CUDA之Thread、Wrap执行详解

末蓝、 2022-05-08 05:16 588阅读 0赞

从硬件角度分析，支持CUDA的NVIDIA 显卡，都是由多个multiprocessors 组成。每个 multiprocessor 里包含了8个stream processors，其组成是四个四个一组，也就是两组4D的处理器。每个 multiprocessor 还具有 很多个（比如8192个）寄存器，一定的（比如16KB） share memory，以及 texture cache 和 constant cache。

![这里写图片描述][20160406225141133]

在 CUDA 中，大部份基本的运算动作，都可以由 stream processor 进行。每个 stream processor 都包含一个 FMA（fused-multiply-add）单元，可以进行一个乘法和一个加法。比较复杂的运算则会需要比较长的时间。

在执行 CUDA 程序的时候，每个 stream processor 就是对应一个 thread。每个 multiprocessor 则对应一个 block。但是我们一个block往往有很大量的线程，之前我们用到了256个和1024个，远超一个 multiprocessor 所有的8个 stream processor 。

实际上，虽然一个 multiprocessor 只有八个 stream processor，但是由于 stream processor 进行各种运算都有 latency，更不用提内存存取的 latency，因此 CUDA 在执行程序的时候，是以warp 为单位。

比如一个 warp 里面有 32 个 threads，分成两组 16 threads 的 half-warp。由于 stream processor 的运算至少有 4 cycles 的 latency，因此对一个 4D 的stream processors 来说，一次至少执行 16 个 threads（即 half-warp）才能有效隐藏各种运算的 latency（ 如果你开始运算，再开一个线程，开始运算，再开一个线程，开始运算，再开一个线程开始运算，这时候第一个线程就ok了，第一个线程再开始运算 ， 看起来就没有延迟了， 每个处理单元上最少开4个可以达到隐藏延迟的目的，也就是4\*4=16个线程）。也因此，线程数达到隐藏各种latency的程度后，之后数量的提升就没有太大的作用了。

问：同一个SM中某一个时刻是不是只能执行同一个block里面的wrap呢？如果是的话，同一个时刻SM是否能够同时执行同一个block里面的多个wrap呢？如果是的话，由于同一个block共享32个bank，这样的话不同wrap，有没有可能产生bank confick呢，例如一个wrap0-31中的a\[0\]与第二个32-63wrap中的a\[32\]访问的是同一个bank？谢谢~

答：（1）否。一个SM可以执行来自多个blocks的warps的。而不是只能一个。这点你可以参考手册里的计算能力区别表格那里，可以清晰的看到不同计算能力的卡，能同时上多少个blocks。而它们的数字都不是1.（2）否。不同的blocks间的warps不会导致bank conflict. 目前只有一个warp内部的线程间才有可能会导致bank conflict.而不同warp不能同时导致bank conflict的原因是它们不能同时访问同一个SM里的shared memory的。同一个SM里的shared memory只能同时服务来自1个warp的请求。实际上，我们考虑shared memory是否有bank冲突的时候，只需要看某个warp的某个瞬间即可。 而无需考虑本次访问和它自身的之前、之后的访问以及和来自其他warp的访问之间的关系。 硬件本身的特性决定了，这些不能同时进行。不能同时进行自然也无bank conflict的。 你可以写个简单的程序，模拟你的怀疑，让线程31和线程32（这归属于2个不同的warp了）能同时下标映射到同一个bank上， 然后跑下profiler, 看下这两个events的计数信息: shared\_ld\_bank\_conflict和shared\_st\_bank\_conflict你会发现这两个数值为0.

问： 好的，谢谢，关于第一个问题还有点疑问：一个SM可以执行来自多个blocks的warps的，这个是同一个时刻执行来自多个blocks的warps？还是一个block结束后退出，然后接着执行下个？还点疑问，shared\_ld\_bank\_conflict与shared\_st\_bank\_conflict中ld与st代表什么呢？（这应该还是算第二次提问的延续吧，第三次我去论坛）

答：可以同时执行来自多个blocks的多个warps的。不是必须需要等待一个block完成才能进行下一个的。 但是资源的分配是以block为单位的，哪怕该block最后还残存1个warp在执行， 也需要等待此warp结束，才能block集体结束。 这会导致性能分析工具报告的achieved occupancy下降的。如果你写论文之类的话，可以在kernel结束前添加一个\_\_syncthreads()，这会有效的提升achieved occupancy （但这对实际性能无任何用途）（只是数字好看了）（适合汇报使用）对Kepler到Pascal有效。

\--------------------- 本文来自 Bruce\_0712 的CSDN 博客 ，全文地址请点击：https://blog.csdn.net/Bruce\_0712/article/details/65442673?utm\_source=copy

[20160406225141133]: /images/20220508/8229817db3154d2ab26b5c03776c1a9a.png