opencl - 在OpenCL内核中存储小型恒定值数组的最佳实践？

Question

我正在编写一个OpenCL内核，该内核使用5x5高斯滤波器对图像进行卷积，并想知道存储滤波器常数的最佳实践是什么。在内核中，32x32工作组中的每个线程都执行以下操作：


将像素加载到__local内存缓冲区中，
通过barrier(CLK_LOCAL_MEM_FENCE)进行同步，
然后对其对应的像素执行卷积。


这是本地图像数据和过滤器的缓冲区：

 __local float4 localRegion[32][32]; // image region w 2 pixel apron
 .... 
 static const float filter[5][5] = { // __constant vs __private ??
    {1/256.0,  4/256.0,  6/256.0,  4/256.0, 1/256.0},
    {4/256.0, 16/256.0, 24/256.0, 16/256.0, 4/256.0},
    {6/256.0, 24/256.0, 36/256.0, 24/256.0, 6/256.0},
    {4/256.0, 16/256.0, 24/256.0, 16/256.0, 4/256.0},
    {1/256.0,  4/256.0,  6/256.0,  4/256.0, 1/256.0}
  };

哪些存储区可以容纳 filter，哪一个是最佳存储区？在每种情况下如何进行初始化？最佳 __private最佳，但是我不确定您可以静态初始化私有数组吗？除非某些线程负责加载 __local条目，否则 filter没有任何意义（我认为）？另外，根据 khronos docs Sec 6.5，我不确定 static和 _private是否可以一起使用。

根据 the answers here和 here， filter可以存储为 __private，但不清楚如何初始化。

Answer 1

但我不确定您可以静态初始化私有数组


Opencl规范说：“静态存储类说明符只能用于
非内核函数，在程序范围内声明的全局变量和函数内部的变量
最重要的是，编译器（至少是Amd的）优化了常数数学运算，并通过简单的（常数/指令）内存访问进行了交换。即使在此之上，当空间不足时，专用寄存器溢出到全局内存，内核开始访问全局内存，因此，当真实数据有时移到其他地方时，static无法具有有意义的描述。

 float filter[5][5] = {  
    {cos(sin(cos(sin(cos(sin(1/256.0f)))))),  4/256.0f,  6/256.0f,  4/256.0f, 1/256.0f},
    {cos(sin(cos(sin(cos(sin(4/256.0f)))))), 16/256.0f, 24/256.0f, 16/256.0f, 4/256.0f},
    {sin(cos(sin(cos(sin(cos(6/256.0f)))))), 24/256.0f, 36/256.0f, 24/256.0f, 6/256.0f},
    {sin(cos(sin(cos(sin(cos(4/256.0f)))))), 16/256.0f, 24/256.0f, 16/256.0f, 4/256.0f},
    {sin(cos(sin(cos(sin(cos(1/256.0f)))))),  4/256.0f,  6/256.0f,  4/256.0f, 1/256.0f}
  };

花费相同的时间（r7_240gpu为0.78ms）

float filter[5][5] = { 
    {1/256.0f,  4/256.0f,  6/256.0f,  4/256.0f, 1/256.0f},
    {4/256.0f, 16/256.0f, 24/256.0f, 16/256.0f, 4/256.0f},
    {6/256.0f, 24/256.0f, 36/256.0f, 24/256.0f, 6/256.0f},
    {4/256.0f, 16/256.0f, 24/256.0f, 16/256.0f, 4/256.0f},
    {1/256.0f,  4/256.0f,  6/256.0f,  4/256.0f, 1/256.0f}
  };

并且探查器的ISA输出没有任何正弦或余弦函数。在某些存储位置中只写了一些数字。这是没有启用任何优化的情况。




哪些存储区域可以容纳过滤器，哪个最好


取决于硬件，但通常有不止一种类型：

// defined before kernel
__constant float filter[5][5] = { 
    {1/256.0f,  4/256.0f,  6/256.0f,  4/256.0f, 1/256.0f},
    {4/256.0f, 16/256.0f, 24/256.0f, 16/256.0f, 4/256.0f},
    {6/256.0f, 24/256.0f, 36/256.0f, 24/256.0f, 6/256.0f},
    {4/256.0f, 16/256.0f, 24/256.0f, 16/256.0f, 4/256.0f},
    {1/256.0f,  4/256.0f,  6/256.0f,  4/256.0f, 1/256.0f}
  };

这对于r7_240 gpu同时执行。请注意，静态索引对于 __constant内存访问（至少在amd gpu中）更好，而对于相同索引访问则不错（组中的所有线程都访问同一索引，就像在此示例中一样（int嵌套循环））。在这些寻址方式下，常量内存比全局内存要快，但是使用不同的索引时，常量内存与全局内存访问（甚至命中缓存）没有什么不同。 “对于全局范围的常量数组，如果数组的大小小于64 kB，则将其放置在硬件常量缓冲区中；否则，它将使用全局内存”。 （存在与Amd-GCN架构相关的问题，但Nvidia和Intel可以预期类似的行为）

Amd的opencl规范说：“为图像和相同索引的常量启用了L1和L2。”（对于HD5800系列gpu），因此使用image2d_t输入也可以具有类似的性能。对于GCN，L1和L2比恒定内存更快。

Nvidia的opencl最佳做法表示：“ p读取紧密在一起的纹理地址将达到最佳效果
性能。纹理存储器还设计用于恒定的流式读取
潜伏;也就是说，缓存命中会减少DRAM带宽需求，但不会减少读取延迟。
在某些寻址情况下，可以通过图像对象读取设备内存
是从全局或常量读取设备内存的有利替代方法
记忆。
”，还说：“它们被缓存，如果存在2D局部性，则可能会显示更高的带宽
在纹理中获取。 “（再次image2d_t）

如果其他地方需要专用内存，您甚至可以拆分过滤器，例如：

// defined before kernel
__constant float filter2[3][5] = {  
    {1/256.0f,  4/256.0f,  6/256.0f,  4/256.0f, 1/256.0f},
    {4/256.0f, 16/256.0f, 24/256.0f, 16/256.0f, 4/256.0f},
    {6/256.0f, 24/256.0f, 36/256.0f, 24/256.0f, 6/256.0f},
  };

   // no need to write __private, automatically private in function body
   float filter[2][5] = { 
        {4/256.0f, 16/256.0f, 24/256.0f, 16/256.0f, 4/256.0f},
        {1/256.0f,  4/256.0f,  6/256.0f,  4/256.0f, 1/256.0f}
    };

与上面的两个示例具有相同的时序（至少对于r7_240而言）。所有示例均针对512x512大小的图像以及512x512工作项和16x16本地工作项运行。




除非某些线程负责加载过滤器条目，否则__local没有任何意义


Amd-GCN上的本地内存的访问速度是恒定内存（相同索引）访问速度的8倍，但整个GPU的容量是后者的5-20倍（但单个计算单元可能会更少）。 Nvidia的opencl最佳做法也是如此。但是HD5800系列AMD GPU具有比本地内存更多的恒定内存带宽。 GCN较新，因此除非没有足够的空间，否则本地内存似乎更好。

GCN上的专用寄存器比本地内存快5-6倍，每个计算单元的容量是本地内存的8倍。因此，在GCN的私有内存上拥有某些东西意味着最终的性能，除非资源消耗停止了足以启动的波前（减少延迟隐藏）。

Nvidia也说类似的话：“通常，访问一个寄存器会消耗每条指令零个额外的时钟周期，但是
延迟可能会由于寄存器写后读依赖性和寄存器存储器而发生
银行冲突。
写后读取依赖项的等待时间约为24个周期，但这
在具有至少192个活动线程的多处理器上，延迟被完全隐藏
（即6个经线）。
”



还有一些鬼墙正在加载到本地内存中：

    Test gpu was r7_240 so it can work with only 16x16 local threads
    so 20x20 area is loaded from global memory.
    o: each work item's target pixel
    -: needed ghost wall because of filter going out of bounds
    x: ghost corner handled by single threads (yes,non optimized)

    xx----------------xx  
    xx----------------xx
    --oooooooooooooooo--
    --oooooooooooooooo--
    --oooooooooooooooo--
    --oooooooooooooooo--
    --oooooooooooooooo--
    --oooooooooooooooo--
    --oooooooooooooooo--
    --oooooooooooooooo--
    --oooooooooooooooo--
    --oooooooooooooooo--
    --oooooooooooooooo--
    --oooooooooooooooo--
    --oooooooooooooooo--
    --oooooooooooooooo--
    --oooooooooooooooo--
    --oooooooooooooooo--
    xx----------------xx  
    xx----------------xx

此内核用于较高级别的分析：

            __constant float filter2[3][5] = {  
                        {1/256.0f,  4/256.0f,  6/256.0f,  4/256.0f, 1/256.0f},
                        {4/256.0f, 16/256.0f, 24/256.0f, 16/256.0f, 4/256.0f},
                        {6/256.0f, 24/256.0f, 36/256.0f, 24/256.0f, 6/256.0f},
                      };


            __kernel void test1(__global uchar4 *b2,__global uchar4 *b, __global int * p)
            {
                    int j = get_local_id(0);
                    int g = get_group_id(0);
                    int gx=g%32;
                    int gy=g/32;
                    int lx=j%16;
                    int ly=j/16;
                    int x=gx*16+lx;
                    int y=gy*16+ly;
                    if(gx<2 || gx>29 || gy <2 || gy >29)
                    {
                        b2[((y * 512) + x)] = b[((y * 512) + x)];
                        return;
                    }

                    __local uchar4 localRegion[22][22]; 
                    localRegion[lx+2][ly+2]=b[((y * 512) + x)]; // interior

                    if(lx==0) // left edges
                    {   
                        localRegion[1][ly+2]=b[(( (y) * 512) + x-1)]; // x-1 edge
                        localRegion[0][ly+2]=b[(( (y) * 512) + x-2)]; // x-2 edge
                    }
                    if(lx==15) // right edges
                    {   
                        localRegion[18][ly+2]=b[(( (y) * 512) + x+1)]; // x+1 edge
                        localRegion[19][ly+2]=b[(( (y) * 512) + x+2)]; // x+2 edge
                    }

                    if(ly==0) // top edges
                    {   
                        localRegion[lx+2][1]=b[(( (y-1) * 512) + x)]; // y-1 edge
                        localRegion[lx+2][0]=b[(( (y-2) * 512) + x)]; // y-2 edge
                    }

                    if(ly==15) // bot edges
                    {   
                        localRegion[lx+2][18]=b[(( (y+1) * 512) + x)]; // y+1 edge
                        localRegion[lx+2][19]=b[(( (y+2) * 512) + x)]; // y+2 edge
                    }

                    if(lx==0 && ly==0) // upper-left square
                    {
                        localRegion[0][0]=b[(( (y-2) * 512) + x-2)];
                        localRegion[0][1]=b[(( (y-2) * 512) + x-1)];
                        localRegion[1][0]=b[(( (y-1) * 512) + x-2)];
                        localRegion[1][1]=b[(( (y-1) * 512) + x-1)];
                    }
                    if(lx==15 && ly==0) // upper-right square
                    {
                        localRegion[18][0]=b[(( (y-2) * 512) + x+1)];
                        localRegion[18][1]=b[(( (y-1) * 512) + x+1)];
                        localRegion[19][0]=b[(( (y-2) * 512) + x+2)];
                        localRegion[19][1]=b[(( (y-1) * 512) + x+2)];
                    }
                    if(lx==15 && ly==15) // lower-right square
                    {
                        localRegion[18][18]=b[(( (y+1) * 512) + x+1)];
                        localRegion[18][19]=b[(( (y+2) * 512) + x+1)];
                        localRegion[19][18]=b[(( (y+1) * 512) + x+2)];
                        localRegion[19][19]=b[(( (y+2) * 512) + x+2)];
                    }
                    if(lx==0 && ly==15) // lower-left square
                    {
                        localRegion[0][18]=b[(( (y+1) * 512) + x-2)];
                        localRegion[0][19]=b[(( (y+2) * 512) + x-2)];
                        localRegion[1][18]=b[(( (y+1) * 512) + x-1)];
                        localRegion[1][19]=b[(( (y+2) * 512) + x-1)];
                    }

                    barrier(CLK_LOCAL_MEM_FENCE);



                   float filter[2][5] = { 
                        {4/256.0f, 16/256.0f, 24/256.0f, 16/256.0f, 4/256.0f},
                        {1/256.0f,  4/256.0f,  6/256.0f,  4/256.0f, 1/256.0f}
                    };


                    float4 acc=0;
                    for(int row=-2;row<=0;row++)
                        for(int col=-2;col<=2;col++)
                    {
                        uchar4 tmp=localRegion[lx+col+2][ly+row+2];
                        float tmp2=filter2[row+2][col+2];
                        acc+=((float4)(tmp2,tmp2,tmp2,tmp2)*(float4)((int)tmp.s0,(int)tmp.s1,(int)tmp.s2,(int)tmp.s3));
                    }
                    for(int row=1;row<=2;row++)
                        for(int col=-2;col<=2;col++)
                    {
                        uchar4 tmp=localRegion[lx+col+2][ly+row+2];
                        float tmp2=filter[row-1][col+2];
                        acc+=((float4)(tmp2,tmp2,tmp2,tmp2)*(float4)((int)tmp.s0,(int)tmp.s1,(int)tmp.s2,(int)tmp.s3));
                    }
                    b2[((y * 512) + x)] = (uchar4)(acc.x,acc.y,acc.z,244);
            }

使用rgba（每个通道8位）的图像为512x512。

源图像（但在进行子步骤过滤之前将其大小调整为512x512）：



结果图片：



我引用的文件：

http://www.nvidia.com/content/cudazone/cudabrowser/downloads/papers/nvidia_opencl_bestpracticesguide.pdf

http://developer.amd.com/wordpress/media/2013/07/AMD_Accelerated_Parallel_Processing_OpenCL_Programming_Guide-rev-2.7.pdf



编辑：如果您真的需要__private，__ local，__ constant或__image2d_t内存用于内核中的其他内容，则可以完全展开过滤器循环，删除过滤器数组，自己将这些araray元素放入展开的指令中（我尝试过，它将VGPR用法降低到21，SGPR使用率达到16）

作为参考，完全省去的滤波器计算平均可将执行时间减少0.05毫秒，而所有其他版本的执行时间则相同。