CUDA 设备到设备传输昂贵

Question

我编写了一些代码来尝试交换二维矩阵的象限以用于 FFT，该矩阵存储在平面数组中。

    int leftover = W-dcW;

    T *temp;
    T *topHalf;
cudaMalloc((void **)&temp, dcW * sizeof(T));

    //swap every row, left and right
    for(int i = 0; i < H; i++)
    {
        cudaMemcpy(temp, &data[i*W], dcW*sizeof(T),cudaMemcpyDeviceToDevice);
        cudaMemcpy(&data[i*W],&data[i*W+dcW], leftover*sizeof(T), cudaMemcpyDeviceToDevice);
        cudaMemcpy(&data[i*W+leftover], temp, dcW*sizeof(T), cudaMemcpyDeviceToDevice); 
    }

cudaMalloc((void **)&topHalf, dcH*W* sizeof(T));
    leftover = H-dcH;
    cudaMemcpy(topHalf, data, dcH*W*sizeof(T), cudaMemcpyDeviceToDevice);
    cudaMemcpy(data, &data[dcH*W], leftover*W*sizeof(T), cudaMemcpyDeviceToDevice);
    cudaMemcpy(&data[leftover*W], topHalf, dcH*W*sizeof(T), cudaMemcpyDeviceToDevice);

请注意，此代码采用设备指针，并执行 DeviceToDevice 传输。

为什么这似乎运行得这么慢？这可以以某种方式优化吗？与在主机上使用常规 memcpy 进行相同操作相比，我对此进行了计时，它的速度大约慢了 2 倍。

有什么想法吗？

Answer 1

我最终编写了一个内核来进行交换。这确实比 Device to Device memcpy 操作快

Answer 2

也许以下在 CUDA 中执行 2d fftshift 的解决方案会很有趣：

#define IDX2R(i,j,N) (((i)*(N))+(j))

__global__ void fftshift_2D(double2 *data, int N1, int N2)
{
    int i = threadIdx.y + blockDim.y * blockIdx.y;
    int j = threadIdx.x + blockDim.x * blockIdx.x;

    if (i < N1 && j < N2) {
        double a = pow(-1.0, (i+j)&1);

        data[IDX2R(i,j,N2)].x *= a;
        data[IDX2R(i,j,N2)].y *= a;
    }
}

它包括将要转换的矩阵乘以1s 和-1s 的棋盘，这相当于乘以exp(-j*(n+m)*pi)，从而在共轭域中双向移动。

你必须在应用 CUFFT 之前和之后调用这个内核。

一个优点是避免了内存移动/交换。

提高速度

根据NVIDIA Forum收到的建议，可以通过更改指令来提高速度

double a = pow(-1.0,(i+j)&1);

到

double a = 1-2*((i+j)&1);

避免使用缓慢的例程 pow。