OpenCL 本地内存大小和计算单元数量答案

【问题标题】：OpenCL local memory size and number of compute unitsOpenCL 本地内存大小和计算单元数量
【发布时间】：2012-01-14 23:21:34
【问题描述】：

每个 GPU 设备（AMD、NVidea 或任何其他设备）都被拆分为多个计算单元（多处理器），每个计算单元都有固定数量的内核（顶点着色器/流处理器）。因此，一个有(Compute Units) x (VertexShaders/compute unit) 并发处理器来计算，但每个多处理器只有少量固定数量的__local 内存（通常为 16KB 或 32KB）可用。因此，这些多处理器的确切数量很重要。

现在我的问题：

(a) 我如何知道设备上的多处理器数量？这和CL_DEVICE_MAX_COMPUTE_UNITS一样吗？我可以从http://en.wikipedia.org/wiki/Comparison_of_AMD_graphics_processing_units等规格表中推断出来吗？
(b) 在购买 GPU 之前，我如何知道每个 MP 有多少 __local 内存？当然，我可以在运行它的计算机上请求CL_DEVICE_LOCAL_MEM_SIZE，但我看不出如何从单独的详细规格表（例如http://www.amd.com/us/products/desktop/graphics/7000/7970/Pages/radeon-7970.aspx#3）中推断出它？
(c) 目前最大CL_DEVICE_LOCAL_MEM_SIZE 的卡是什么？价格并不重要，但 64KB（或更大）将为我正在编写的应用程序带来明显的好处，因为我的算法是完全可并行化的，而且每个 MP 内的随机访问模式也是高度内存密集型的（迭代边缘图表）。

【问题讨论】：

尝试在 SDK 中 AMD/NVIDIA 提供的示例中运行设备查询。如果你想知道特定设备的设备查询，有很多人已经把它放到网上。

标签： opencl

【解决方案1】：

CL_DEVICE_MAX_COMPUTE_UNITS 应该为您提供 ComputeUnit 的数量，否则您可以从相应的手册中查看（AMD opencl programming guide 和 Nvidia OpenCL programming guide）
AMD 链接指南包含有关每个计算单元的可用本地内存（通常为 32kB / CU）的信息。对于 NVIDIA，谷歌快速搜索显示this document，它给出了基于 G80 和 G200 的 GPU 的本地内存大小为 16kB/CU。对于基于 fermi 的卡 (GF100)，有 64kB 的片上内存可用，可以配置为 48kB 本地内存和 16kB L1 缓存或 16kB 本地内存和 48kB L1 缓存。此外，基于 fermi 的卡具有高达 768kB 的二级缓存（根据维基百科，GF100 和 GF110 为 768kB，GF104 和 GF114 为 512kB，GF106 和 GF116 为 384kB，GF108 和 GF118 没有）。
从以上信息看来，当前的 nvidia 卡的每个计算单元的本地内存最多。此外，据我了解，它是唯一具有通用 L2 缓存的。

但是，对于本地内存的使用，您应该记住，本地内存是为每个工作组分配的（并且只能由一个工作组访问），而一个计算单元通常可以维持一个以上的工作组。因此，如果您的算法将整个本地内存分配给一个工作组，您将无法使用实现最大并行性。另请注意，由于本地内存被存储，随机访问将导致大量存储冲突和扭曲序列化。所以你的算法可能不会像你想象的那么好（或者它可能会，只是提到可能性）。

使用基于 Fermi 的卡，如果您的所有工作组都在相同的数据上运行，您最好的选择可能是依靠缓存而不是显式本地内存（虽然我不知道如何切换 L1/本地内存配置） .

【讨论】：

这是一个非常有趣的观点，我的算法确实消耗了每个计算单元的所有本地内存。应该在同一个计算单元上运行多少个工作组才能使其以（接近）全速运行？
另外，L2 缓存听起来很有趣，但我不明白。现代设备上有大约 32 个计算单元，而 Fermi 提供了 768KB L2 缓存，每个计算单元只有 24KB（与 64KB L1 相比）？ IE。 L2 比 L1 缓存少？？？还是我误解了这个缓存的意义？
我上面第一条评论的附录：每个工作组将包含几百个工作项。
@user1111929：基于 GF100 和 GF110 的卡最多有 16 个 CU，所以它是 48kB 的 L2/CU，所以 L2 的大小与所有 L1 缓存的总和相同（记住 L1 可以是配置为 16kB 或 48kB/CU）。如果您的所有工作组都在大致相同的数据集上运行，这将非常有用。对于工作组的数量：获得最佳速度所需的工作组数量取决于您的内核。您拥有的线程越多，可以隐藏更好的延迟。 G80 的最大线程/CU 为 768，G200 为 1024，GF100 为 1536，AMD 卡为 1200 到 3200（极低端为 6200）（取决于
卡在一代中的定位，而不是一代）根据我上面链接的文档。我通常会尝试为 nvidia 争取至少一半的价值，在 amd 的高端卡的高端最大值附近（大约 1200），这通常足以隐藏大多数延迟。请注意，线程（以及工作组）的数量也受到每个线程使用的寄存器数量和每个 CU 可用数量的限制。当然，如果你的工作组足够大，你可能会使用一个工作组。