Numba - CUDA kernel 中的共享 memory 未正确更新

Question

考虑以下 kernel，它计算x中小于或等于y中相应元素的元素数。

@cuda.jit
def count_leq(x, y, out):
    i = cuda.grid(1)
    shared = cuda.shared.array(1, dtype=DTYPE)
    if i < len(x):
        shared[0] += x[i] <= y[i]
    cuda.syncthreads()
    out[0] = shared[0]
    

但是，每个线程的增量没有正确保存在共享数组中。

a = cuda.to_device(np.arange(5))  # [0 1 2 3 4]
b = cuda.to_device(np.arange(5))  # [0 1 2 3 4]
out = cuda.to_device(np.zeros(1)) # [0]
count_leq[1,len(a)](a, b, out)
print(out[0])                     # 1.0, but should be 5.0

我在这里做错了什么？ 我很困惑，因为cuda.shared.array由给定块中的所有线程共享，对吧？ 如何使用相同的 1 元素数组累积增量？

我还尝试了以下方法，但失败了与上述版本相同的行为。

@cuda.jit
def count_leq(x, y, out):
    i = cuda.grid(1)
    if i < len(x):
        out[0] += x[i] <= y[i]

Answer 1

您需要显式执行原子添加操作：

@cuda.jit
def count_leq(x, y, out):
    i = cuda.grid(1)
    if i < len(x):
        cuda.atomic.add(out, 0, x[i] <= y[i])

原子添加在相对较新的设备上进行了优化，例如使用硬件扭曲减少，但是当大量流式多处理器执行原子操作时，操作往往不会扩展。

提高此 kernel 性能的一种解决方案是在阵列足够大的情况下执行许多值的块缩减。 在实践中，每个线程可以对多个项目求和，最后执行一个原子操作。 代码应如下所示（未经测试）：

# Must be launched with different parameters since 
# each threads works on more array items.
# The number of block should be 16 times smaller.
@cuda.jit
def count_leq(x, y, out):
    tid = cuda.threadIdx.x
    bid = cuda.blockIdx.x
    bdim = cuda.blockDim.x
    i = (bid * bdim * 16) + tid

    s = 0

    # Fast general case (far from the end of the arrays)
    if i+16*bdim < len(x):
        # Thread-local reduction
        # This loop should be unrolled
        for j in range(16):
            idx = i + j * bdim
            s += x[idx] <= y[idx]

    # Slower corner case (close to end of the arrays: checks are needed)
    else:
        for j in range(16):
            idx = i + j * bdim
            if idx < len(x):
                s += x[idx] <= y[idx]

    cuda.atomic.add(out, 0, s)

请注意，16 是任意值。 对于大型阵列使用较大的值（如 64）和相对较小的 arrays 使用较小的值肯定会更快。