cuda - 为什么 cuFFT 性能会因输入重叠而受到影响？

Question

我正在尝试使用 cuFFT 的回调功能即时执行输入格式转换(例如，计算 8 位整数输入数据的 FFT，而无需先将输入缓冲区显式转换为 float )。在我的许多应用程序中，我需要计算输入缓冲区上的重叠 FFT，as described in this previous SO question .通常，相邻的 FFT 可能会重叠 FFT 长度的 1/4 到 1/8。

cuFFT 及其类似 FFTW 的接口(interface)明确支持此 via the idist parameter of the cufftPlanMany() function .具体来说，如果我想计算大小为 32768 且连续输入之间有 4096 个样本重叠的 FFT，我会设置 idist = 32768 - 4096 .此 在产生正确输出的意义上正常工作。

但是，以这种方式使用 cuFFT 时，我看到了奇怪的性能下降。我设计了一个测试，以两种不同的方式实现这种格式转换和重叠:

明确地告诉 cuFFT 关于输入的重叠性质:set idist = nfft - overlap正如我上面所描述的。安装一个加载回调函数，它只是从 int8_t 进行转换至 float根据提供给回调的缓冲区索引的需要。

不要告诉 cuFFT 输入的重叠性质；对它撒谎 idist = nfft .然后，让回调函数通过计算应该为每个 FFT 输入读取的正确索引来处理重叠。

A test program implementing both of these approaches with timing and equivalence tests is available in this GitHub gist .为简洁起见，我没有在这里全部复制。该程序计算了一批 1024 个 32768 点的 FFT，这些 FFT 有 4096 个样本重叠；输入数据类型为 8 位整数。当我在我的机器上运行它时(使用 Geforce GTX 660 GPU，在 Ubuntu 16.04 上使用 CUDA 8.0 RC)，我得到以下结果:

executing method 1...done in 32.523 msec
executing method 2...done in 26.3281 msec

方法 2 明显更快，这是我没想到的。查看回调函数的实现:

方法一:

template <typename T>
__device__ cufftReal convert_callback(void * inbuf, size_t fft_index, 
    void *, void *)
{
    return (cufftReal)(((const T *) inbuf)[fft_index]);
}

方法二:

template <typename T>
__device__ cufftReal convert_and_overlap_callback(void *inbuf, 
    size_t fft_index, void *, void *)
{
    // fft_index is the index of the sample that we need, not taking 
    // the overlap into account. Convert it to the appropriate sample 
    // index, considering the overlap structure. First, grab the FFT 
    // parameters from constant memory.
    int nfft = overlap_params.nfft;
    int overlap = overlap_params.overlap;
    // Calculate which FFT in the batch that we're reading data for. This
    // tells us how much overlap we need to account for. Just use integer 
    // arithmetic here for speed, knowing that this would cause a problem 
    // if we did a batch larger than 2Gsamples long.
    int fft_index_int = fft_index;
    int fft_batch_index = fft_index_int / nfft;
    // For each transform past the first one, we need to slide "overlap" 
    // samples back in the input buffer when fetching the sample.
    fft_index_int -= fft_batch_index * overlap;
    // Cast the input pointer to the appropriate type and convert to a float.
    return (cufftReal) (((const T *) inbuf)[fft_index_int]);
}

方法 2 有一个明显更复杂的回调函数，甚至涉及整数除以非编译时间值!我希望这比方法 1 慢得多，但我看到了相反的情况。对此有很好的解释吗？当输入重叠时，cuFFT 的处理结构是否有可能大不相同，从而导致性能下降？

如果可以从回调中删除索引计算，我似乎应该能够实现比方法 2 快得多的性能(但这需要将重叠指定给 cuFFT)。

编辑:在 nvvp下运行我的测试程序后，我可以看到 cuFFT 肯定似乎在以不同的方式构建其计算。很难理解内核符号名称，但内核调用分解如下:

方法一:

__nv_static_73__60_tmpxft_00006cdb_00000000_15_spRealComplex_compute_60_cpp1_ii_1f28721c__ZN13spRealComplex14packR2C_kernelIjfEEvNS_19spRealComplexR2C_stIT_T0_EE : 3.72 毫秒

spRadix0128C::kernel1Tex<unsigned int, float, fftDirection_t=-1, unsigned int=16, unsigned int=4, CONSTANT, ALL, WRITEBACK> : 7.71 毫秒

spRadix0128C::kernel1Tex<unsigned int, float, fftDirection_t=-1, unsigned int=16, unsigned int=4, CONSTANT, ALL, WRITEBACK> :12.75 毫秒(是的，它被调用了两次)

__nv_static_73__60_tmpxft_00006cdb_00000000_15_spRealComplex_compute_60_cpp1_ii_1f28721c__ZN13spRealComplex24postprocessC2C_kernelTexIjfL9fftAxii_t1EEEvP7ComplexIT0_EjT_15coordDivisors_tIS6_E7coord_tIS6_ESA_S6_S3_ : 7.49 毫秒

方法二:

spRadix0128C::kernel1MemCallback<unsigned int, float, fftDirection_t=-1, unsigned int=16, unsigned int=4, L1, ALL, WRITEBACK> : 5.15 毫秒

spRadix0128C::kernel1Tex<unsigned int, float, fftDirection_t=-1, unsigned int=16, unsigned int=4, CONSTANT, ALL, WRITEBACK> : 12.88 毫秒

__nv_static_73__60_tmpxft_00006cdb_00000000_15_spRealComplex_compute_60_cpp1_ii_1f28721c__ZN13spRealComplex24postprocessC2C_kernelTexIjfL9fftAxii_t1EEEvP7ComplexIT0_EjT_15coordDivisors_tIS6_E7coord_tIS6_ESA_S6_S3_ : 7.51 毫秒

有趣的是，看起来 cuFFT 调用两个内核来实际使用方法 1(当 cuFFT 知道重叠时)计算 FFT，但是使用方法 2(它不知道 FFT 重叠)，它只用一。对于在这两种情况下使用的内核，方法 1 和方法 2 之间似乎确实使用了相同的网格参数。

我不明白为什么它必须在这里使用不同的实现，特别是因为输入步幅 istride == 1 .在转换输入处获取数据时，它应该只使用不同的基地址；我认为算法的其余部分应该完全相同。

编辑 2:我看到了一些更奇怪的行为。我偶然意识到，如果我没有适本地破坏 cuFFT 句柄，我会看到测量性能的差异。例如，我修改了测试程序以跳过对 cuFFT 句柄的破坏，然后以不同的顺序执行测试:方法 1、方法 2，然后是方法 2 和方法 1。我得到了以下结果:

executing method 1...done in 31.5662 msec
executing method 2...done in 17.6484 msec
executing method 2...done in 17.7506 msec
executing method 1...done in 20.2447 msec

因此，性能似乎会根据在为测试用例创建计划时是否存在其他 cuFFT 计划而改变!使用分析器，我看到内核启动的结构在两种情况下没有变化；内核似乎都执行得更快。对于这种影响，我也没有合理的解释。

Answer 1

如果您指定非标准步幅(如果批处理/转换无关紧要)cuFFT 在内部使用不同的路径。

广告编辑 2:
这可能是 GPU Boost 调整 GPU 上的时钟。 cuFFT 计划互不影响

获得更稳定结果的方法:

运行预热内核(任何能让 GPU 正常工作的东西都很好)，然后你的问题

增加批量大小

多次运行测试并取平均值

锁定 GPU 的时钟(在 GeForce 上不太可能 - Tesla 可以做到)