- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
为了了解如何确保满足对齐要求,我多次阅读了《使用 OpenCL 进行异构计算》一书中的以下段落:157。这展示了如何为图像卷积中的问题添加填充(假设工作组大小为 16 x 16)。
对齐内存访问
NVIDIA 和 AMD GPU 的性能都受益于全局内存中的数据对齐。特别是对于 NVIDIA,在 128 字节边界上对齐访问并访问 128 字节段将理想地映射到内存硬件。但是,在本例中,16 宽工作组将仅访问 64 字节段,因此数据应该对齐到 64 字节地址。这意味着每个工作组访问的第一列应从 64 字节对齐的地址开始。在此示例中,选择让边框像素不生成值决定了所有工作组的偏移量将是工作组尺寸的倍数(即,对于 16 x 16 工作组,工作组将开始访问位于N*16 列)。为了确保每个工作组正确对齐,唯一的要求是用额外的列填充输入数据,使其宽度成为工作组 X 维度的倍数。
1-任何人都可以帮助我理解填充每个工作组访问的第一列后如何从 64 字节对齐的地址开始(上面段落中提到的要求,对吧?)?
2-此外,该图的陈述是正确的:对于 16 x 16 工作组,工作组将开始访问 N*16 列的数据。
如果正确,如图所示的工作组 1,2 应开始访问第 1x16 列的数据,这与图中所示的情况相反。我完全困惑了! :(
更新:我现在已经清楚 Q-2 了。实际上,如图所示的工作组是2,1(按照opencl约定,列第一),所以它是完全正确的:2x16=32,而不是我想的1x16。
但是问题不是。 1 仍未得到答复。
最佳答案
对于卷积核来说,每个区域(例如区域(0,1)或区域(2,1)等)还必须包含其周围的数据“光环”,以便当卷积核在如果数据元素位于区域边缘,则它具有该数据元素的一组合适的邻居来计算该数据点处的卷积。这意味着对于左上角有数据元素 (0,0) 的区域 (0,0),我需要元素 (-1, 0)、(-2, 0) 等才能计算卷积在元素 (0,0) 处。
现在,如果我正常存储图像,因此元素 (0,0) 位于内存位置 0(或其他一些 64 字节对齐地址),那么当我访问该点之前的元素进行卷积时,我将访问 64 字节对齐区域之外的数据。因此,我们可以用“向左”的附加数据元素“填充”图像的最左列,即先在地址中,以便卷积核拾取全部位于 64 字节对齐区域内的值,而我不是跨越 64 字节边界。我们不是在内存位置 0 处开始图像存储,而是在内存位置 0 处启动光环存储,并且第一个图像数据元素从位置 0 + 光环宽度开始。此填充还可以具有对齐其他区域的光环边界的效果,如图像中红色虚线的交点所示,假设该区域的 x 和 y 尺寸是工作组 x 和 y 尺寸的倍数,如图所示。
现在我们还假设图像的宽度为非 2 的幂(例如,高清图像的宽度为 1920 像素)。如果我们只是将光晕宽度作为图像右侧(即像素行末尾)的填充,然后我们立即开始下一个像素行的光晕区域,我们会也不可能有从下一个像素行(包括光晕)开始的正确对齐的区域。因此,我们在每行的末尾放置额外的填充(任何卷积运算都不会触及它,它只是浪费空间),这样当我们开始下一个像素行的光晕区域时,它就从正确对齐的地址开始。
这个讨论和方法(我相信也是问题)实际上只集中于确保每个工作组数据访问的起始地址对齐。只要第一个工作组的起始地址对齐(通过适当的填充和调整内存中的图像存储),并且工作组具有适当的尺寸(例如 16 宽,每个工作器 4 个字节),则第一个工作组的起始地址下一个工作组也将进行调整。相邻工作组的数据访问之间当然会存在重叠,因为相邻工作组的光环区域是重叠的。
Alignment因为我在这里使用它有一个相当简单的定义。如果地址的最低有效 n 位全部为零,则内存中的地址是 2**n 字节对齐的。因此,64 字节对齐区域的起始地址的 6 个最低有效位全为零。这对于这些架构通常很有用,可以满足架构的内存负载和存储要求,特别是它们包含的 DRAM 子系统。现代 DRAM 存储体访问总是返回多个字节,因此我们可以 make best effective use如果我们在代码中的同一位置同时使用所有这些字节,则会发生传输的情况。有关对齐及其对合并和改进数据访问的影响的更多介绍,您可能会对 this webinar 感兴趣。 (和 slides )来自 nvidia webinar page 。如需快速浏览,请参阅 this presentation 的幻灯片 26-33涵盖基本思想。
关于cuda - 对齐图像卷积 (OpenCL/CUDA) 内核的 GPU 内存访问,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/13008096/
这是我关于 Stack Overflow 的第一个问题,这是一个很长的问题。 tl;dr 版本是:我如何使用 thrust::device_vector如果我希望它存储不同类型的对象 DerivedC
我已使用 cudaMalloc 在设备上分配内存并将其传递给内核函数。是否可以在内核完成执行之前从主机访问该内存? 最佳答案 我能想到的在内核仍在执行时启动 memcpy 的唯一方法是在与内核不同的流
是否可以在同一节点上没有支持 CUDA 的设备的情况下编译 CUDA 程序,仅使用 NVIDIA CUDA Toolkit...? 最佳答案 你的问题的答案是肯定的。 nvcc编译器驱动程序与设备的物
我不知道 cuda 不支持引用参数。我的程序中有这两个函数: __global__ void ExtractDisparityKernel ( ExtractDisparity& es)
我正在使用 CUDA 5.0。我注意到编译器将允许我在内核中使用主机声明的 int 常量。但是,它拒绝编译任何使用主机声明的 float 常量的内核。有谁知道这种看似差异的原因? 例如,下面的代码可以
自从 CUDA 9 发布以来,显然可以将不同的线程和 block 分组到同一组中,以便您可以一起管理它们。这对我来说非常有用,因为我需要启动一个包含多个 block 的内核并等待所有 block 都同
我需要在 CUDA 中执行三线性插值。这是问题定义: 给定三个点向量:x[nx]、y[ny]、z[nz] 和一个函数值矩阵func[nx][ny][nz],我想在 x、y 范围之间的一些随机点处找到函
我认为由于 CUDA 可以执行 64 位 128 位加载/存储,因此它可能具有一些用于加/减/等的内在函数。像 float3 这样的向量类型,在像 SSE 这样更少的指令中。 CUDA 有这样的功能吗
我有一个问题,每个线程 block (一维)必须对共享内存内的一个数组进行扫描,并执行几个其他任务。 (该数组最多有 1024 个元素。) 有没有支持这种操作的好库? 我检查了 Thrust 和 Cu
我对线程的形成和执行方式有很多疑惑。 首先,文档将 GPU 线程描述为轻量级线程。假设我希望将两个 100*100 矩阵相乘。如果每个元素都由不同的线程计算,则这将需要 100*100 个线程。但是,
我正在尝试自己解决这个问题,但我不能。 所以我想听听你的建议。 我正在编写这样的内核代码。 VGA 是 GTX 580。 xxxx >> (... threadNum ...) (note. Shar
查看 CUDA Thrust 代码中的内核启动,似乎它们总是使用默认流。我可以让 Thrust 使用我选择的流吗?我在 API 中遗漏了什么吗? 最佳答案 我想在 Thrust 1.8 发布后更新 t
我想知道 CUDA 应用程序的扭曲调度顺序是否是确定性的。 具体来说,我想知道在同一设备上使用相同输入数据多次运行同一内核时,warp 执行的顺序是否会保持不变。如果没有,是否有任何东西可以强制对扭曲
一个 GPU 中可以有多少个 CUDA 网格? 两个网格可以同时存在于 GPU 中吗?还是一台 GPU 设备只有一个网格? Kernel1>(dst1, param1); Kernel1>(dst2,
如果我编译一个计算能力较低的 CUDA 程序,例如 1.3(nvcc 标志 sm_13),并在具有 Compute Capability 2.1 的设备上运行它,它是否会利用 Compute 2.1
固定内存应该可以提高从主机到设备的传输速率(api 引用)。但是我发现我不需要为内核调用 cuMemcpyHtoD 来访问这些值,也不需要为主机调用 cuMemcpyDtoA 来读取值。我不认为这会奏
我希望对 CUDA C 中负载平衡的最佳实践有一些一般性的建议和说明,特别是: 如果经纱中的 1 个线程比其他 31 个线程花费的时间长,它会阻止其他 31 个线程完成吗? 如果是这样,多余的处理能力
CUDA 中是否有像 opencl 一样的内置交叉和点积,所以 cuda 内核可以使用它? 到目前为止,我在规范中找不到任何内容。 最佳答案 您可以在 SDK 的 cutil_math.h 中找到这些
有一些与我要问的问题类似的问题,但我觉得它们都没有触及我真正要寻找的核心。我现在拥有的是一种 CUDA 方法,它需要将两个数组定义到共享内存中。现在,数组的大小由在执行开始后读入程序的变量给出。因此,
经线是 32 根线。 32 个线程是否在多处理器中并行执行? 如果 32 个线程没有并行执行,则扭曲中没有竞争条件。 在经历了一些例子后,我有了这个疑问。 最佳答案 在 CUDA 编程模型中,warp
我是一名优秀的程序员,十分优秀!