我有以下代码片段:
#include <stdio.h>
struct Nonsense {
float3 group;
float other;
};
__global__ void coalesced(float4* float4Array, Nonsense* nonsenseArray) {
float4 someCoordinate = float4Array[threadIdx.x];
someCoordinate.x = 5;
float4Array[threadIdx.x] = someCoordinate;
Nonsense nonsenseValue = nonsenseArray[threadIdx.x];
nonsenseValue.other = 3;
nonsenseArray[threadIdx.x] = nonsenseValue;
}
int main() {
float4* float4Array;
cudaMalloc(&float4Array, 32 * sizeof(float4));
cudaMemset(float4Array, 32 * sizeof(float4), 0);
Nonsense* nonsenseArray;
cudaMalloc(&nonsenseArray, 32 * sizeof(Nonsense));
cudaMemset(nonsenseArray, 32 * sizeof(Nonsense), 0);
coalesced<<<1, 32>>>(float4Array, nonsenseArray);
cudaDeviceSynchronize();
return 0;
}
当我通过 Nsight 中的 Nvidia 分析器运行它并查看全局内存访问模式时,float4Array 具有完美的合并读写。同时,Nonsense 数组的访问模式很差(因为它是一个结构数组)。
NVCC 是否自动将概念上是结构数组的 float4 数组转换为数组结构以获得更好的内存访问模式?
最佳答案
不,它不会将其转换为数组结构。我想如果你仔细考虑一下,你会得出结论,编译器几乎不可能以这种方式重组数据。毕竟,传递的是一个指针。
只有一个数组,并且那个数组的元素仍然有相同顺序的struct元素:
float address (i.e. index): 0 1 2 3 4 5 ...
array element : a[0].x a[0].y a[0].z a[0].w a[1].x a[1].y ...
然而,float4
数组提供了更好的模式,因为编译器会生成 a single 16-byte load per thread .这有时被称为“矢量加载”,因为我们正在为每个线程加载一个矢量(在本例中为 float4
)。因此,相邻线程仍在读取相邻数据,并且您具有理想的合并行为。在上面的示例中,线程 0 将读取 a[0].x
、a[0].y
、a[0].z
和 a[0].w
,线程 1 将读取 a[1].x
、a[1].y
等。所有这将发生在单个请求(即 SASS 指令)中,但可能会拆分为多个事务。将请求拆分为多个事务不会导致任何效率损失(在这种情况下)。
在 Nonsense
结构的情况下,编译器无法识别该结构也可以以类似的方式加载,因此在引擎盖下它必须为每个线程生成 3 或 4 次加载:
- 一个 8 字节加载(或两个 4 字节加载)加载
float3 组的前两个字
- 一个4字节加载加载
float3组
的最后一个字 - 一个 4 字节加载来加载
float other
如果您为每个线程绘制上述负载,也许使用上图,您会看到每个负载都涉及一个跨度(每个线程加载的项目之间未使用的元素),因此导致效率较低。
通过在结构中使用谨慎的类型转换或联合定义,您可以让编译器在一次加载中加载您的 Nonsense
结构。
This answer还涵盖了与 AoS -> SoA 转换和相关效率提升相关的一些想法。
This answer涵盖矢量负载详细信息。
关于cuda - CUDA 是否自动将 float4 数组转换为数组结构?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/53127392/