OpenCL 全局内存获取

Question

我正在考虑重新设计我的 GPU OpenCL 内核以加快速度。问题是有很多未合并的全局内存，并且提取确实降低了性能。所以我计划将尽可能多的全局内存复制到本地，但我必须选择要复制的内容。

现在我的问题是:对小块内存的多次获取是否比对大块的更少获取造成更大的伤害？

Answer 1

您可以使用 clGetDeviceInfo 找出设备的缓存行大小。 ( clGetDeviceInfo , CL_DEVICE_GLOBAL_MEM_CACHELINE_SIZE) 在今天的许多设备上，这个值通常是 16 字节。

小的读取可能会很麻烦，但如果您从同一个缓存行读取，应该没问题。简短的回答:你需要在内存中将你的“小块”放在一起以保持快速。

我在下面有两个函数来演示两种访问内存的方法——vectorAddFoo 和 vectorAddBar。第三个函数 copySomeMemory(...) 特别适用于您的问题。两个向量函数都将它们的工作项添加到要添加的向量的一部分，但使用不同的内存访问模式。 vectorAddFoo 使每个工作项处理一个向量元素块，从其在数组中计算出的位置开始，并在其工作负载中向前移动。 vectorAddBar 的工作项从它们的 gid 开始，并在获取和添加下一个元素之前跳过 gSize(= 全局大小)元素。

vectorAddBar 将执行得更快，因为读取和写入落入内存中的同一缓存行。每 4 次浮点读取将落在同一个缓存行上，并且只从内存 Controller 执行一项操作。在这件事中读取 a[] 和 b[] 后，所有四个工作项都将能够进行添加，并将它们的写入排队到 c[]。

vectorAddFoo 将保证读取和写入不在同一个缓存行中(除了非常短的向量 ~totalElements<5)。对工作项的每次读取都需要来自内存 Controller 的操作。除非 gpu 在每种情况下都缓存以下 3 个浮点数，否则这将导致 4 倍的内存访问。

__kernel void  
vectorAddFoo(__global const float * a,  
          __global const float * b,  
          __global       float * c,
          __global const totalElements) 
{ 
  int gid = get_global_id(0); 
  int elementsPerWorkItem = totalElements/get_global_size(0);
  int start = elementsPerWorkItem * gid;

  for(int i=0;i<elementsPerWorkItem;i++){
    c[start+i] = a[start+i] + b[start+i]; 
  }
} 
__kernel void  
vectorAddBar(__global const float * a,  
          __global const float * b,  
          __global       float * c,
          __global const totalElements) 
{ 
  int gid = get_global_id(0); 
  int gSize = get_global_size(0);

  for(int i=gid;i<totalElements;i+=gSize){
    c[i] = a[i] + b[i]; 
  }
} 
__kernel void  
copySomeMemory(__global const int * src,
          __global const count,
          __global const position) 
{ 
  //copy 16kb of integers to local memory, starting at 'position'
  int start = position + get_local_id(0); 
  int lSize = get_local_size(0);
  __local dst[4096];
  for(int i=0;i<4096;i+=lSize ){
    dst[start+i] = src[start+i]; 
  }
  barrier(CLK_GLOBAL_MEM_FENCE);
  //use dst here...
}