Planificación Tres flujos de instrucciones: warp1, warp3 y warp8 Warp Instrucción actual Estado de la Warp 1 42 Computando Warp 3 95 Warp 8 11 Operandos preparados … warp 8 instrucción 11 t=k warp 1 instrucción 42 t=k+1 warp 3 instrucción 95 t=k+2 Planifica en tiempo k . . . warp 8 instrucción 12 t=l>k warp 3 instrucción 96 t=l+1

Planificación Tres flujos de instrucciones: warp1, warp3 y warp8 Warp Current Instruction State Warp 1 42 Preparado escribir result. Warp 3 95 Computando Warp 8 11 … Planifica en tiempo k+1 warp 8 instrucción 11 t=k warp 1 instrucción 42 t=k+1 warp 3 instrucción 95 t=k+2 . . . warp 8 instrucción 12 t=l>k warp 3 instrucción 96 t=l+1

Índice Introducción Arquitectura CUDA Modelo de ejecución Programación Rendimiento

Programación Computación heterogénea Parte de código se ejecuta en la CPU Parte de código se ejecuta en la GPU (kernel) La API de CUDA es una extensión al lenguaje ANSI C Curva de aprendizaje suave Extensiones básicas Modificadores de función Modificadores de variables Variables específicas de dimensionado Directiva para ejecución del kernel

Modificadores de función Indica dónde se ejecuta la función: GPU (device) o CPU (host) __device__ La función debe ejecutarse en el dispositivo Sólo puede ser llamada por el propio dispositivo Recursividad no soportada No pueden declararse variables estáticas dentro de la función La función no puede tener un número variable de argumentos __global__ La función es un kernel que debe ejecutarse en el dispositivo Sólo puede ser llamada por el host La función debe devolver siempre void __host__ La función debe ejecutarse en el host No puede utilizarse junto con __global__

Modificadores de variables Indica en qué parte de la memoria se localiza la variable __device__ La variable reside en el dispositivo Requiere que se indique uno de los otros dos modificadores de variables para indicar dónde exactamente reside la variable en el dispositivo __constant__ La variable reside en el espacio de memoria constante del dispositivo Está viva durante todo el tiempo de ejecución de la aplicación Accesible por todos los threads del grid, así como desde el host __shared__ La variable reside en el espacio de memoria compartida del bloque de threads en el dispositivo Está viva mientras el bloque está vivo Accesible sólo por los threads del bloque

Variables específicas dimensiones Indican las dimensiones que caracterizan a los identificadores de los threads y bloques dim3 gridDim; Dimensiones de los grids en bloques (gridDim.z no usado) dim3 blockDim; Dimensiones del bloque en threads dim3 blockIdx; Indice del bloque en el grid dim3 threadIdx; Indice del thread en el bloque

Directiva ejecución del kernel Indica cómo debe ejecutarse el kernel en el dispositivo Cada vez que se llama a __global__, también debe especificarse la configuración de ejecución del kernel Se inserta entre el nombre de la función y el paréntesis del argumento una expresión de la forma: <<< Dg, Db, Ns, S >>> Dg: indica las dimensiones de la malla, es decir, la cantidad de bloques Db: indica las dimensiones de cada bloque, es decir, el número de threads por bloque Ns: indica el número de bytes de memoria compartida asignada dinámicamente por bloque (argumento opcional, 0 por defecto) S: especifica un stream (argumento opcional, 0 por defecto) Las invocaciones de kernels son asíncronas El control vuelve al programa principal (CPU)

Ejecución del kernel Un kernel debe ser ejecutado del siguiente modo: __global__ void KernelFunction(…); dim3 DimGrid(100,50); // 5000 bloques dim3 DimBlock(4,8,8); // 256 threads/bloque KernelFunction<<< Dimgrid,Dimblock >>>(…);

Ejemplo: SAXPY // Definición de la función void saxpy_serial (int n, float a, float *x, float *y) { for (int i = 0; i < n; ++i) y[i] = a*x[i] + y[i]; } // Llamada a la función saxpy(n,2.0,x,y) // Definición del kernel __global__ void saxpy_parallel (int n, float a, float *x, float *y) { int i = blockIdx.x*blockDim.x + threadIdx.x; if (i < n) y[i] = a*x[i] + y[i]; } // Llamada al kernel int nblocks = (n + 255) / 256; saxpy_parallel<<<nblocks, 256>>>(n, 2.0, x, y);

Índice Introducción Arquitectura CUDA Modelo de ejecución Programación Rendimiento

Optimizaciones Reducir sobrecargas en el acceso a memoria Realizar transferencias asíncronas Mejorar accesos a memoria global Usar memoria compartida Reducir conflictos de bancos en memoria compartida Configurar la ejecución Seleccionar el número de bloques y threads por bloque Optimizar a nivel de instrucción Instrucciones aritméticas Instrucciones para acceso a memoria Saltos y sentencias condicionales

Transferencias asíncronas cudaMemcpy es bloqueante Se devuelve el control al host una vez finalizada la transferencia cudaMemcpyAsync es no bloqueante Se devuelve el control inmediatamente Las transferencias no bloqueantes permiten solapar computación y comunicación

Solapar computación y comunicación Datos1 Datos2 Datos1 Datos2 Un stream es un conjunto de operaciones que se completan secuencialmente Se puede solapar la comunicación y computación de diferentes streams Para ello se debe permitir que la memoria del host esté mapeada en el espacio de direcciones del dispositivo Datos1 Datos2 Host→Device Kernel Cálculos Device→Host Datos1 Datos2 Datos1 Datos2 Datos1 Datos2 Host→Device Kernel Cálculos 43 Device → Host

Memoria global Latencia alta Accesos por half-warp (16 threads) Usarla lo menos posible Accesos por half-warp (16 threads) Intentar completarlos en el menor número de transacciones posible (coalescing) 1 transacción 16 transacciones

Memoria global Latencia alta Accesos por half-warp (16 threads) Usarla lo menos posible Accesos por half-warp (16 threads) Intentar completarlos en el menor número de transacciones posible (coalescing) matriz memoria global matriz memoria global 1 1 1 2 3 4 1 2 3 4 2 2 5 6 7 8 3 5 6 7 8 3 4 4 9 10 11 12 9 10 11 12 5 5 6 6 13 14 15 16 13 14 15 16 7 7 8 8 … …

Memoria compartida Dividida en módulos (bancos) En las GPUs actuales hay 16 bancos de 1KB Acceso simultáneo a los bancos Baja latencia (similar registros) Problema: conflictos en los bancos (acceso al mismo banco por dos o más threads) Banco 0 Banco 1 Banco 2 Banco 3 Banco 4 Banco 14 Banco 15 Thread 0 Thread 1 Thread 2 Thread 3 Thread 4 Thread 14 Thread 15 . . . Sin conflictos Direccionamiento lineal Stride = 1 Banco 0 Banco 1 Banco 2 Banco 3 Banco 4 Banco 14 Banco 15 Thread 0 Thread 1 Thread 2 Thread 3 Thread 4 Thread 14 Thread 15 . . . Sin conflictos Direccionamiento aleatorio Permutación 1:1 Banco 0 Banco 1 Banco 2 Banco 3 Banco 4 Banco 5 Banco 15 Thread 0 Thread 1 Thread 2 Thread 3 Thread 8 Thread 15 . . . Thread 9 Con conflictos Direccionamiento lineal Stride = 2

Memoria compartida Dividida en módulos (bancos) En las GPUs actuales hay 16 bancos de 1KB Acceso simultáneo a los bancos Baja latencia (similar registros) Problema: conflictos en los bancos (acceso al mismo banco por dos o más threads) Cargar los datos desde la memoria global a la memoria compartida Sincronizar threads Procesar usando sólo memoria compartida Sincronizar Llevar resultados a memoria global

Bloques y threads Ocupación: Número de warps activos por MP con respecto al máximo posible de warps activos El número total de bloques y de threads por bloque son factores importantes Número de bloques Dependiente de los recursos disponibles Al menos tantos como MPs Más de uno por MP para que unos mantengan los recursos ocupados mientras otros se sincronizan Suficientemente alto para escalar en futuras versiones Número de threads por bloque Múltiplo del tamaño del warp para facilitar coalescing Múltiplos de 64, para evitar conflictos en acceso a registros Entre 128 y 256 buena elección Más threads no implica necesariamente mayor ocupación Experimentación

Rendimiento a nivel de instrucción La productividad a nivel de instrucción depende de Número de operaciones Latencia de la memoria Ancho de banda de la memoria Maximizar ancho de banda efectivo Maximizar el uso de la memoria compartida Minimizar los accesos a memoria global Maximizar coalescing en los accesos a memoria global Solapar comunicación y computación Aumentar el rendimiento de la ejecución de las instrucciones Instrucciones aritméticas más rápidas, si se prefiere velocidad en lugar de precisión Instrucciones para accesos a memoria con menos latencia Evitar sentencias condicionales que generen diferentes caminos en el mismo warp, pues éstos son serializados

Divergencia de caminos Branch Path A Path B Los caminos son serializados Incremento del número de instrucciones ejecutadas por el warp Los threads vuelven a converger cuando todos los caminos se completan 50% de pérdida de rendimiento Salto Path A Path B

Índice Producto Matriz-Matriz ¿Cómo explotar más la arquitectura? Buenas prácticas de programación CUDA OpenCL

Índice Producto Matriz-Matriz ¿Cómo explotar más la arquitectura? Implementación secuencial Recordar Implementación básica ¿Cómo compilar? Implementación memoria compartida ¿Cómo explotar más la arquitectura? Buenas prácticas de programación CUDA OpenCL

Producto Matriz-Matriz Implementación secuencial

Producto Matriz-Matriz cudaMalloc() cudaMemcpy() cudaThreadSynchronize(); cudaFree() multiplication<<< grid, threads >>>(d_P, d_M, d_N, M.width, N.width); __global__ void multiplication(float *P, float *M, float *N, int wM, int wN)

Producto Matriz-Matriz Implementación básica Cada thread calcula un elemento de la matriz Lee una fila de A Lee una columna de B

Producto Matriz-Matriz Implementación básica Ejercicio 1: (En programa principal) a) Repasar las llamadas y el significado b) Completar llamada a kernel c) Cálculo de GigaFlops Ejercicio 2: (En kernel) a) Cálculo de índices b) Cálculo de elemento Ejercicio 3: (Pruebas)

Producto Matriz-Matriz Implementación básica Ejercicio 2.a (Ejemplo) (0,0) (1,0) (0,1) (1,1) (0,2) (1,2) 3 (0,0) (1,0) (2,0) (0,1) (1,1) (2,1) (0,2) (1,2) (2,2) (0,0) (1,0) (2,0) (0,1) (1,1) (2,1) (0,2) (1,2) (2,2) (0,0) (1,0) (2,0) (0,1) (1,1) (2,1) (0,2) (1,2) (2,2) (0,0) (1,0) (2,0) (0,1) (1,1) (2,1) (0,2) (1,2) (2,2) 5 (0,0) (1,0) (2,0) (0,1) (1,1) (2,1) (0,2) (1,2) (2,2) (0,0) (1,0) (2,0) (0,1) (1,1) (2,1) (0,2) (1,2) (2,2)

Producto Matriz-Matriz ¿Cómo compilar? gmultiply: gmultiply.cu nvcc gmultiply.cu -keep --ptxas-options=-v -o gmultiply -lcutil -L /usr/local/cuda/sdk/lib -I /usr/local/cuda/sdk/common/inc

GPU GeForce 285GTX 30 multiprocesadores (MPs) Total 240 cores 8 cores (FPUs) por multiprocesador, a 1476 MHz mad: multiplicación-suma (considera 2 flops a efectos de cálculo de productividad) 2 SFU (unidades funcionales especiales) por multiprocesador Total 240 cores 797 GFLOPS (rendimiento pico) (30 MPs) x (8x2 + 2 Flops/MP) x 1476 MHz = 797 GFLOPS 1GB RAM 1242 MHz (double data rate, 2484 MHz) 512 bits (ancho bus) 159 GB/s = (2484 MHz) x (512 / 8 bytes) 59

Producto Matriz-Matriz Se usan los cores (no las SFUs) (240 cores) x 1476 MHz = = 354,24 Goperaciones/s De 8 instrucciones sólo 2 son FLOP Máxima productividad 354,24 x ¼ = 88,56 GLOPS ¿Por qué no se llega a ese valor? $Lt_0_7: ld.global.f32 %f2, [%r15+0]; ld.global.f32 %f3, [%r17+0]; mad.f32 %f1, %f2, %f3, %f1; add.s32 %r17, %r17, 4096; add.s32 %r15, %r15, 4; setp.ne.u32 %p1, %r15, %r16; @%p1 bra $Lt_0_7; Accesos a memoria ¼ operaciones son cargas (240 cores) x (¼ cargas) x (4bytes/carga) x (1476 MHz) = 354 GBs > 159 GBs El ancho de banda con memoria global no es suficiente 60

Producto Matriz-Matriz Cada dato de entrada es leído por width threads Latencia memoria global ~ 400 ciclos Latencia memoria compartida ~ 10 ciclos Llevar cada dato de entrada a memoria compartida y que sea leído por varios threads 61

Producto Matriz-Matriz Cada dato de entrada es leído por width threads Latencia memoria global ~ 400 ciclos Latencia memoria compartida ~ 10 ciclos Llevar cada dato de entrada a memoria compartida y que sea leído por varios threads Producto de sub-matrices Cada sub-matriz es calculada por un bloque de threads Los datos de entrada necesarios son llevados a memoria compartida 62

Producto Matriz-Matriz Implementación memoria compartida Disminuir accesos a memoria ¿Cómo lo haríais?

Producto Matriz-Matriz B0,3 B1,3 B1,2 B1,1 B1,0 B0,0 B0,1 B0,2 B2,3 B3,3 B3,2 B3,1 B3,0 B2,0 B2,1 B2,2 A2,0 A1,1 A1,0 A0,0 A0,1 A3,0 A2,1 A3,1 A2,2 A1,3 A1,2 A0,2 A0,3 A3,2 A2,3 A3,3 C1,0 C0,0 C0,1 C2,0 C3,0 C1,1 C0,2 C2,2 C3,2 C1,2 C3,1 C2,1 C0,3 C2,3 C3,3 C1,3 64

Producto Matriz-Matriz Cada thread calcula un punto de la matriz resultado C0,0 thread0,0 C1,0 thread1,0 C0,1 thread0,1 C1,1 thread1,1 A0,0 x B0,0 A0,0 x B1,0 A0,1 x B0,0 A0,1 x B1,0 A1,0 x B0,1 A1,0 x B1,1 A1,1 x B0,1 A1,1 x B1,1 A2,0 x B0,2 A2,0 x B1,2 A2,1 x B0,2 A2,1 x B1,2 A3,0 x B0,3 A3,0 x B1,3 A3,1 x B0,3 A3,1 x B1,3 orden accesos En una primera fase se llevan a memoria compartida En una segunda fase se llevan a memoria compartida Cada Ai,j y Bi,j se lee dos veces 65

Producto Matriz-Matriz threads (0,0) (1,0) C0,0 C1,0 calculan B0,3 B1,3 B1,2 B1,1 B1,0 B0,0 B0,1 B0,2 B2,3 B3,3 B3,2 B3,1 B3,0 B2,0 B2,1 B2,2 (0,1) (1,1) C0,1 C1,1 cada thread lleva un dato de A y B A2,0 A1,1 A1,0 A0,0 A0,1 A3,0 A2,1 A3,1 A2,2 A1,3 A1,2 A0,2 A0,3 A3,2 A2,3 A3,3 C0,0 C1,0 C2,0 C3,0 As Bs C0,1 C1,1 C2,1 C3,1 C0,2 C1,2 C2,2 C3,2 C0,3 C1,3 C2,3 C3,3 memoria compartida 66

Producto Matriz-Matriz threads (0,0) (1,0) C0,0 C1,0 calculan B0,3 B1,3 B1,2 B1,1 B1,0 B0,0 B0,1 B0,2 B2,3 B3,3 B3,2 B3,1 B3,0 B2,0 B2,1 B2,2 (0,1) (1,1) C0,1 C1,1 C0,0 = A0,0 x B0,0 + A1,0 x B0,1 C1,0 = A0,0 x B1,0 + A1,0 x B1,1 C0,1 = A0,1 x B0,0 + A1,1 x B0,1 C1,1 = A0,1 x B1,0 + A1,1 x B1,1 A2,0 A1,1 A1,0 A0,0 A0,1 A3,0 A2,1 A3,1 A2,2 A1,3 A1,2 A0,2 A0,3 A3,2 A2,3 A3,3 C0,0 C1,0 C2,0 C3,0 As Bs C0,1 C1,1 C2,1 C3,1 A0,0 A1,0 B0,0 B1,0 C0,2 C1,2 C2,2 C3,2 A0,1 A1,1 B0,1 B1,1 C0,3 C1,3 C2,3 C3,3 memoria compartida 67

Producto Matriz-Matriz threads (0,0) (1,0) C0,0 C1,0 calculan B0,3 B1,3 B1,2 B1,1 B1,0 B0,0 B0,1 B0,2 B2,3 B3,3 B3,2 B3,1 B3,0 B2,0 B2,1 B2,2 (0,1) (1,1) C0,1 C1,1 C0,0 = A0,0 x B0,0 + A1,0 x B0,1 + A2,0 x B0,2 + A3,0 x B0,3 C1,0 = A0,0 x B1,0 + A1,0 x B1,1 + A2,0 x B1,2 + A3,0 x B1,3 C0,1 = A0,1 x B0,0 + A1,1 x B0,1 + A2,1 x B0,2 + A3,1 x B0,3 C1,1 = A0,1 x B1,0 + A1,1 x B1,1 + A2,1 x B1,2 + A3,1 x B1,3 A2,0 A1,1 A1,0 A0,0 A0,1 A3,0 A2,1 A3,1 A2,2 A1,3 A1,2 A0,2 A0,3 A3,2 A2,3 A3,3 C0,0 C1,0 C2,0 C3,0 As Bs C0,1 C1,1 C2,1 C3,1 A2,0 A3,0 B0,2 B1,2 C0,2 C1,2 C2,2 C3,2 A2,1 A3,1 B0,3 B1,3 C0,3 C1,3 C2,3 C3,3 memoria compartida 68

Producto Matriz-Matriz Bloque de threads  16 x 16 = 256 threads Width = 4096  256 x 256 = 65536 bloques de threads Cada dato en una sub-matriz es leído por 16 threads Los accesos a memoria global se reducen en un factor 16 al usar memoria compartida Se requiere ahora 354 / 16 ~ 22 GBs Ahora la memoria no es motivo para no alcanzar la productividad deseada

Producto Matriz-Matriz Implementación memoria compartida Ejercicio 1: (En programa principal) a) Repasar las llamadas y el significado b) Completar llamada a kernel c) Cálculo de GigaFlops Ejercicio 2: (En kernel) a) Cálculo de índices b) Cálculo de elemento Ejercicio 3: (Pruebas)

Producto Matriz-Matriz Implementación memoria compartida Disminuir accesos a memoria ¿Cómo lo haríais? Veamos el código ahora e identifiquemos los diferentes elementos

Índice Producto Matriz-Matriz ¿Cómo explotar más la arquitectura? Buenas prácticas de programación CUDA OpenCL

¿Cómo explotar más la arquitectura? Sistemas Distribuidos mediante MPI Sistemas compartidos mediante OpenMP

Índice Producto Matriz-Matriz ¿Cómo explotar más la arquitectura? Buenas prácticas de programación CUDA OpenCL

Guía de buenas prácticas de programación CUDA Maximizar ejecución paralela Optimizar el uso de la memoria de cara obtener un mayor ancho de banda en el acceso a memoria Optimizar el uso de las instrucciones para conseguir una mayor productividad

Índice Producto Matriz-Matriz ¿Cómo explotar más la arquitectura? Buenas prácticas de programación CUDA OpenCL ¿Qué es OpenCL? ¿Qué diferencia OpenCL de CUDA? Ejemplo: Suma de vectores

¿Qué es OpenCL? OpenCL: Open Computing Language Propuesto por a ¿Quién está involucrado?

¿Qué diferencia OpenCL de CUDA? (I) Punteros CUDA struct Node {Node* next} n=n->next Opencl struct Node {unsigned int next;} next=bufBase+n

¿Qué diferencia OpenCL de CUDA? (II) Kernels CUDA Programa compilado en formato binario OpenCL Se compila en tiempo de ejecución Palabras Clave y lenguaje utilizado para los kernel

Ejemplo: Suma de vectores CUDA _global_ void SumaVec(const float *a, const float *b, float *c) // Índice al elemento del vector int indice=blockIdx.x*blockDim.x+threadIdx.x c[indice]=a[indice]+b[indice] } OpenCL _kernel void SumaVec(_global const float *a, _global const float *b, _global float *c) int indice=get_global_id(0)

Índice Producto Matriz-Matriz ¿Cómo explotar más la arquitectura? Buenas prácticas de programación CUDA OpenCL