Numba - CUDA kernel 中的共享 memory 未正確更新

Question

考慮以下 kernel，它計算x中小於或等於y中相應元素的元素數。

@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，每個線程的增量沒有正確保存在共享數組中。

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

我在這里做錯了什么？ 我很困惑，因為cuda.shared.array由給定塊中的所有線程共享，對吧？ 如何使用相同的 1 元素數組累積增量？

我還嘗試了以下方法，但失敗了與上述版本相同的行為。

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

Answer 1

您需要顯式執行原子添加操作：

@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])

原子添加在相對較新的設備上進行了優化，例如使用硬件扭曲減少，但是當大量流式多處理器執行原子操作時，操作往往不會擴展。

提高此 kernel 性能的一種解決方案是在陣列足夠大的情況下執行許多值的塊縮減。 在實踐中，每個線程可以對多個項目求和，最后執行一個原子操作。 代碼應如下所示（未經測試）：

# 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)

請注意，16 是任意值。 對於大型陣列使用較大的值（如 64）和相對較小的 arrays 使用較小的值肯定會更快。