编写一个有许多线程写入同一索引的 CUDA 内核？

Question

我正在编写一些代码来激活 CUDA 上的神经网络，但遇到了问题。我没有得到进入给定神经元的权重的正确总和。

这里是内核代码，我将尝试用变量更清楚地解释它。

__global__ void kernelSumWeights(float* sumArray, float* weightArray, int2* sourceTargetArray, int cLength)
{
int nx = threadIdx.x + TILE_WIDTH*threadIdx.y;
int index_in = (blockIdx.x + gridDim.x*blockIdx.y)*TILE_WIDTH*TILE_WIDTH + nx;
 if(index_in < cLength)
 {

  sumArray[sourceTargetArray[index_in].y] += fabs(weightArray[index_in]);
  //__threadfence();
  __threadfence_block();

 }

}

首先，网络中的连接数是cLength。对于每个连接，都有一个源神经元和一个目标神经元，以及该连接的权重。 SourceTargetArray 包含该信息。所以sourceTargetArray的索引i是连接i的源神经元索引，连接i的目标神经元索引。 weightArray 包含权重信息（因此weightArray 的索引i 对应于连接i）。

如您所见，SumArray 是我存储总和的位置。所以内核将sumArray（在连接i的目标神经元索引处）增加了连接权重的绝对值i。直观地说，对于到神经元的所有传入连接，将所有权重相加。这就是我试图用这个内核做的所有事情。最终，我将使用这个总和对权重进行归一化。

问题是它是错误的。我已经连续完成了这个，答案是不同的。答案不同，通常相差约 12-15 倍（因此正确答案将是 700.0，而我得到的结果在 50 年代范围内）。

您可以看到我添加了__threadfence()（和__threadfence_block()，以确保每个线程不会同时进行写入）。我不确定这是否是我的代码的问题。我确保权重数组与我测试的串行版本相同，并且源/目标信息也相同。我做错了什么？

编辑：作为参考，CUDA Programming Guide v3.1 附录 B.5 Memory Fence Functions 中描述了使用的__threadfence()

Answer 1

你需要做一个减少。

对分配给每个线程的元素求和并将结果放入一个数组中，cache[threadsPerBlock] 然后 __Syncthreads

现在通过添加连续的相邻小计来减少生成的小计：

int cacheIndex = threadIdx.x;
int i = blockDim.x / 2;
while (i != 0)
{
    if (cacheIndex < i)
        cache[cacheIndex] += cache[cacheIndex] + 1;
        __syncthreads;
        i /= 2;
    }
}

下面的卡片详细解释了这一点：

http://developer.download.nvidia.com/compute/cuda/1_1/Website/projects/reduction/doc/reduction.pdf

这里有示例代码：

http://www.nvidia.com/object/cuda_sample_data-parallel.html

在“CUDA BY Example”中也有很好的解释（这是代码片段的来源）。

这种方法有一个很大的警告。添加的顺序与序列代码不同。浮点数的添加不是可交换的，因此舍入误差可能会导致结果略有不同。

Answer 2

+= 不是原子的 => 不是线程安全的。使用atomicAdd。

您还应该避免写入同一个内存单元。问题是这些调用将被序列化，线程将排队等待对方。如果您无法避免此操作，请尝试将您的算法分为两个阶段：单独计算和合并。并行合并可以非常高效地实现。