Recommandé
Contenu connexe
Tendances
Tendances (20)
En vedette
En vedette (20)
Similaire à GPGPU Seminar (GPGPU and CUDA Fortran)
Similaire à GPGPU Seminar (GPGPU and CUDA Fortran) (20)
Plus de 智啓 出川
Plus de 智啓 出川 (20)
GPGPU Seminar (GPGPU and CUDA Fortran)
- 3. GPU（Graphics Processing Unit）とは 画像処理専用のハードウェア 具体的には画像処理用のチップ チップ単体では販売されていない PCI‐Exカードで販売 チップ単体と区別せずにGPUと呼ぶことも多い ノートPCに搭載 PCI‐Exカードとして販売されるGPUには，ビデオメモリと呼ばれ るDRAMが搭載 GPGPU講習会3 2016/01/13
- 4. GPU（Graphics Processing Unit）とは GPGPU講習会4 代表的な製品 NVIDIA GeForce AMD Radeon Intel HD Graphics（内蔵） 代表的な用途 3Dグラフィックス処理 3Dゲーム，3DCAD，3DCG作成 エンコード・デコード支援 GPU上に専用チップを搭載していることが多い デスクトップPCのGUI処理 Windows Aeroが比較的高性能なGPUを要求 2016/01/13
- 5. GPU（Graphics Processing Unit）の役割 グラフィックスを表示するために様々な処理を行い，処 理の結果をディスプレイに出力 3次元グラフィックスの発展に伴って役割が大きく変化 3次元座標変換 ポリゴンとピクセルの 対応付け ピクセル色計算 テクスチャ参照 フレームバッファ（ビデ オメモリ）への書き込み ディスプレイ出力 CPU ディスプレイコントローラ GPU 3次元座標変換 ポリゴンとピクセルの 対応付け ピクセル色計算 テクスチャ参照 フレームバッファ（ビデ オメモリ）への書き込み ディスプレイ出力 現在過去 CPUが3D描画 の演算を実行 GPUが出力 描画情報 画面出力 GPUが演算から 出力までの全て を担当 CPUは描画情報 の生成やGPUへ の情報の引き渡 し ， GPU の 制 御 を行う 描画情報 画面出力 GPGPU講習会5 2016/01/13
- 6. GPUの描画の流れ 1. CPUからGPUへ描画情報を送信 2. 頂点処理（頂点シェーダ） 座標変換 画面上での頂点やポリゴンの位置・大きさの決定 頂点単位での照明の計算 3. 頂点やポリゴンからピクセルを生成 （ラスタライザ） 4. ピクセル処理（ピクセルシェーダ） 画面上のピクセルの色 テクスチャの模様 5. 画面出力 ピクセルの色情報をフレームバッファに書き込み 2. 3. 4. GPGPU講習会6 2016/01/13
- 11. ビデオカードからGPUへ 頂点シェーダとピクセルシェーダを統合したユニファイド シェーダへの進化 頂点処理とピクセル処理を切り替えることで利用率を向上 GPU ユニファイドシェーダユニット 頂点処理重視の処理 ピクセル処理重視の処理 GPU ユニファイドシェーダユニット GPGPU講習会11 2016/01/13
- 12. ビデオカードからGPUへ 各ピクセルに対して並列に処理実行できるように進化 単純な処理を行う演算器を大量に搭載 高い並列度で処理を実行 GPUの誕生とGPGPUの普及 高性能な3DCG画像処理への要求→GPUの高性能化 GPUの長所 消費電力あたりの浮動小数点理論演算性能が高い GPU単体の消費電力は高い （相対的に）安価 CPUだけで同等の計算能力を達成するより安価 GPGPU講習会12 2016/01/13
- 13. Teslaアーキテクチャ* GPGPU講習会 Tesla C1060の仕様 SM数 30 CUDA Core数 240(=8 Core/SM×30 SM) キャッシュを搭載せず 13 *CUDAのサポートから外れます 2016/01/13 SP SP SP SP SP SP SP SP SFU SFU 16 KB Shared Memory Register File (16384×32‐bit) Streaming Multiprocessor SMSMSM
- 14. Teslaアーキテクチャの構造 GPGPU講習会 Tesla C1060の仕様 CUDAコア数（単精度） 240 Cores CUDAコアクロック周波数 1,296 MHz 単精度演算ピーク性能 622*1 (933*2 ) GFLOPS 倍精度演算ユニット数 30*3 Units 倍精度演算ピーク性能 78 GFLOPS メモリクロック周波数 800 MHz メモリバス幅 512 bit 最大メモリバンド幅*4 102 GB/s *1単精度演算ピーク性能 = コアクロック周波数×コア数×命令の同時発行数（2） *2CUDA CoreとSFUが同時に命令を発行できれば1296 MHz×240×3 *3一つのSMに倍精度演算器が一つ搭載（と言われている） *4最大メモリバンド幅=メモリクロック周波数×メモリバス幅/8×2(Double Data Rate) 14 2016/01/13
- 15. Fermiアーキテクチャ GPGPU講習会 Tesla M2050の仕様 SM数 14 CUDA Core数 448(=32 Core/SM×14 SM) L1/L2 キャッシュを搭載 ECC（誤り訂正機能）を搭載 15 2016/01/13 Register File (16384 × 32‐bit) 64 KB Shared Memory / L1 Cache SM Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core SFU×4 L2 Cache GigaThread Engine PCI Express 3.0 Host Interface Memory Controller GPC Raster Engine GPC Raster Engine SM Raster Engine GPC Raster Engine GPC Memory ControllerMemory Controller Memory ControllerMemory ControllerMemory Controller 詳細はhttp://www.nvidia.co.jp/docs/IO/ 81860/NVIDIA_Fermi_Architecture_Whitep aper_FINAL_J.pdfを参照のこと
- 16. Fermiアーキテクチャの構造 GPGPU講習会 Tesla M2050の仕様 CUDAコア数（単精度） 448 Cores CUDAコアクロック周波数 1,150 MHz 単精度演算ピーク性能 1.03 TFLOPS 倍精度演算ユニット数 0*1 Unit 倍精度演算ピーク性能 515 GFLOPS メモリクロック周波数 1.55 GHz メモリバス幅 384 bit 最大メモリバンド幅 148 GB/s *1単精度CUDA Coreを2基使って倍精度演算を実行 16 2016/01/13
- 17. Keplerアーキテクチャの構造 GPGPU講習会 Tesla K20c/mの仕様 SMX数 13 Streaming Multiprocessor eXtreme (?) CUDA Core数 2,496(=192 Core/SM×13 SMX) 17 2016/01/13 詳細はhttps://www.nvidia.co.jp/content /apac/pdf/tesla/nvidia‐kepler‐gk110‐ar chitecture‐whitepaper‐jp.pdfを参照のこと Register File (65536 × 32‐bit) 64 KB Shared Memory / L1 Cache 48 KB Read‐Only Data Cache Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core DP Unit DP Unit DP Unit DP Unit DP Unit DP Unit DP Unit DP Unit DP Unit DP Unit DP Unit DP Unit DP Unit DP Unit DP Unit DP Unit SFU SFU SFU SFU SFU SFU SFU SFU SFU SFU SFU SFU SFU SFU SFU SFU Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core DP Unit DP Unit DP Unit DP Unit DP Unit DP Unit DP Unit DP Unit DP Unit DP Unit DP Unit DP Unit DP Unit DP Unit DP Unit DP Unit DP Unit DP Unit DP Unit DP Unit DP Unit DP Unit DP Unit DP Unit DP Unit DP Unit DP Unit DP Unit DP Unit DP Unit DP Unit DP Unit SFU SFU SFU SFU SFU SFU SFU SFU SFU SFU SFU SFU SFU SFU SFU SFU DP Unit DP Unit DP Unit DP Unit DP Unit DP Unit DP Unit DP Unit DP Unit DP Unit DP Unit DP Unit DP Unit DP Unit DP Unit DP Unit SMX SMX L2 Cache GigaThread Engine PCI Express 3.0 Host Interface Memory ControllerMemory ControllerMemory Controller Memory ControllerMemory ControllerMemory Controller
- 18. Keplerアーキテクチャの構造 GPGPU講習会 Tesla K20c/mの仕様 CUDAコア数（単精度） 2,496 Cores CUDAコアクロック周波数 706 MHz 単精度演算ピーク性能 3.52 TFLOPS 倍精度演算ユニット数 832*1 Units 倍精度演算ピーク性能 1.17 TFLOPS メモリクロック周波数 2.6 GHz メモリバス幅 320 bit 最大メモリバンド幅 208 GB/s *164基/SMX×13基 18 2016/01/13
- 19. Maxwellアーキテクチャ GeForce GTX TITAN Xの仕様 SM数 24 CUDA Core数 3,072(=128 Core/SM×24 SM) GPGPU講習会19 2016/01/13 第1世代の詳細はhttps://www.nvidia.co.jp/cont ent/product‐detail‐pages/geforce‐gtx‐750‐ti /geforce‐gtx‐750ti‐whitepaper.pdfを参照のこと 64 KB Shared Memory L1 Cache SMM Register File (16,384 × 32‐ bit) Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core SFU SFU SFU SFU SFU SFU SFU SFU L1 Cache Register File (16,384 × 32‐ bit) Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core SFU SFU SFU SFU SFU SFU SFU SFU Register File (16,384 × 32‐ bit) Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core SFU SFU SFU SFU SFU SFU SFU SFU Register File (16,384 × 32‐ bit) Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core SFU SFU SFU SFU SFU SFU SFU SFU PolyMorph Engine 3.0 SMM Raster Engine GPC Raster Engine GPC L2 Cache GigaThread Engine PCI Express 3.0 Host Interface Memory Controller Raster Engine GPC Raster Engine GPC Memory Controller Memory ControllerMemory Controller
- 20. Maxwellアーキテクチャ GeForce GTX TITAN Xの仕様* CUDAコア数（単精度） 3,072 Cores CUDAコアクロック周波数 1,002 MHz 単精度演算ピーク性能 6.14 TFLOPS 倍精度演算ユニット数 0*1 Units 倍精度演算ピーク性能 192 GFLOPS*2 メモリクロック周波数 3.5 GHz*3 メモリバス幅 384 bit 最大メモリバンド幅 336.5 GB/s *1http://www.4gamer.net/games/121/G012181/20141225075/ *2倍精度演算は単精度演算の性能の1/32 (1/16 Flop/Core/clock) *3DDR(Double Data Rate) 7GHz相当と書かれている場合もある GPGPU講習会 http://http://www.geforce.com/hardware/desk top‐gpus/geforce‐gtx‐titan‐x/specifications *http://ja.wikipedia.org/wiki/FLOPS 20 2016/01/13
- 21. Pascalアーキテクチャ 2016年にリリース予定 倍精度演算器を搭載予定 NVLink GPU同士やGPUとCPUを接続する独自の方式 通信（CPU ↔ メモリ ↔ PCI Express ↔ メモリ ↔ GPU）の ボトルネックを解消（PCI Express3.0の5~12倍） 複数のGPUを使って大規模な計算が可能 3Dメモリ（High Bandwidth Memory, HBM）* 3次元積層技術を利用し，メモリの容量と帯域を大幅に増加 最大32GB，メモリ帯域1TB/s GPGPU講習会 *http://pc.watch.impress.co.jp/docs/column/kaigai/20150421_698806.html 21 2016/01/13
- 22. Voltaアーキテクチャ Pascalの後継 詳しい情報は不明 アメリカの次世代スーパーコンピュータへ採用予定 オークリッジ国立研究所 SUMMIT 150~300PFLOPS ローレンス・リバモア研究所 SIERRA 100PFLOPS以上 地球シミュレータと同等の演算性能を1ノードで実現 現在Top500 2位のスーパーコンピュータと同じ電力で5~10 倍高速，サイズは1/5 GPGPU講習会 *http://www.4gamer.net/games/121/G012181/20141225075/ 22 2016/01/13
- 23. GPUの普及の要因 GPGPU講習会23 GPUの進展は15年程 普及の速度は驚異的 CPUは数十年かけて進展 CPUも驚異的な速度で進展 様々な高速化技術を導入 GPUが普及している要因は何か？ 2016/01/13
- 24. TOP500 List（2015, Nov.） スーパーコンピュータの性能の世界ランキング GPUを搭載したコンピュータは2基だけ GPGPU講習会24 http://www.top500.org/より引用 2016/01/13 計算機名称（設置国） アクセラレータ 実効性能[PFlop/s] /ピーク性能[PFlop/s] 消費電力[MW] 1 Tianhe‐2 (China) Intel Xeon Phi 33.9/54.9 17.8 2 Titan (U.S.A.) NVIDIA K20x 17.6/27.1 8.20 3 Sequoia (U.S.A.) − 17.2/20.1 7.90 4 K computer (Japan) − 10.5/11.3 12.7 5 Mira (U.S.A.) − 8.59/10.1 3.95 6 Trinity (U.S.A.) − 8.10/11.1 7 Piz Daint (Switzerland) NVIDIA K20x 6.27/7.79 2.33 8 Hazel Hen (Germany) ‐ 5.64/7.40 9 Shaheen II(Saudi Arabia) ‐ 5.54/7.24 2.83 10 Stampede (U.S.A.) Intel Xeon Phi 5.17/8.52 4.51
- 28. CPUの性能向上 FLOPS = 1コアの演算性能 × コア数 × CPUの動作周波数 1コアの演算性能の向上 演算器（トランジスタ）の増加 コア数の増加 トランジスタ数の増加 CPUの動作周波数 回路の効率化や印可電圧の向上 劇的な性能向上は期待できない コンパイラの最適化を利用 複数のコアを使うように プログラムを書かないと 速くならない GPGPU講習会28 2016/01/13
- 29. GPUを使うという選択 GPU普及の要因の一つはCPUクロックの頭打ち クロックを下げてマルチコア化したCPUへの対応が必要 なぜGPUという選択か？ CPU用プログラムの並列化でもいいのでは？ 消費電力の低減 数値計算や高性能計算（HPC）の業界がGPUに注目 スーパーコンピュータの性能向上 高機能なCPUを大量に使うと消費電力が問題に 高機能な制御用プロセッサと，計算を実行する低性能なアクセラ レータの組み合わせ GPGPU講習会29 2016/01/13
- 30. Green500（2015, Nov.） TOP3の計算機がそれぞれ異なるアクセラレータを搭載 インターネットのサービス提供に利用されている（と思わ れる）計算機が大量にランクイン GPGPU講習会30 http://www.green500.org/より引用 2016/01/13 計算機名称 アクセラレータ GFLOPS/W 消費電力[kW] 1 Shoubu PEZY‐SC 7.03 50.32 2 TSUBAME‐KFC NVIDIA Tesla K80 5.33 51.13 3 ASUS ESC4000 AMD FirePro S9150 5.27 57.15 4 Sugon Cluster NVIDIA Tesla K80 4.78 65.00 5 Xstream NVIDIA Tesla K80 4.11 190.0 6 Inspur TS10000 NVIDIA Tesla K40 3.86 58.00 7 Inspur TS10000 NVIDIA Tesla K40 3.78 110.0 8 Inspur TS10000 NVIDIA Tesla K40 3.78 110.0 9 Inspur TS10000 NVIDIA Tesla K40 3.78 110.0 10 Inspur TS10000 NVIDIA Tesla K40 3.78 110.0
- 31. まとめ GPGPU講習会31 GPUの特徴 低性能の演算器を大量に搭載（～3000コア） GPUが使われる理由 理論演算性能が高い メモリとチップ間の帯域も広い 省電力と高性能を両立 今後の計算機の主流になると考えられる 将来に対する投資 GPUだけでなく，制御用CPU+計算用アクセラレータという思想 は今後しばらく主流であり続ける 2016/01/13
- 32. GROUSEの利用方法
- 33. 情報処理センターGPGPUシステム 16台の計算サーバで構成 NVIDIA Tesla M2050を搭載 各サーバに4機ずつ計64機 grouse tesla01 ‐ tesla04 M2050×16 tesla05 ‐ tesla08 M2050×16 tesla09 – tesla12 M2050×16 tesla13 – tesla16 M2050×16 外部ネットワーク GPGPU講習会33 2016/01/13
- 40. 実行イメージ grouse ファイル 保存 ハード ディスク 共有 共有 2016/01/13GPGPU講習会40 tesla01 ‐ tesla04 tesla05 ‐ tesla08 tesla09 – tesla12 tesla13 – tesla16 共有
- 42. tesla??でのコンパイルとプログラム実行 2016/01/13GPGPU講習会42 grouseでの作業用 tesla??でのコンパイルと 実行用 2013年度GPGPU講習会資料より引用
- 43. tesla??でコンパイルとプログラム実行 コンパイル $ pgf90˽ソースファイル名 pgf90がコンパイル対象とするソースファイルの拡張子は.cuf エラーがなければa.outという実行ファイルが作成される CUDAに関係するオプションは‐Mcuda=...で指定 実行 $ ./a.out 対応オプションの一覧は‐helpオプションで確認 $ pgf90˽‐help 2016/01/13GPGPU講習会43
- 48. 情報処理センターでのCUDAの使い方 1. grouseやtesla??で開発する場合 grouseやtesla??にログイン ソースファイルを作成し，tesla??上でコンパイル・実行 grouseはGPUを搭載していないため実行できない（コンパイルは可能） 2. 研究室のPC等，情報処理センター外で開発する場合 研究室のPCでソースファイルを作成 WinSCPなどでファイルをgrouseにアップロード grouseを経由してtesla??にログインした後，コンパイル・実行 2016/01/13GPGPU講習会48
- 51. grouseへのファイル転送（WinSCP） Unixコマンドscp（secure copy）のWindows GUIクラ イアント Secure Shell (ssh) に含まれるsshの機能を利用し て安全性の高いファイル転送を行う Host名 grouse 統合アカウントの ユーザ名とパスワード login 2016/01/13GPGPU講習会51
- 52. Windows上のソースファイルをコピー grouse ハード ディスク WinSCPでコピー ハード ディスク 共有 共有 2016/01/13GPGPU講習会 ソース ファイル 52 tesla01 ‐ tesla04 tesla05 ‐ tesla08 tesla09 – tesla12 tesla13 – tesla16 共有 ソース ファイル
- 54. GPUの選択 計算機がGPUを複数搭載している場合 CUDAで利用するGPUを選択 CUDA APIを利用したGPUの選択 cudaSetDevice()命令 GPGPU講習会 program main use cudafor 変数宣言 !ここでは標準でGPU0が使われる GPUやCPUを使った処理 ! stat = cudaSetDevice(3) !ここからGPU3が使われる ... end program main 54 2016/01/13
- 56. 今回の内容 GPGPU講習会 GPUプログラミング環境（CUDA） GPUプログラムの実行の流れ CUDAによるプログラムの記述 カーネル（GPUで処理する関数）の構造 記述方法とその理由 GPU固有のパラメータの確認 56 2016/01/13
- 57. GPU（Graphics Processing Unit）とは 画像処理専用のハードウェア 具体的には画像処理用のチップ チップ単体では販売されていない PCI‐Exカードで販売 チップ単体と区別せずにGPUと呼ぶことも多い ノートPCに搭載 PCI‐Exカードとして販売されるGPUには，ビデオメモリと呼ばれ るDRAMが搭載 2016/01/13GPGPU講習会57
- 58. GPUのハードウェア構造 CUDA Core（旧Streaming Processor, SP）と呼ばれ る演算器を多数搭載 Streaming Multiprocessor（SM, SMX）が複数の CUDA CoreとSFU，メモリをまとめて管理 SFU(Special Function Unit) 数学関数を計算するユニット 複数のSMが集まってGPUを構成 2016/01/13GPGPU講習会58
- 59. Fermiアーキテクチャ 2016/01/13GPGPU講習会59 Tesla M2050の仕様 SM数 14 CUDA Core数 448(=32 Core/SM×14 SM) 動作周波数 1,150 MHz 単精度演算ピーク性能 1.03 TFLOPS Register File (16384 × 32‐bit) 64 KB Shared Memory / L1 Cache SM Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core Core SFU×4 L2 Cache GigaThread Engine PCI Express 3.0 Host Interface Memory Controller GPC Raster Engine GPC Raster Engine SM Raster Engine GPC Raster Engine GPC Memory ControllerMemory Controller Memory ControllerMemory ControllerMemory Controller 詳細はhttp://www.nvidia.co.jp/docs/IO/ 81860/NVIDIA_Fermi_Architecture_Whitep aper_FINAL_J.pdfを参照のこと
- 60. CUDA Core CUDA Core CUDA Core CUDA Core CUDA Core CUDA Core CUDA Core CUDA Core Streaming Multiprocessor GPUの模式図 2016/01/13GPGPU講習会60 GPU Streaming Multiprocessor L2キャッシュ コンスタントメモリ テクスチャメモリ GPU Chip グローバルメモリ SM SM SM SM・・・ ・・・SM SM SM SM・・・ レジ スタ レジ スタ レジ スタ レジ スタ CUDA Core CUDA Core CUDA Core CUDA Core L1キャッ シュ 共有 メモリ Streaming Multiprocessor SM SM SM SM・・・ ローカル メモリ ローカル メモリ ･･･ ローカル メモリ ローカル メモリ ･･･
- 61. CUDA Compute Unified Device Architecture NVIDIA社製GPU向け開発環境(Windows,Linux,Mac OS X) 2007年頃発表 C/C++言語＋独自のGPU向け拡張 専用コンパイラ（nvcc）とランタイムライブラリ いくつかの数値計算ライブラリ（線形代数計算，FFTなど） CUDA登場以前 グラフィクスプログラミングを利用 足し算を行うために，色を混ぜる処理を実行 汎用計算のためには多大な労力が必要 GPGPU講習会61 2016/01/13
- 62. プログラマブルシェーダを用いた汎用計算 グラフィックスAPI（DirectX, OpenGL）による描画処理 ＋シェーダ言語（HLSL, GLSL）による演算 void gpumain(){ vec4 ColorA = vec4(0.0, 0.0, 0.0, 0.0); vec4 ColorB = vec4(0.0, 0.0, 0.0, 0.0); vec2 TexA = vec2(0.0, 0.0); vec2 TexB = vec2(0.0, 0.0); TexA.x = gl_FragCoord.x; TexA.y = gl_FragCoord.y; TexB.x = gl_FragCoord.x; TexB.y = gl_FragCoord.y; ColorA = texRECT( texUnit0, TexA ); ColorB = texRECT( texUnit1, TexB ); gl_FragColor = F_ALPHA*ColorA + F_BETA*ColorB; } void main(){ glutInit( &argc, argv ); glutInitWindowSize(64,64);glutCreateWindow("GpgpuHelloWorld"); glGenFramebuffersEXT(1, &g_fb); glBindFramebufferEXT(GL_FRAMEBUFFER_EXT, g_fb); glGenTextures(4, g_nTexID); // create (reference to) a new texture glBindTexture(opt1, texid); glTexParameteri(opt1, GL_TEXTURE_MIN_FILTER, GL_NEAREST); glTexParameteri(......); glTexImage2D(opt1, 0, opt2, width, height, 0, GL_RGBA, GL_FLOAT, 0); ……（以下省略） GPUの処理(GLSL) 各ピクセルに対して実行 CPUの処理 (OpenGL) シェーダ言語を用いた配列加算 （c=*a + *b）の例 GPGPU講習会62 2016/01/13
- 63. CUDA Fortran 2016/01/13GPGPU講習会63 FortranのNVIDIA GPU向け拡張 PGI社の販売するFortranコンパイラで利用可能 10.0以降で利用可能 2016年1月7日現在の最新版は15.10 CUDA Cを利用するが，新機能はFortranコンパイラが 対応しないと利用できない CUDA Cのバージョンが4.0でも，PGIコンパイラのバージョン が古いとバージョン3.2までしか利用できない
- 64. FortranによるGPGPU 2016/01/13GPGPU講習会64 GPGPUの普及と裾野の広がり FORTRANからC言語を経由してGPUへ移植 資産を多く持つFortranユーザからの要求の高まり 新しい概念（GPUのプログラミングモデル）と開発言語の習得 は高負荷 CUDA Fortranの登場 かけた労力と得られる利得（性能向上）のバランスがよい 並列計算の知識だけである程度の性能が得られる
- 65. CUDA Fortran 2016/01/13GPGPU講習会65 CUDA Cと比較してコーディングが簡単 CPUでプログラムを組む様な感覚 GPUの制御を隠して数値計算に集中 ライブラリよりも手間はかかるがチューニングが可能 労力（チューニング）と利得（高速化）の比較 CUDA Cよりも労力を少なく
- 66. CUDAによるプログラミング CPUをホスト（Host），GPUをデバイス（Device）と表現 ホスト（CPU） 処理の流れやGPUを利用するための手続きを記述 プログラムの書き方は従来のFortranと同じ 利用するGPUの決定，GPUへのデータ転送，GPUで実行する関 数の呼び出し等 GPGPU講習会66 2016/01/13
- 67. CUDAによるプログラミング CPUをホスト（Host），GPUをデバイス（Device）と表現 デバイス（GPU） 処理する内容を関数として記述 引数は利用可能，返値は利用不可（subroutineを使用） 関数はkernelと呼ばれる 関数呼び出しはlaunch, invokeなどと呼ばれる GPGPU講習会67 2016/01/13
- 68. Hello World 何を確認するか 最小構成のプログラムの作り方 ファイル命名規則（拡張子は.f90） コンパイルの方法(gfortran, pgf90等を使用) program main implicit none print *,"hello world" end program main GPGPU講習会68 2016/01/13 helloworld.f90
- 69. CUDA FortranでHello World 何を確認するか 最小構成のプログラムの作り方 ファイル命名規則（拡張子は.cuf） コンパイルの方法（pgf90を使用） program main implicit none print *,"hello world" end program main GPGPU講習会69 program main implicit none print *,"hello world" end program main 違いは拡張子だけ？ 2016/01/13 helloworld.cuf helloworld.f90
- 70. CUDA Fortranプログラムのコンパイル ソースファイルの拡張子は.cuf pgf90を用いてコンパイル* プリプロセッサがソースをホストコード（CPUが処理する内容） とデバイスコード（GPUが処理する内容）に分離 ホストコードはPGIコンパイラがコンパイル デバイスコードはCUDA Cのコードへと変換 helloworld.cufにはCPUで処理する箇所しかない GPGPU講習会70 2016/01/13 *伊藤智義 編，GPUプログラミング入門，講談社，2013，p.142．
- 71. CUDA FortranでHello World CUDA Fortran専用の処理を追加 2016/01/13GPGPU講習会71 module cuf_kernel implicit none contains attributes(global) subroutine kernel() end subroutine kernel end module cuf_kernel program main use cudafor use cuf_kernel implicit none call kernel<<<1,1>>>() print *,"hello world" end program main GPUで実行されるサブルーチン （カーネル） attributes(global)が追加 ・・・ 通常のサブルーチン呼出と は異なり，<<<>>>が追加 ・・・ helloworld_kernel.cuf
- 72. CUDAプログラムの実行 実行時の流れ（CPU視点） 利用するGPUの初期化やデータの転送などを実行 GPUで実行する関数を呼び出し GPUから結果を取得 初期化の指示 初期化 カーネルの実行指示 カーネルを実行 結果の取得 実行結果をコピー time CPUとGPUは非同期 CPUは別の処理を実行可能 GPGPU講習会72 必要なデータのコピー メモリに書込 2016/01/13
- 74. Hello Thread（Fermi世代以降） GPUの各スレッドが画面表示 2016/01/13GPGPU講習会74 module cuf_kernel implicit none contains attributes(global) subroutine hello() print *,"Hello Thread" end subroutine hello end module cuf_kernel program main use cudafor use cuf_kernel implicit none integer :: stat call hello<<<1,1>>>() stat = cudaThreadSynchronize() end program main 画面表示（Fermi世代以降で可能） コンパイル時にオプションが必要 ‐Mcuda=cc20以降 ・・・ カーネル実行・・・ ホストとデバイスの同期をとる CPUとGPUは原則同期しないので， 同期しないと カーネルを実行した直後にプログラムが終了 ・・・ hellothread.cuf
- 75. CUDAでカーネルを作成するときの制限 2016/01/13GPGPU講習会75 print文による画面出力 Fermi世代以降のGPUで，コンパイルオプションを付与 ‐Mcuda=cc{20|2x|2+|30|3x|35|50} エミュレーションモード GPUの動作（並列実行）をCPUで模擬 CUDA4.0以降では消滅 オプション付きのコンパイル pgf90 ‐Mcuda=cc20 hellothread.cuf カーネル内でprintを使うコードは，GROUSEではコンパイルが通りま せん
- 77. 変更の理由 2016/01/13GPGPU講習会77 変更点 サブルーチンの前にattributes(global)をつけた 変更によって実現されること GPUで実行する関数という目印になる 変更が必要な理由 ホスト（CPU）からGPUで実行する関数（カーネル）を呼び出し CPUが処理する箇所とGPUが処理する箇所は別のコンパイラ がコンパイル コンパイルの時点でどれがカーネルかを明記
- 79. 変更の理由 2016/01/13GPGPU講習会79 変更点（ではないが･･･） helloをfunctionではなくsubroutineとした 変更によって実現されること GPUのハードウェア構造に適したプログラムを作成できる 変更が必要な理由 GPUはホストと別に独立したメモリを持つ GPUは描画情報を受け取り，画面に出力 GPU→CPUの頻繁なデータ転送は苦手 プログラマがメモリ管理を行い，無駄なデータ転送による実行 速度低下を回避 描画情報画面出力
- 81. 変更の理由 2016/01/13GPGPU講習会81 変更点 サブルーチン呼出の際にサブルーチン名と引数の間に <<<1,1>>>を付けた 変更によって実現されること GPUのハードウェア構造に適したプログラムを作成できる 変更が必要な理由 GPUには数百から数千のCUDAコアが搭載されており，それらが 協調して並列処理を実行 1スレッドが実行する処理を書くことでカーネルの作成を簡略化 並列処理の度合いはカーネル呼出の際に指定
- 83. 変更の理由 2016/01/13GPGPU講習会83 変更点 カーネルを呼び出した後に同期を取る関数を呼んだ 変更によって実現されること GPUで実行した結果が正しく得られる 変更が必要な理由 CPUとGPUは非同期に処理を実行 関数を呼んでCPU側に制御が戻った直後にプログラムが終了 （画面表示が行われない） 正しい結果を得るためにカーネルの終了を待つ
- 85. <<<,>>>内の2個の数字の意味は？ GPUのハードウェアの構成に対応させて並列性を管理 各階層における並列実行の度合を指定 <<<,>>>内に2個の数字を記述して，各階層の並列度を指定 GPU Streaming Multiprocessor CUDA Core ハードウェア構成 並列に実行する 処理 スレッドの集 まり スレッド 並列化の階層 Grid Thread Block Thread CUDA 2016/01/13GPGPU講習会85
- 86. GPUの並列化の階層 グリッド－ブロック－スレッドの3階層 グリッド（Grid） 並列に実行する処理 GPUが処理を担当する領域全体 スレッド（Thread） GPUの処理の基本単位 CPUのスレッドと同じ ブロック（Block）もしくはスレッドブロック（Thread Block）* スレッドの集まり GPGPU講習会86 2016/01/13 *スレッドブロックだと長い上にスレッドや変数名 との兼ね合いで混乱を招くのでブロックで統一
- 87. GPUの並列化の階層 各階層の情報を参照できる変数 x,y,zを成分(component)にもつdim3派生型 グリッド（Grid） gridDim グリッド内にあるブロックの数 ブロック（Block） blockIdx ブロックに割り当てられた番号 blockDim ブロック内にあるスレッドの数 スレッド（Thread） threadIdx スレッドに割り当てられた番号 GPGPU講習会87 2016/01/13
- 89. GPUの構造とカーネルの書き方 GPUはマルチスレッド（メニースレッド）で並列処理 数百から数千のCUDAコアが搭載されており，それらが協調し て並列処理を実行 カーネルには1スレッドが実行する処理を書く カーネルの作成を簡略化 カーネルを呼び出す際に並列処理の度合いを指定 カーネルと引数の間に追加した<<<,>>>で並列処理の 度合を指定 GPGPU講習会89 2016/01/13
- 90. 各階層の値の設定 設定の条件 GPUの世代によって設定できる上限値が変化 確認の方法 pgaccelinfo deviceQuery GPU Computing SDKに含まれているサンプル CUDA Programming Guide https://docs.nvidia.com/cuda/cuda‐c‐programming‐ guide/#compute‐capabilities 2016/01/13GPGPU講習会90
- 92. pgaccelinfo実行結果 Revision Number: 2.0 Global Memory Size: 2817982464 Warp Size: 32 Maximum Threads per Block: 1024 Maximum Block Dimensions: 1024, 1024, 64 Maximum Grid Dimensions: 65535 x 65535 x 65535 GPUの世代 （どのような機能を有しているか） 実 行 時 の パ ラ メ ー タ 選 択 の 際 に 重 要 各方向の最大値 1ブロックあたりのスレッド数は最大1024 (1024, 1, 1), (1, 1024, 1) (32, 32, 1), (4, 4, 64)など 2016/01/13GPGPU講習会92
- 94. ベクトル和C=A+Bの計算 配列要素に対して計算順序の依存性がなく，最も単純に 並列化可能 配列a, b, cの配列要素番号iが同じ ・・・ ・・・ ・・・c(i) a(i) b(i) ＋ ＋ ＋ ＋ ＋ ＋ GPGPU講習会94 2016/01/13
- 96. module vectoradd_kernel implicit none integer,parameter :: N=2**20 contains subroutine add(a, b, c) implicit none real :: a(N) real :: b(N) real :: c(N) integer :: i do i=1,N c(i) = a(i) + b(i) end do end subroutine add end module vectoradd_kernel program main use vectoradd_kernel implicit none real,allocatable :: a(:) real,allocatable :: b(:) real,allocatable :: c(:) allocate(a(N)); a=1.0 allocate(b(N)); b=2.0 allocate(c(N)); c=0.0 call add(a,b,c) deallocate(a) deallocate(b) deallocate(c) end program main CPUプログラム（メモリの動的確保） GPGPU講習会96 2016/01/13 vectoradd_alloca te.f90
- 97. CPUプログラム（メモリの動的確保） GPGPU講習会 allocate/deallocate 指定した要素数分のメモリを確保 allocateする変数はallocatable属性を付けて宣言 配列の次元は:で明記 多次元配列も確保可能 97 integer,allocatable :: a(:) !1次元配列 allocate(a(100)) deallocate(a) 2016/01/13 integer,allocatable :: a(:,:) !2次元配列 allocate(a(100,200)) deallocate(a)
- 98. GPUへの移植 GPGPU講習会98 ソースファイルの拡張子を.f90から.cufに変更 GPUの都合を反映（前回の講義資料参照） サブルーチンの前にattributes(global)をつけた GPUで実行する関数という目印にするため functionではなくsubroutineを利用 GPUのハードウェア構造に適したプログラムを作るため サブルーチン呼出の際にサブルーチン名と引数の間に<<<1,1>>>を 付けた GPUのハードウェア構造に適したプログラムを作るため 関数には1スレッドが処理する内容を書き，実行時の並列度を指定 カーネルを呼び出した後に同期を取る関数を呼んだ GPUで実行した結果を正しく得るため 2016/01/13
- 99. GPUへの移植（メモリの取り扱い） GPGPU講習会99 ベクトルa,b,cを確保し，a,bの値を読んでcに書き込む ホスト（CPU）にはプロセッサとメモリが存在 デバイス（GPU）にもプロセッサとメモリが存在 デバイスからホストのメモリは（原則）直接読み書きできない real :: a(N),b(N),c(N) do i=1,N print *,a(i),b(i),c(i); end do a b c attributes(global) subroutine add() do i=1,N c(i) = a(i)+b(i) end do end subroutine add 2016/01/13
- 100. attributes(global) subroutine add() do i=1,N c(i) = a(i)+b(i) end do end subroutine add GPUへの移植（メモリの取り扱い） GPGPU講習会100 ベクトルa,b,cを確保し，a,bの値を読んでcに書き込む ホスト（CPU）にはプロセッサとメモリが存在 デバイス（GPU）にもプロセッサとメモリが存在 デバイスからホストのメモリは（原則）直接読み書きできない GPUのメモリを確保し，カーネルから利用 do i=1,N print *,a(i),b(i),c(i); end do a b c 2016/01/13
- 101. GPUのメモリの動的確保 2016/01/13GPGPU講習会101 GPU側のメモリに確保する変数にはdevice属性を付与 メモリの確保/解放はallocate/deallocateを利用 メモリの属性から判断して適切に処理 CUDA Cはメモリ確保/解放の関数をCUDA用に置き換え integer,allocatable :: a(:,:) integer,allocatable,device :: b(:,;) !device属性を付与 allocate(a(N,N)) !CPU側のメモリに確保 allocate(b(N,N)) !GPU側のメモリに確保，多次元配列も可能 deallocate(a) !メモリを解放 deallocate(b) ! CUDA Fortranの利点の一つ
- 102. module vectoradd_kernel implicit none integer,parameter :: N=2**20 contains subroutine add(a, b, c) implicit none real :: a(N) real :: b(N) real :: c(N) integer :: i do i=1,N c(i) = a(i) + b(i) end do end subroutine add end module vectoradd_kernel program main use vectoradd_kernel implicit none real,allocatable :: a(:) real,allocatable :: b(:) real,allocatable :: c(:) allocate(a(N)); a=1.0 allocate(b(N)); b=2.0 allocate(c(N)); c=0.0 call add(a,b,c) deallocate(a) deallocate(b) deallocate(c) end program main CPUプログラム（メモリの動的確保） GPGPU講習会102 2016/01/13 vectoradd_alloca te.f90
- 103. module vectoradd_kernel implicit none integer,parameter :: N=2**20 contains attributes(global)& subroutine add(a, b, c) implicit none real :: a(N) real :: b(N) real :: c(N) integer :: i do i=1,N c(i) = a(i) + b(i) end do end subroutine add end module vectoradd_kernel program main use vectoradd_kernel use cudafor implicit none real,allocatable,device :: a(:) real,allocatable,device :: b(:) real,allocatable,device :: c(:) allocate(a(N)); a=1.0 allocate(b(N)); b=2.0 allocate(c(N)); c=0.0 call add<<<1,1>>>(a,b,c) deallocate(a) deallocate(b) deallocate(c) end program main GPUプログラム（1スレッド実行版） GPGPU講習会103 2016/01/13 vectoradd_1threa d.cuf
- 104. module vectoradd_kernel implicit none integer,parameter :: N=2**20 contains attributes(global)& subroutine add(a, b, c) implicit none real :: a(N) real :: b(N) real :: c(N) integer :: i do i=1,N c(i) = a(i) + b(i) end do end subroutine add end module vectoradd_kernel program main use vectoradd_kernel use cudafor implicit none real,allocatable,device :: a(:) real,allocatable,device :: b(:) real,allocatable,device :: c(:) allocate(a(N)); a=1.0 allocate(b(N)); b=2.0 allocate(c(N)); c=0.0 call add<<<1,1>>>(a,b,c) deallocate(a) deallocate(b) deallocate(c) end program main GPUプログラム（1スレッド実行版） GPGPU講習会104 GPUカーネ ルの目印 並列実行の 度合を指定 2016/01/13 vectoradd_1threa d.cuf device属性 を付与
- 106. 変更の理由 2016/01/13GPGPU講習会106 変更点 変数にdevice属性を付与 変更によって実現されること CPUとGPUのハードウェア制約を回避できる 変更が必要な理由 GPUはPCI‐Exバスを経由してホストと接続されている GPUはホストと別に独立したメモリを持っている GPUはホストメモリ（CPU側のメモリ）に直接アクセスできないため， GPUが持っているメモリを利用
- 107. 実行結果 GPGPU講習会107 実行時間の確認 CUDAの実行環境に組み込まれたプロファイラを利用 環境変数CUDA_PROFILEを1に設定する事で実行時間を測定 使い方 1. 環境変数の設定 $ export CUDA_PROFILE=1 2. プログラムの実行 $ ./a.out 3. プロファイル結果(標準はcuda_profile_0.log)の確認 2016/01/13
- 108. 実行結果 GPGPU講習会108 プロファイルの一連の流れ method カーネルや関数（API）の名称 gputime GPU上で処理に要した時間（s単位） cputime CPUで処理（=カーネル起動）に要した時間 実際の実行時間=cputime+gputime occupancy GPUがどれだけ効率よく利用されているか ‐bash‐3.2$ pgf90 vectoradd_1thread.cuf プログラムをコンパイル ‐bash‐3.2$ export CUDA_PROFILE=1 環境変数CUDA_PROFILEを1にしてプロファイラを有効化 ‐bash‐3.2$ ./a.out プログラムを実行（cuda_profile_0.logというファイルが作られる） ‐bash‐3.2$ cat cuda_profile_0.log cuda_profile_0.logの内容を画面に表示 # CUDA_PROFILE_LOG_VERSION 2.0 # CUDA_DEVICE 0 Tesla M2050 # TIMESTAMPFACTOR fffff5f0d8759ef8 method,gputime,cputime,occupancy method=[ __pgi_dev_cumemset_4f ] gputime=[ 36.320 ] cputime=[ 16.000 ] occupancy=[ 1.000 ] method=[ __pgi_dev_cumemset_4f ] gputime=[ 35.200 ] cputime=[ 8.000 ] occupancy=[ 1.000 ] method=[ __pgi_dev_cumemset_4f ] gputime=[ 35.104 ] cputime=[ 7.000 ] occupancy=[ 1.000 ] method=[ add ] gputime=[ 206041.375 ] cputime=[ 6.000 ] occupancy=[ 0.021 ] 2016/01/13
- 109. 実行結果 GPGPU講習会109 計算が正しく行われているかの確認 配列c(:)の値が全て3.0になっていれば正しい print文を使って表示 大量に画面表示されて煩わしい GPUのカーネルには実行時間の制限がある 配列c(:)の値の平均を計算 平均が3.0になっていれば正しく実行できているだろうと推察 配列c(:)の平均をGPUで計算するのは難しい CPUで配列c(:)の平均を計算 CPUはGPUのメモリを直接読み書きできない CUDA Cでは専用の命令を使ってGPUからCPUへコピー 2016/01/13
- 110. CPUとGPUのやりとり GPGPU講習会 単純なコピーであれば代入演算子(=)が利用可能 配列の全要素に同じ値を代入 配列要素数が同じ配列同士のコピー コピー可能な方向 CPU→GPU GPU→GPU GPU→CPU 110 2016/01/13 CUDA Fortranの利点の一つ
- 111. CUDAでカーネルを作成するときの制限 GPGPU講習会111 利用するデータの場所の把握 データがホストメモリにあるかデバイスメモリにあるか CPUにあるデータを基にGPUで計算を行う場合 GPUで計算した結果をCPUで確認する場合 転送を明示的に指定 カーネルの引数 値を渡すことができる GPUのメモリを指すアドレス CPUのメモリを指すアドレスも渡すことは可能 そのアドレスを基にホスト側のメモリを参照することは不可能 2016/01/13
- 112. module vectoradd_kernel implicit none integer,parameter :: N=2**20 contains attributes(global) & subroutine add(a, x, b, y, c) implicit none real :: a(N) real :: b(N) real :: c(N) real,value :: x,y !値渡し integer :: i do i=1,N c(i) = x*a(i) + y*b(i) end do end subroutine add end module vectoradd_kernel program main use vectoradd_kernel use cudafor implicit none real,allocatable,device :: a(:) real,allocatable,device :: b(:) real,allocatable,device :: c(:) real,allocatable :: host_c(:) allocate(a(N)); a=1.0 allocate(b(N)); b=2.0 allocate(c(N)); c=0.0 allocate(host_c(N)) call add<<<1,1>>>(a,1.0,b,2.0,c) host_c = c print *,sum(host_c)/N deallocate(a) deallocate(b) deallocate(c) deallocate(host_c) end program main GPUプログラム（双方向コピー） GPGPU講習会 vectoradd_1thread_copy.cuf 112 2016/01/13
- 113. CUDAでカーネルを作成するときの制限 GPGPU講習会113 x,yはCPU側のメモリに存在 値渡し CPU→GPUへ値がコピーされる Fortranはポインタ渡し 値渡しにする場合はvalue 属性を付ける attributes(global) & subroutine add(a, x, b, y, c) implicit none real :: a(N) real :: b(N) real :: c(N) real,value :: x,y !値渡し integer :: i do i=1,N c(i) = x*a(i) + y*b(i) end do end subroutine add : program main : call add<<<1,1>>>(a,1.0,b,2.0,c) : end program main 2016/01/13
- 114. GPUで並列に処理を行うには GPUは低性能の演算器（CUDAコア）を多数搭載 マルチスレッドで並列処理することで高い性能を達成 どのように並列処理を記述するか？ 関数呼出の際に関数名と引数の間に<<<1,1>>>を付けた GPUには数百から数千のCUDAコアが搭載されており，それらが協調 して並列処理を実行 1スレッドが実行する処理を書くことでカーネルの作成を簡略化 並列処理の度合いはカーネル呼出の際に指定する GPGPU講習会114 2016/01/13
- 115. GPUで並列に処理を行うには 配列サイズN=8 総スレッド数を8として並列実行する状況を想定 GPGPU講習会115 c(i) a(i) b(i) ＋ ＋ ＋ ＋ ＋ ＋ ＋ ＋ i= 1 2 3 4 5 6 7 8 2016/01/13
- 116. GPUによる並列化の方針 doループをスレッドの数だけ分割 各スレッドが少量のデータを処理 i=1 c(i) = a(i) + b(i)スレッド1 c(i) a(i) b(i) ＋ ＋ ＋ ＋ ｽﾚｯﾄﾞ 1 ｽﾚｯﾄﾞ 3 ｽﾚｯﾄﾞ 2 ｽﾚｯﾄﾞ 4 i=2 c(i) = a(i) + b(i)スレッド2 i=3 c(i) = a(i) + b(i)スレッド3 i=4 c(i) = a(i) + b(i)スレッド4 スレッドの番号 に応じて決定 1スレッドが実 行する処理 GPGPU講習会116 2016/01/13
- 117. カーネルの書き換え 1スレッドが実行する処理になるよう変更 1スレッドがある添字 i の要素を担当 integer,parameter :: N=8 attributes(global) subroutine add(a, b, c) real :: a(N) real :: b(N) real :: c(N) integer :: i i = ... c(i) = a(i) + b(i) end subroutine add GPGPU講習会117 1スレッドがあるiの担当となり，変数 の初期化と足し算の計算を実行 2016/01/13
- 118. カーネルの書き換え 1スレッドが実行する処理になるよう変更 どのようにiを決定するか？ integer,parameter :: N=8 attributes(global) subroutine add(a, b, c) real :: a(N) real :: b(N) real :: c(N) integer :: i i = 1 c(i) = a(i) + b(i) end subroutine add 全てのスレッドがi=1の 要素を計算してしまう GPGPU講習会118 2016/01/13
- 120. GPUの並列化の階層 グリッド－ブロック－スレッドの3階層 各階層の情報を参照できる変数 x,y,zを成分(component)にもつdim3派生型 グリッド（Grid） gridDim グリッド内にあるブロックの数 ブロック（Block） blockIdx ブロックに割り当てられた番号 blockDim ブロック内にあるスレッドの数 スレッド（Thread） threadIdx スレッドに割り当てられた番号 GPGPU講習会120 2016/01/13
- 123. 各スレッドが異なるiを参照するには CUDAでは並列化に階層がある 全体の領域（グリッド）をブロックに分割 ブロックの中をスレッドに分割 <<<2, 4>>> ブロックの数 1ブロックあたりの スレッドの数 ブロックの数×1ブロックあたりのスレッドの数＝総スレッド数 2 × 4 ＝ 8 GPGPU講習会123 [block] [thread/block] [thread] 2016/01/13
- 124. 各スレッドが異なるiを参照するには N=8, <<<2, 4>>>で実行 c(i) a(i) b(i) ＋ ＋ ＋ ＋ ＋ ＋ ＋ ＋ gridDim%x=2 blockIdx%x=1 blockIdx%x=2 blockDim%x=4blockDim%x=4threadIdx%x= 1 2 3 4 1 2 3 4 threadIdx%x= GPGPU講習会124 i= 1 2 3 4 5 6 7 8 2016/01/13
- 125. 各スレッドが異なるiを参照するには N=8, <<<2, 4>>>で実行 c(i) a(i) b(i) ＋ ＋ ＋ ＋ ＋ ＋ ＋ ＋ gridDim%x=2 blockIdx%x=1 blockIdx%x=2 blockDim%x=4blockDim%x=4threadIdx%x= 1 2 3 4 1 2 3 4 threadIdx%x= GPGPU講習会125 i= 1 2 3 4 5 6 7 8 2016/01/13 = (blockIdx%x‐1)*blockDim%x + threadIdx%x
- 126. 各スレッドが異なるiを参照するには N=8, <<<1, 8>>>で実行 ＋ ＋ ＋ ＋ ＋ ＋ ＋ ＋ gridDim%x=1 blockIdx%x=1 blockDim%x=8threadIdx%x= 1 2 3 4 5 6 7 8 = (blockIdx%x‐1)*blockDim%x + threadIdx%x 2016/01/13GPGPU講習会126 c(i) a(i) b(i) i= 1 2 3 4 5 6 7 8
- 127. 各スレッドが異なるiを参照するには N=8, <<<4, 2>>>で実行 ＋ ＋ ＋ ＋ ＋ ＋ ＋ ＋ gridDim%x=4 blockIdx%x=1 blockDim%x=2threadIdx%x= 1 2 1 2 1 2 1 2 2016/01/13GPGPU講習会127 blockIdx%x=2 blockDim%x=2 blockIdx%x=3 blockDim%x=2 blockIdx%x=4 blockDim%x=2 = (blockIdx%x‐1)*blockDim%x + threadIdx%x c(i) a(i) b(i) i= 1 2 3 4 5 6 7 8
- 128. カーネルの書き換え 1スレッドが実行する処理になるよう変更 1スレッドがある添字 i の要素を担当 integer,parameter :: N=8 attributes(global) subroutine add(a, b, c) real :: a(N) real :: b(N) real :: c(N) integer :: i i = (blockIdx%x‐1)*blockDim%x + threadIdx%x c(i) = a(i) + b(i) end subroutine add GPGPU講習会128 2016/01/13
- 129. module vectoradd_kernel implicit none integer,parameter :: N=2**20 contains attributes(global)& subroutine add(a, b, c) implicit none real :: a(N) real :: b(N) real :: c(N) integer :: i i = (blockIdx%x‐1)*blockDim%x& + threadIdx%x c(i) = a(i) + b(i) end subroutine add end module vectoradd_kernel program main use vectoradd_kernel use cudafor implicit none real,allocatable,device :: a(:) real,allocatable,device :: b(:) real,allocatable,device :: c(:) allocate(a(N)); a=1.0 allocate(b(N)); b=2.0 allocate(c(N)); c=0.0 call add<<<N/256,256>>>(a,b,c) deallocate(a) deallocate(b) deallocate(c) end program main GPUで並列実行するプログラム GPGPU講習会 vectoradd.cuf 129 2016/01/13
- 130. 処理時間の比較 配列の要素数 N=220 1ブロックあたりのスレッド数 256 GPUはマルチスレッドで処理しないと遅い GPUを使えばどのような問題でも速くなるわけではない 並列に処理できるようプログラムを作成する必要がある implementation Processing time [ms] CPU (1 Thread) 4.55 GPU (1 Thread) 206 GPU (256 Threads) 0.115 GPGPU講習会130 2016/01/13
- 131. 各階層の値の設定 設定の条件 GPUの世代によって設定できる上限値が変化 確認の方法 pgaccelinfo deviceQuery GPU Computing SDKに含まれているサンプル CUDA Programming Guide https://docs.nvidia.com/cuda/cuda‐c‐programming‐ guide/#compute‐capabilities 階層の値によって実行時の性能が変化 GPUの一番基本的なチューニング 2016/01/13GPGPU講習会131
- 133. pgaccelinfo実行結果 Revision Number: 2.0 Global Memory Size: 2817982464 Warp Size: 32 Maximum Threads per Block: 1024 Maximum Block Dimensions: 1024, 1024, 64 Maximum Grid Dimensions: 65535 x 65535 x 65535 GPUの世代 （どのような機能を有しているか） 実 行 時 の パ ラ メ ー タ 選 択 の 際 に 重 要 各方向の最大値 1ブロックあたりのスレッド数は最大1024 (1024, 1, 1), (1, 1024, 1) (32, 32, 1), (4, 4, 64)など 2016/01/13GPGPU講習会133
- 134. NB，NTをparameterとして定義，変更して実行 module vectoradd_kernel implicit none integer,parameter :: N=2**20 integer,parameter :: NT=256 integer,parameter :: NB=(N/NT) contains attributes(global) & subroutine add(a, b, c) implicit none real :: a(N) real :: b(N) real :: c(N) integer :: i i = (blockIdx%x‐1)*blockDim%x & + threadIdx%x c(i) = a(i) + b(i) end subroutine add end module vectoradd_kernel program main use vectoradd_kernel use cudafor implicit none real,allocatable,device :: a(:) real,allocatable,device :: b(:) real,allocatable,device :: c(:) allocate(a(N)); a=1.0 allocate(b(N)); b=2.0 allocate(c(N)); c=0.0 call add<<<NB,NT>>>(a,b,c) deallocate(a) deallocate(b) deallocate(c) end program main 並列度の変更によるチューニング GPGPU講習会134 vectoradd_param.cu 2016/01/13
- 135. 性能比較 2016/01/13GPGPU講習会135 1ブロックあたりのスレッド数が増加すると性能が向上 スレッド数を多くしすぎると性能が低下 CUDA CとCUDA Fortranで同じ傾向を示す スレッド数が多いほど処理時間は短いが，多すぎると遅くなる Number of Threads/Block Processing time [ms] C Fortran 32 0.276 0.280 64 0.169 0.170 128 0.128 0.130 256 0.119 0.116 512 0.120 0.117 1024 0.151 0.146
- 136. ベクトル和C=A+B（2次元版） 2016/01/13GPGPU講習会136 1次元のベクトル和とほぼ同じ 並列化が容易 do文の書く順番で実行速度が変化 c(:,:) a(:,:) b(:,:)
- 138. 2次元配列の1次元配列表現 2016/01/13GPGPU講習会138 アドレス空間は1次元 2次元配列でも1次元のアドレスで表現 1次元目が連続か，2次元目が連続かが言語によって異なる Fortranは1次元目が連続 j i j i 1次元目が連続 a(Nx,Ny) a(Nx,Ny) 2次元目が連続
- 139. GPUによる2次元的な並列処理 2016/01/13GPGPU講習会139 ブロックとスレッドを2次元的に設定 1スレッドが配列の1要素（画像の1ピクセル）を処理 スレッドを2次元的に配置してブロックを構成
- 140. GPUの並列化の階層 グリッド－ブロック－スレッドの3階層 各階層の情報を参照できる変数 x,y,zを成分(component)にもつdim3派生型 グリッド（Grid） gridDim グリッド内にあるブロックの数 ブロック（Block） blockIdx ブロックに割り当てられた番号 blockDim ブロック内にあるスレッドの数 スレッド（Thread） threadIdx スレッドに割り当てられた番号 GPGPU講習会140 2016/01/13
- 142. Hello Threads（2次元版） 1次元と同様<<<2,4>>>等として実行 実行結果（画面出力） 2016/01/13GPGPU講習会142 gridDim'%'x= 2 blockIdx'%'x= 1 blockDim'%'x= 4 threadIdx'%'x= 1 gridDim'%'x= 2 blockIdx'%'x= 1 blockDim'%'x= 4 threadIdx'%'x= 2 gridDim'%'x= 2 blockIdx'%'x= 1 blockDim'%'x= 4 threadIdx'%'x= 3 gridDim'%'x= 2 blockIdx'%'x= 1 blockDim'%'x= 4 threadIdx'%'x= 4 gridDim'%'x= 2 blockIdx'%'x= 2 blockDim'%'x= 4 threadIdx'%'x= 1 gridDim'%'x= 2 blockIdx'%'x= 2 blockDim'%'x= 4 threadIdx'%'x= 2 gridDim'%'x= 2 blockIdx'%'x= 2 blockDim'%'x= 4 threadIdx'%'x= 3 gridDim'%'x= 2 blockIdx'%'x= 2 blockDim'%'x= 4 threadIdx'%'x= 4 gridDim'%'y= 1 blockIdx'%'y= 1 blockDim'%'y= 1 threadIdx'%'y= 1 gridDim'%'y= 1 blockIdx'%'y= 1 blockDim'%'y= 1 threadIdx'%'y= 1 gridDim'%'y= 1 blockIdx'%'y= 1 blockDim'%'y= 1 threadIdx'%'y= 1 gridDim'%'y= 1 blockIdx'%'y= 1 blockDim'%'y= 1 threadIdx'%'y= 1 gridDim'%'y= 1 blockIdx'%'y= 1 blockDim'%'y= 1 threadIdx'%'y= 1 gridDim'%'y= 1 blockIdx'%'y= 1 blockDim'%'y= 1 threadIdx'%'y= 1 gridDim'%'y= 1 blockIdx'%'y= 1 blockDim'%'y= 1 threadIdx'%'y= 1 gridDim'%'y= 1 blockIdx'%'y= 1 blockDim'%'y= 1 threadIdx'%'y= 1 並列度の指定が できていない
- 143. 2次元的な並列度の指定 2016/01/13GPGPU講習会143 <<<,>>>の中にどのように数字を書くか 1次元の場合は数字を書くことができた 2次元，3次元は数字を並べて書くことができない dim3派生型を利用 type(dim3) block=dim3(2,4,1) type(dim3) thread=dim3(4,2,1); call hello<<<block, thread>>>() call hello<<<dim3(2,4,1), dim3(4,2,1)>>>() dim3型変数block, threadを利用 ・・・ あるいは直接dim3派生型として記述・・・
- 145. 各スレッドが異なるi,jを参照するには CUDAでは並列化に階層がある 全体の領域（グリッド）をブロックに分割 ブロックの中をスレッドに分割 <<<dim3(2,4,1), dim3(4,2,1)>>> ブロックの数 1ブロックあたりの スレッドの数 x方向ブロック数×1ブロックあたりのスレッドの数 ×y方向ブロック数×1ブロックあたりのスレッドの数＝総スレッド数 GPGPU講習会145 2016/01/13 総スレッド数=2×4×4×2=64
- 146. 各スレッドが異なるi,jを参照するには 2016/01/13GPGPU講習会146 Nx=8, Ny=8, x,y方向スレッド数4，ブロック数2 gridDim%x=2, gridDim%y=2 blockDim%x=4,blockDim%y=4 (1,1)(2,1)(3,1)(4,1)(1,1) (4,4) (4,4) (1,2)(2,2)(3,2)(4,2) (1,3)(2,3)(3,3)(4,3) (1,4)(2,4)(3,4)(4,4) (4,4) (1,1) (1,1) threadIdx%x,threadIdx%y i= 1 2 3 4 5 6 7 8 j=12 34 567 8 ・・・ ・・・ ・・・ ・・・ ・・・ ・・・
- 147. (1,1)(2,1)(3,1)(4,1)(1,1) (4,4) (4,4) (1,2)(2,2)(3,2)(4,2) (1,3)(2,3)(3,3)(4,3) (1,4)(2,4)(3,4)(4,4) (4,4) (1,1) (1,1) ・・・ ・・・ ・・・ ・・・ ・・・ ・・・ 各スレッドが異なるi,jを参照するには 2016/01/13GPGPU講習会147 Nx=8, Ny=8, x,y方向スレッド数4，ブロック数2 blockDim%x=4 blockDim%y=4 threadIdx%x,threadIdx%y blockIdx%x=1 blockIdx%x=2 blockIdx%y=1blockIdx%y=2 gridDim%x=2 gridDim.y=2
- 148. (1,1)(2,1)(3,1)(4,1)(1,1) (4,4) (4,4) (1,2)(2,2)(3,2)(4,2) (1,3)(2,3)(3,3)(4,3) (1,4)(2,4)(3,4)(4,4) (4,4) (1,1) (1,1) ・・・ ・・・ ・・・ ・・・ ・・・ ・・・ 各スレッドが異なるi,jを参照するには 2016/01/13GPGPU講習会148 Nx=8, Ny=8, x,y方向スレッド数4，ブロック数2 i = (blockIdx%x‐1)*blockDim%x + threadIdx%x j = (blockIdx%y‐1)*blockDim%y + threadIdx%y block(1,1) block(2,1) block(1,2) block(2,2) threadIdx%x,threadIdx%y i= 1 2 3 4 5 6 7 8 j=12 34 567 8
- 149. module vectoradd_kernel implicit none integer,parameter :: Nx=2**10 integer,parameter :: Ny=2**10 integer,parameter :: NTx=16 integer,parameter :: NTy=16 integer,parameter :: NBx=(Nx/NTx) integer,parameter :: NBy=(Ny/NTy) contains attributes(global) subroutine add(a, b, c) implicit none real :: a(Nx,Ny) real :: b(Nx,Ny) real :: c(Nx,Ny) integer :: i,j i=(blockIdx%x‐1)*blockDim%x+threadIdx%x j=(blockIdx%y‐1)*blockDim%y+threadIdx%y c(i,j) = a(i,j) + b(i,j) end subroutine add end module vectoradd_kernel program main use vectoradd_kernel use cudafor implicit none real,allocatable,device :: a(:,:) real,allocatable,device :: b(:,:) real,allocatable,device :: c(:,:) type(dim3) :: thread=dim3(NTx,NTy,1) type(dim3) :: block=dim3(NBx,NBy,1) allocate(a(Nx,Ny)); a=1.0 allocate(b(Nx,Ny)); b=2.0 allocate(c(Nx,Ny)); c=0.0 call add<<<block, thread>>>(a,b,c) deallocate(a) deallocate(b) deallocate(c) end program main ベクトル和（2次元並列版） 2016/01/13GPGPU講習会149 vectoradd2d.cuf
- 150. 実行結果 GPGPU講習会150 2次元版 カーネル スレッド数 実行時間[s] add 16×16(=256) 155 2016/01/13 # CUDA_PROFILE_LOG_VERSION 2.0 # CUDA_DEVICE 0 Tesla M2050 # TIMESTAMPFACTOR fffff5f14d408b28 method,gputime,cputime,occupancy : method=[ add ] gputime=[ 154.976 ] cputime=[ 6.000 ] occupancy=[ 1.000 ]
- 151. 実行結果 GPGPU講習会151 1次元版(vectoradd.cuf) カーネル スレッド数 実行時間[s] add 256 113 # CUDA_PROFILE_LOG_VERSION 2.0 # CUDA_DEVICE 0 Tesla M2050 # TIMESTAMPFACTOR fffff5f0d1572620 method,gputime,cputime,occupancy : method=[ add ] gputime=[ 114.816 ] cputime=[ 6.000 ] occupancy=[ 1.000 ] 2016/01/13
- 152. ベクトル和（2次元並列版）の実行結果 GPGPU講習会152 実行結果 1次元版と比較して実行時間がかかる 遅くなる要因は？ 2次元は添字iだけでなくjも計算 添字の計算負荷は軽い 実行時の並列度の指定 2016/01/13
- 153. ベクトル和（2次元並列版）の実行結果 GPGPU講習会153 x,y方向スレッド数による実行時間の変化 1ブロックあたりのスレッド数を256に固定 2016/01/13 スレッド数 実行時間[s] 1×256 1136 2×128 601 4× 64 341 8× 32 213 16× 16 155 32× 8 119 64× 4 135 128× 2 121 256× 1 116 1次元の場合 とほぼ同じ
- 155. GPUの主要部品 GPGPU講習会 基盤 画面出力端子 電源入力端子 GPU（チップ）+冷却部品 メモリ 特性の把握が重要 http://www.geforce.com/whats‐new/articles /introducing‐the‐geforce‐gtx‐780 に公開されている写真を基に作成 画面出力端子 PCI‐Ex端子 電源入力端子 メモリ チップ 155 2016/01/13
- 156. CPUのメモリ階層 GPGPU講習会 オフチップ(off‐chip)メモリ CPUのチップ外部に置かれたメモリ メインメモリ（主記憶） 利用可能なメモリの中で最低速，最大容量 オンチップ(on‐chip)メモリ CPUのチップ内部に置かれたメモリ レジスタ レベル1(L1)キャッシュ レベル2(L2)キャッシュ レベル2(L3)キャッシュ 156 高速，容量小 低速，容量大 2016/01/13
- 157. GPUのメモリ階層 GPGPU講習会 オフチップメモリ PCI‐Exカードの基板上に実装 ビデオメモリ 利用可能なメモリの中で最低速，最大容量 オンチップメモリ GPUのチップ内部に置かれたメモリ レジスタ レベル1(L1)キャッシュ レベル2(L2)キャッシュ CPUの構造に類似 157 高速，容量小 低速，容量大 2016/01/13
- 158. GPUメモリの独自の特徴 GPGPU講習会 CPUとは異なるメモリを複数搭載 各メモリの特徴を知り，適材適所で利用する事により高速化 GPUから読み書き可能か 処理を行うスレッドから読み書き可能か，読み込みのみか 複数のスレッドでデータを共有できるか CPUから読み書き可能か C言語の機能のみで直接読み書きは不可能 CUDAの専用関数(API)を利用して読み書き 158 2016/01/13
- 159. メモリの階層 GPGPU講習会 CPUのメモリ階層 コアごとにL2キャッシュ，全体でL3キャッシュを持つこともある メインメモリ L2キャッシュ ・・・ ・・・ チップ 159 コア L1キャッシュ 演算器 レジスタ レジスタ 演算器 L1キャッシュ 演算器 レジスタ レジスタ 演算器 L1キャッシュ 演算器 レジスタ レジスタ 演算器 コア コア 2016/01/13
- 160. メモリの階層 GPGPU講習会 GPUのメモリ階層 CPUにはない独自のメモリを複数持つ グローバルメモリ L2キャッシュ L1キャッシュ 共有メモリ CUDA Core レジスタ チップ テクスチャ メモリ コンスタント メモリ ローカル メモリ テクスチャ キャッシュ コンスタント キャッシュ 160 2016/01/13
- 161. メモリの種類 オンチップメモリ（GPUのチップ内部に置かれたメモリ） 高速アクセス，小容量 CPUからはアクセス不可 L1キャッシュと共有メモリは一定サイズを共用 GPGPU講習会161 L1キャッシュ/共有（シェアー ド）メモリ レジスタ 容量 小 小 速度 高速 高速 GPUからの 読み書き 読み書き可 ブロック内の全スレッドが同じメモリに アクセス（データを共有する）ことが可 能* 読み書き可 各スレッドが異なるアドレス にアクセス CPUからの アクセス 読み書き不可 読み書き不可 2016/01/13 *同じメモリ，異 なるメモリにつ いては後ろの スライドで説明
- 162. メモリの種類 オフチップメモリ（GPUのチップ外部に置かれたメモリ） 低速アクセス，大容量 CPUから直接アクセス可能 ローカルメモリだけはアクセス不可 GPGPU講習会162 グローバルメモリ ローカルメモリ テクスチャメモリ コンスタントメモリ 容量 大 小 大 小 速度 低速 低速 高速*1 高速*1 GPUからの 読み書き 読み書き可 全てのスレッドが同じ メモリにアクセス可能*2 読み書き可 各スレッドが異なるメ モリにアクセス*2 読み込み可 全てのスレッドが同じ メモリにアクセス可能*2 読み込み可 全てのスレッドが同じ メモリにアクセス*2 CPUからの アクセス 読み書き可 読み書き不可 読み書き可 読み書き可 2016/01/13 *1キャッシュが効く場合 *2同じメモリ，異なるメモリについては後ろのスライドで説明
- 163. 同じメモリ 2016/01/13GPGPU講習会163 複数のスレッドがメモリアドレスを共有 複数のスレッドが変数を共有 他のスレッドが書き込んだデータを読むことが可能 共有できるスレッドの範囲はメモリの種類によって変化 !a,b()がグローバルメモリに確保されている場合*1 attributes(global) subroutine kernel(...) integer i i=blockIdx%x*blockDim%x + threadIdx%x b(i) = i !スレッドiが配列bのi番目に自身のスレッド番号を代入 !b(1,2,...,i‐1,i,...)の値は1,2,...,i‐1,i,... a = b(i‐1)*2 !スレッドi‐1が書き込んだ値を読み*3，aに代入 : !最後に書き込まれたaの値を全スレッドが共有 end subroutine *1 あくまで動作のイメージを説明するための例で正しく実行できない *2 iが1の場合は考えない *3 配列bを全スレッドが共有しているので，書き込んだ値以外を読む事が可能
- 164. 異なるメモリ 2016/01/13GPGPU講習会164 メモリアドレスが共有できず，一つのスレッドのみがその メモリアドレスにアクセス あるスレッドが宣言した変数へアクセスできない !a,b()がレジスタに確保されている場合*1 attributes(global) subroutine kernel(...) integer i i=blockIdx%x*blockDim%x + threadIdx%x b(i) = i !スレッドiが配列bのi番目に自身のスレッド番号を代入 !b(1,2,...,i‐1,i,...)の値はb(i)以外不定 a = b(i‐1)*2 !b(i‐1)の値（不定）をaに代入*3 : !aの値はスレッドによって異なる end subroutine *1 あくまで動作のイメージを説明するための例で正しく実行できない *2 iが1の場合は考えない *3 配列bは他のスレッドからアクセスできないため，代入した値以外は不定のまま
- 165. Tesla世代 L1,L2キャッシュなし テクスチャキャッシュ，コンスタ ントキャッシュは利用可能 高速なメモリの活用が重要 共有メモリ レジスタ メモリの種類 2016/01/13GPGPU講習会165 オフチップメモリ オンチップメモリ ホスト メモリ コンスタントメモリ テクスチャメモリ GPU Chip レジ スタ レジ スタ レジ スタ レジ スタ CUDA Core CUDA Core CUDA Core CUDA Core 共有メモリ SM レジ スタ レジ スタ レジ スタ レジ スタ CUDA Core CUDA Core CUDA Core CUDA Core 共有メモリ SM グローバルメモリ ローカル メモリ ローカル メモリ ･･･
- 166. Fermi世代以降 共有メモリとL1キャッシュが 一体で利用可能 グローバルメモリへのアクセ スはL2キャッシュ経由 Fermi世代では標準でL1 キャッシュも有効化* メモリの種類 2016/01/13GPGPU講習会166 オフチップメモリ オンチップメモリ ホスト メモリ L2キャッシュ コンスタントメモリ テクスチャメモリ GPU Chip レジ スタ レジ スタ レジ スタ レジ スタ CUDA Core CUDA Core CUDA Core CUDA Core L1キャッ シュ 共有 メモリ SM レジ スタ レジ スタ レジ スタ レジ スタ CUDA Core CUDA Core CUDA Core CUDA Core L1キャッ シュ 共有 メモリ SM グローバルメモリ ローカル メモリ ローカル メモリ ローカル メモリ ローカル メモリ ･･･ ･･･ *Kepler世代では標準でL1キャッシュが無効化
- 167. メモリの種類と並列化階層の対応 オンチップメモリ ブロックまたはスレッドごとに 異なる値を持つ ローカルメモリはレジスタが 不足した時に使われる オフチップメモリ GPU全体で共通の値を持つ 2016/01/13GPGPU講習会167 各GPU(Grid)内 でデータを共有 各ブロック内で データを共有 各スレッドが個別の データを保有 L2キャッシュ コンスタントメモリ テクスチャメモリ Grid レジ スタ レジ スタ レジ スタ レジ スタ Thre ad 0 Thre ad 1 Thre ad 2 Thre ad 3 L1キャッ シュ 共有 メモリ Block(0,0,0) レジ スタ レジ スタ レジ スタ レジ スタ Thre ad 0 Thre ad 1 Thre ad 2 Thre ad 3 L1キャッ シュ 共有 メモリ Block(1,0,0) グローバルメモリ ローカル メモリ ローカル メモリ ローカル メモリ ローカル メモリ ･･･ ･･･ ホスト メモリ
- 168. レジスタ 各スレッドが個別に利用 カーネル内で変数を宣言する とレジスタを利用 非常に高速 キャッシュとしても利用可能 2016/01/13GPGPU講習会168 *Keplerからは65536本 少容量 32768本*×32bit 利用可能分を超え るとローカルメモリ へ追い出される レジスタスピル L2キャッシュ コンスタントメモリ テクスチャメモリ GPU レジ スタ レジ スタ レジ スタ レジ スタ CUDA Core CUDA Core CUDA Core CUDA Core L1キャッ シュ 共有 メモリ SM レジ スタ レジ スタ レジ スタ レジ スタ CUDA Core CUDA Core CUDA Core CUDA Core L1キャッ シュ 共有 メモリ SM グローバルメモリ ローカル メモリ ローカル メモリ ローカル メモリ ローカル メモリ ･･･ ･･･ Chip ホスト メモリ
- 169. L2キャッシュ コンスタントメモリ テクスチャメモリ GPU レジ スタ レジ スタ レジ スタ レジ スタ CUDA Core CUDA Core CUDA Core CUDA Core L1キャッ シュ 共有 メモリ SM レジ スタ レジ スタ レジ スタ レジ スタ CUDA Core CUDA Core CUDA Core CUDA Core L1キャッ シュ 共有 メモリ SM グローバルメモリ ローカル メモリ ローカル メモリ ローカル メモリ ローカル メモリ ･･･ ･･･ グローバルメモリ ビデオメモリ（数GB） CPUのメインメモリに相当 読み込みがある一定サイズ でまとめて行われる レイテンシが大きい 効率よくアクセスするための 条件がある コアレスアクセス アラインアクセス 2016/01/13GPGPU講習会169 Tesla世代ではコアレスアクセスの条件に メモリのアラインが含まれている Chip ホスト メモリ
- 170. グローバルメモリへのアクセス （Tesla世代） 16スレッドが協調して同時にアクセス 1 Warp = 32スレッド Warpの半分（Half Warp,16スレッド）が協調して処理を実行 コアレスアクセスか否かで読み込みの速度が変化 新しい世代のGPUでは，コアレスアクセスになる条件やコアレ スアクセスできないときの速度の落ち込みが緩和 コアレスアクセスはGPUのプログラムで最重要 GPUの処理能力と比較するとデータ供給が不足しがち 極力データ供給不足が生じないようプログラムを作成 2016/01/13GPGPU講習会170
- 171. コアレスアクセスになる条件 （Tesla世代） データのサイズ 32bit, 64bit, 128bit（4byte, 8byte, 16byte） アドレスの隣接 16スレッドがアクセスするアドレスがスレッド番号順に隣接 スレッド番号順にデータサイズ分ずつアドレスが増加 アクセスする最初のアドレス 16スレッドがアクセスするアドレスの先頭が，64byteまたは 128byteの倍数 2016/01/13GPGPU講習会171
- 172. コアレスアクセスの例* （Tesla世代） データ型が 32bit=4byte 各スレッドが連 続して隣接アド レスにアクセス 先頭アドレス が128バイト 境界 16スレッド データ型が 32bit=4byte 各スレッドが連 続して隣接アド レスにアクセス 実際にデータ を取得するか は無関係 先頭アドレス が128バイト 境界 T15 T14 T13 T12 T11 T10 T9 T8 T7 T6 T5 T4 T3 T2 A188 A184 A180 A176 A172 A168 A164 A160 A156 A152 A148 A144 A140 A136 T1 A132 T0 A128 T15 T14 T13 T12 T11 T10 T9 T8 T7 T6 T5 T4 T3 T2 A188 A184 A180 A176 A172 A168 A164 A160 A156 A152 A148 A144 A140 A136 T1 A132 T0 A128 2016/01/13GPGPU講習会172 *CUDA Programming Guide メモリアドレスに対する スレッドのアクセス要求
- 173. T15 T14 T13 T12 T11 T10 T9 T8 T7 T6 T5 T4 T3 T2 A188 A184 A180 A176 A172 A168 A164 A160 A156 A152 A148 A144 A140 A136 T1 A132 T0 A128 T15 T14 T13 T12 T11 T10 T9 T8 T7 T6 T5 T4 T3 T2 A188 A184 A180 A176 A172 A168 A164 A160 A156 A152 A148 A144 A140 A136 T1 A132 T0 A128 T15 T14 T13 T12 T11 T10 T9 T8 T7 T6 T5 T4 T3 T2 A188 A184 A180 A176 A172 A168 A164 A160 A156 A152 A148 A144 A140 A136 T1 A132 T0 A128 T15 T14 T13 T12 T11 T10 T9 T8 T7 T6 T5 T4 T3 T2 A188 A184 A180 A176 A172 A168 A164 A160 A156 A152 A148 A144 A140 A136 T1 A132 T0 A128 コアレスアクセスにならない例 （Tesla世代） 2016/01/13GPGPU講習会173 ･･･ 各スレッドが番 号順にアクセス していない 先頭が128バイト 境界ではない アドレスが連続し ていない データが32bit, 64bit, 128bit ではない
- 174. コアレスアクセスにならない例 （Tesla世代） 2016/01/13GPGPU講習会174 128バイト境界からわずか にずれている場合 Tesla世代以降は64バイト ブロックと32バイトブロック に分けて読込 メモリアクセス要求は2回 コアレスアクセスの半分程 度の性能は得られる A190 64バイトブロック でデータ読込 32バイトブロック でデータ読込 T15 T14 T13 T12 T11 T10 T9 T8 T7 T6 T5 T4 T3 T2 A188 A184 A180 A176 A172 A168 A164 A160 A156 A152 A148 A144 A140 A136 T1 A132 T0 A128
- 175. グローバルメモリへのアクセス （Fermi世代） 2016/01/13GPGPU講習会175 Tesla世代のGPU グローバルメモリへのアクセスに強い制約があった 以前のGPUよりは改善 Fermi世代以降のGPU Tesla世代のGPUから大幅に改善 効率のよいアクセスの条件 コアレスアクセス＋アラインアクセス L1キャッシュの利用状況によっても変化
- 176. グローバルメモリからの読込 （Fermi世代） 2016/01/13GPGPU講習会176 メモリ操作の命令はWarpごとに発行 1 Warp内の32スレッドが協調 各スレッドのメモリアクセス要求を一つに集約 メモリアクセス要求の処理 128バイトもしくは32バイト単位 すべてL2キャッシュを通過 アーキテクチャによってはL1キャッシュも通過 L1キャッシュの使用はコンパイルオプションで設定可能 Fermi世代は標準でL1キャッシュが有効化 Kepler世代は標準でL1キャッシュが無効化
- 177. グローバルメモリからの読込 （Fermi世代） 2016/01/13GPGPU講習会177 コアレスメモリアクセス(coalesce access) メモリアドレスの連続性に着目 1 Warp内の32スレッドが隣り合ったメモリにアクセス データサイズが4バイトの時，スレッド1がアクセスするメモリアドレス はスレッド0がアクセスするメモリアドレス+4 アラインメモリアクセス(align access) メモリの配置に着目 Warpがアクセスするデータの先頭アドレスがキャッシュ粒度 の倍数 L2キャッシュのみを使う場合は32バイトの倍数 L1キャッシュも使う場合は128バイトの倍数
- 178. メモリ読込の例 2016/01/13GPGPU講習会178 アライン/コアレスアクセス ミスアライン/コアレスアクセス 0 1 6 3 2 4 8 6 4 8 0 9 6 1 1 2 1 2 8 1 4 4 1 6 0 1 7 6 1 9 2 2 0 8 2 2 4 2 4 0 2 5 6 2 7 2 2 8 8 3 0 4 3 2 0 3 3 6 3 5 2 3 5 8 0 1 2 3 4 5 6 7 8 9 1 0 1 1 1 2 1 3 1 4 1 5 1 6 1 7 1 8 1 9 2 0 2 1 2 2 2 3 2 4 2 5 2 6 2 7 2 8 2 9 3 0 3 1 0 1 6 3 2 4 8 6 4 8 0 9 6 1 1 2 1 2 8 1 4 4 1 6 0 1 7 6 1 9 2 2 0 8 2 2 4 2 4 0 2 5 6 2 7 2 2 8 8 3 0 4 3 2 0 3 3 6 3 5 2 3 5 8 0 1 2 3 4 5 6 7 8 9 1 0 1 1 1 2 1 3 1 4 1 5 1 6 1 7 1 8 1 9 2 0 2 1 2 2 2 3 2 4 2 5 2 6 2 7 2 8 2 9 3 0 3 1 メモリアドレスに対する スレッドのアクセス要求 Warp内でのスレッドID （カーネル内でのスレッド番号とは異なる） メモリアドレス
- 179. メモリ読込の例 2016/01/13GPGPU講習会179 アライン/アンコアレスアクセス ミスアライン/アンコアレスアクセス 0 1 6 3 2 4 8 6 4 8 0 9 6 1 1 2 1 2 8 1 4 4 1 6 0 1 7 6 1 9 2 2 0 8 2 2 4 2 4 0 2 5 6 2 7 2 2 8 8 3 0 4 3 2 0 3 3 6 3 5 2 3 5 8 0 1 2 3 4 5 6 7 8 9 1 0 1 1 1 2 1 3 1 4 1 5 1 6 1 7 1 8 1 9 2 0 2 1 2 2 2 3 2 4 2 5 2 6 2 7 2 8 2 9 3 0 3 1 0 1 6 3 2 4 8 6 4 8 0 9 6 1 1 2 1 2 8 1 4 4 1 6 0 1 7 6 1 9 2 2 0 8 2 2 4 2 4 0 2 5 6 2 7 2 2 8 8 3 0 4 3 2 0 3 3 6 3 5 2 3 5 8 0 1 2 3 4 56 7 8 9 1 0 1 1 1 2 1 3 1 4 1 5 1 6 1 7 1 8 1 9 2 0 2 1 2 2 2 3 2 4 2 5 2 6 2 7 2 8 2 9 3 0 3 1 0 1 6 3 2 4 8 6 4 8 0 9 6 1 1 2 1 2 8 1 4 4 1 6 0 1 7 6 1 9 2 2 0 8 2 2 4 2 4 0 2 5 6 2 7 2 2 8 8 3 0 4 3 2 0 3 3 6 3 5 2 3 5 8 0 1 2 3 4 56 7 8 9 1 0 1 1 1 2 1 3 1 4 1 5 1 6 1 7 1 8 1 9 2 0 2 1 2 2 2 3 2 4 2 5 2 6 2 7 2 8 2 9 3 0 3 1 メモリアドレスに対する スレッドのアクセス要求
- 180. キャッシュされる読込 2016/01/13GPGPU講習会180 L1キャッシュとL2キャッシュを通過 読込は128バイト単位で実行 L1キャッシュのキャッシュラインのサイズで実行 読込の評価に利用する用語 メモリトランザクション メモリのアクセス要求に対して排他的にメモリにアクセスして行う処理 の単位 バスの利用率 必要なデータサイズ/読込完了に必要な読込データサイズ