[英]Sum reduction with parallel algorithm - Bad performances compared to CPU version
我已经实现了一个小代码,可以减少一维数组的总和。 我正在比较CPU顺序版本和OpenCL版本。
该代码可以在这个链接1
内核代码在此链接上可用2
如果要编译: Makefile的link3
我的问题是关于GPU版本的不良表现:
对于小于1,024 * 10 ^ 9个元素的向量(即1024, 10240, 102400, 1024000, 10240000, 102400000 elements
),GPU版本的运行时高于(略高但更高)CPU版本。
如您所见,我采用了2 ^ n个值,以使工作项的数量与工作组的大小兼容。
关于工作组的数量,我采取了以下措施:
// Number of work-groups
int nWorkGroups = size/local_item_size;
但是对于大量的工作项,我想知道nWorkGroups的值是否合适(例如, nWorkGroups = 1.024 * 10^8 / 1024 = 10^5 workgroups
,这不是太多吗?)。
我试图在[64, 128, 256, 512, 1024]
loca_item_size
范围内修改loca_item_size
,但是对于所有这些值,性能仍然很差。
我仅对size = 1.024 * 10^9
元素有好处,这是运行时:
Size of the vector
1024000000
Problem size = 1024000000
GPU Parallel Reduction : Wall Clock = 20 second 977511 micro
Final Sum Sequential = 5.2428800006710899200e+17
Sequential Reduction : Wall Clock = 337 second 459777 micro
从您的经验来看,我为什么会表现不佳? 尽管与CPU版本相比,我的优势更显着。
也许有人会在源代码中看到一个主要错误,因为目前我无法解决此问题。
谢谢
好吧,我可以告诉你一些原因:
您无需编写缩减缓冲区。 您可以使用clEnqueueFillBuffer()
或帮助程序内核直接将其清除在GPU内存中。
ret = clEnqueueWriteBuffer(command_queue, reductionBuffer, CL_TRUE, 0, local_item_size * sizeof(double), sumReduction, 0, NULL, NULL);
除了上次读取的内容外,不要使用阻塞呼叫。 否则,您会在那里浪费时间。
您正在最后一次减少CPU。 通过内核进行迭代处理可以提供帮助。
因为如果您的内核每次减少128个元素。 您的10 ^ 9号码降到8 * 10 ^ 6。 CPU负责其余的工作。 如果在其中添加数据副本,则将使其完全不值钱。 但是,如果以每遍512个元素运行3次遍,则仅从GPU读取10 ^ 9/512 ^ 3 = 8个值。 因此,唯一的瓶颈将是第一个GPU复制和内核启动。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.