Část 4 NOVÉ RYSY CUDA, NOVINKY V OBLASTI NÁSTROJŮ PRO CUDA

Část 4 NOVÉ RYSY CUDA, NOVINKY V OBLASTI NÁSTROJŮ PRO CUDA

Základní nástroje pro CUDA Linux: CUDA-gdb (debug) Memcheck (i racecheck) Visual Profiler MS Windows Nsight (integruje výše zmíněné) Společná nevýhoda: debugging i profiling ovlivňují běh aplikace

Nástup architektury Pascal TESLA P100 : 16nm GPU "GP100" 15,3 miliardy tranzistorů HBM2 paměti s propustností 1TB/s Má mít v první verzi 3584 výpočetních jednotek FP32 a 1792 jednotek FP64. Výkon: 21,2TFLOPS v HP (FP16) 10,6TFLOPS v SP (FP32) 5,304TFLOPS v DP (FP64)

GPU datové typy Sizeof in bytes Exponent in bits Mantisa in bits valid decimal digits Maximal number Single 4 8 23+1 6-7 3.39*10^38 Double 8 11 52+1 15-16 1.8*10^308 Half 2 5 10+1 3.3 65504

NVIDIA DGX-1 DEEP LEARNING SYSTÉM 170 TFLOPS (GPU FP16), 3 TFLOPS (CPU FP32) 16 GB per GPU Dual 20-core Intel Xeon E5-2698 v4 2.2 GHz 512 GB 2133 MHz DDR4 GPU cores 28672 Ubuntu Server Linux OS

NVIDIA NVLINK HIGH-SPEED INTERCONNECT The technology allows data sharing at rates 5 to 12 times faster than the traditional PCIe Gen3 interconnect

Kepler unified memory GPU nemůže přistupovat do paměti CPU a opačně Práce s paměťovými bloky existujícími na CPU i GPU Dříve nutno explicitně alokovat a synchronizovat Unified memory ulehčuje tyto operace Dostupná od CUDA SDK 6.0 a CC 3.0 double* ma; cudamallocmanaged(&ma, ARRAY_SIZE * sizeof(double)); for (int i = 0; i < ARRAY_SIZE; i++) ma[i] = 1.0*i; increment<<<2, 512>>>(mA, inc_val, ARRAY_SIZE); cudadevicesynchronize(); // práce s ma cudafree(ma); Tento paměťový blok bude alokován jak na CPU tak na GPU Zápis pomocí CPU Zápis pomocí GPU Čekání na dokončení kernelu

Pascal GP100 Unified Memory GP100 extends GPU: enable 49-bit virtual addressing. (48-bit virtual address spaces of modern CPUs+ GPU s own memory) allows programs to access the full address spaces of all CPUs and GPUs in the system as a single virtual address space, unlimited by the physical memory size of any one processor.

Možnost dynamického paralelismu Od Compute capability 3.5 Kernel může volat sub/kernel Může vést k lepšímu load-balancingu Ale díky větší režii volání jsou GPU rek. stromy volání nižší a širší než CPU stromy

Dynamické volání kernelu I Nová možnost dynamického paralelismu Vhodné pro neregulární situace, kdy klasické řešení není efektivní Od CUDA CC 3.5 může kernel volat jiné kernely včetně (případně) jiného nastavení počtu bloků a vláken Kernel je pak ukončen teprve po ukončení všech volaných vnořených kernelů (volaných jednotlivými vlákny)

Dynamické volání kernelu II CUDA Device Runtime garantuje, že otec a syn (kernely) mají fully consistent view of global memory, ale jen v určitých situacích Pro zajištění ale často nutno explicitně synchronizovat pomocí syncthreads a cudadevicesynchronize Pozor! Ač hloubka vnoření není většinou omezena, pro efektivní běh by i tyto dynamicky volané kernely měly obsahovat dostatečný počet bloků a vláken

CUDA proudy proud (stream) fronta GPU operací (spouštění kernelů, kopírování dat, události), které se provádějí v pořadí v jakém byly do fronty vloženy některé operace asynchronní s CPU např. asynchronní kopírování dat vyžaduje page-locked paměť položka deviceoverlap ve vlastnostech zařízení znamená schopnost současně spouštět kernel a kopírovat data z/do GPU položka concurrentkernels ve vlastnostech zařízení znamená schopnost současně spouštět více kernelů a kopírovat data z/do GPU současně (CC 2.0) Od CC? možno prioritizovat proudy

Knihovny v rámci SDK cufft cublas cusparse cusolver curand NPP Thrust math.h cudnn Fast Fourier Transforms Library Complete BLAS Library Sparse Matrix Library Linear Solver Library Random Number Generation (RNG) Library Performance Primitives for Image & Video Processing Templated Parallel Algorithms & Data Structures C99 floating-point Library Deep Neural Net building blocks

CUDA C++ Parallel Template Library Parallel Template library for CUDA C++ Host and Device Containers that mimic the C++ STL Optimized Parallel Algorithms for sort, reduce, scan, etc. TBB and OpenMP CPU Backends Performance portable

NPP: NVIDIA Performance Primitives Over 5000 image and signal processing routines: color transforms, geometric transforms, move operations, linear filters, image & signal statistics, image & signal arithmetic, JPEG building blocks, image segmentation, median filter, BGR/YUV conversion, 3D LUT color conversion