c++ - 对 float 求和的最佳 OpenCL 2 内核是什么？

Question

C++ 17 引入了许多新算法来支持并行执行，特别是 std::reduce是std::accumulate的并行版本这允许非确定性 操作的非确定性 行为，例如浮点加法。我想使用 OpenCL 2 实现一个 reduce 算法。

英特尔有一个例子here它使用 OpenCL 2 work group 内核函数来实现 std::exclusive_scan OpenCL 2 内核。下面是基于 Intel 的 exclusive_scan 示例的 float 求和内核:

kernel void sum_float (global float* sum, global float* values)
{
  float sum_val = 0.0f;

  for (size_t i = 0u; i < get_num_groups(0); ++i)
  {
    size_t index = get_local_id(0) + i * get_enqueued_local_size(0);
    float value = work_group_reduce_add(values[index]);
    sum_val += work_group_broadcast(value, 0u);
  }

  sum[0] = sum_val;
}

上面的内核有效(或似乎有效!)。但是，exclusive_scan 需要 work_group_broadcast 函数将一个 work group 的最后一个值传递给下一个，而这个内核只需要 work_group_reduce_add 的结果添加到 sum_val，因此 atomic add 更合适。

OpenCL 2 提供了一个atomic_int，它支持atomic_fetch_add。上面使用 atomic_int 的内核的整数版本是:

kernel void sum_int (global int* sum, global int* values)
{
  atomic_int sum_val;
  atomic_init(&sum_val, 0);

  for (size_t i = 0u; i < get_num_groups(0); ++i)
  {
    size_t index = get_local_id(0) + i * get_enqueued_local_size(0);
    int value = work_group_reduce_add(values[index]);
    atomic_fetch_add(&sum_val, value);
  }

  sum[0] = atomic_load(&sum_val);
}

OpenCL 2 还提供了一个atomic_float，但它不支持atomic_fetch_add。

实现 OpenCL2 内核对 float 求和的最佳方法是什么？

Answer 1

kernel void sum_float (global float* sum, global float* values)
{
  float sum_val = 0.0f;

  for (size_t i = 0u; i < get_num_groups(0); ++i)
  {
    size_t index = get_local_id(0) + i * get_enqueued_local_size(0);
    float value = work_group_reduce_add(values[index]);
    sum_val += work_group_broadcast(value, 0u);
  }

  sum[0] = sum_val;
}

这有一个将数据写入 sum 的零索引元素的竞争条件，所有工作组都在做相同的计算，这使得这个 O(N*N) 而不是 O(N) 并且需要超过 1100 毫秒才能完成 1M-元素数组总和。

对于相同的 1-M 元素数组，this(global=1M, local=256)

kernel void sum_float2 (global float* sum, global float* values)
{
      float sum_partial = work_group_reduce_add(values[get_global_id(0)]);
      if(get_local_id(0)==0)
        sum[get_group_id(0)] = sum_partial; 
}

接着是这个(global=4k，local=256)

kernel void sum_float3 (global float* sum, global float* values)
{
  float sum_partial = work_group_reduce_add(sum[get_global_id(0)]);
  if(get_local_id(0)==0)
    values[get_group_id(0)] = sum_partial; 
}

除了第三步外，在几毫秒内做同样的事情。第一个将每个组的总和放入其组 ID 相关项中，第二个内核将这些总和为 16 个值，这 16 个值可以很容易地由 CPU 求和(微秒或更短)(作为第三步)。

程序是这样运行的:

values: 1.0 1.0 .... 1.0 1.0 
sum_float2
sum: 256.0 256.0 256.0
sum_float3
values: 65536.0 65536.0 .... 16 items total to be summed by cpu 

如果你需要使用原子，你应该尽可能少地使用它。最简单的示例可以是使用局部原子对每个组的许多值求和，然后在最后一步中使用每个组的单个全局原子函数将所有值相加。我现在还没有为 OpenCL 准备好 C++ 设置，但我想当您使用具有相同内存资源(可能是流模式或 SVM)和/或一个使用 C++17 函数的 CPU。如果您没有多个设备同时在同一区域进行计算，那么我认为这些新原子只能在已经工作的 OpenCL 1.2 原子之上进行微优化。我没有使用这些新的原子，所以把所有这些都当作一粒盐。