CUDA高性能计算经典问题①：归约

撰文 | Will Zhang

本系列为CUDA进阶，通过具体的经典问题，讲述高性能编程的一些基本原则以及方法。建议读者先阅读NVIDIA官方的编程指南完成CUDA入门，基础比较少的同学也建议阅读本人之前写的GPU架构介绍。本文如有不对的地方欢迎指正。

首先我们不严谨地定义一下Reduction（归约）， 给N个数值，求出其总和/最大值/最小值/均值这一类的操作，称为Reduction。如果是使用CPU，我们可以很简单的写一个循环遍历一遍即可完成。而在GPU上，我们如何并行利用几千个线程去做Reduction？

本文选取求总和为例子编写代码，相比内存访问，由于数值加法并不是很重的计算，所以这个问题中，主要注意的是如何利用好各级Memory的带宽。

1

Serial

我们先做一个Baseline，使用GPU上一个线程去遍历得到结果，如下：

__global__ void SerialKernel(const float* input, float* output, size_t n) { float sum = 0.0f; for (size_t i = 0; i < n; ++i) { sum += input[i]; } *output = sum; } void ReduceBySerial(const float* input, float* output, size_t n) { SerialKernel<<<1, 1>>>(input, output, n); }

其中n的值为4 * 1024 * 1024，也即输入的物理大小为4MByte。在作者的环境里，这段代码耗时为 100307us，我们后续的算法可以与这个作为对比。

2

TwoPass

对于并发reduce这个问题，可以很容易想到一个朴素解法，以n=8为例，如下

我们把n均分为m个part，第一步启动m个block计算每个part的reduce结果，第二步启动一个单独的block汇总每个part的结果得到最终结果。其中每个block内部再把其负责的部分均分到每个线程，这样就可以得到一个朴素的代码如下

__global__ void TwoPassSimpleKernel(const float* input, float* part_sum, size_t n) { // n is divided to gridDim.x part // this block process input[blk_begin:blk_end] // store result to part_sum[blockIdx.x] size_t blk_begin = n / gridDim.x * blockIdx.x; size_t blk_end = n / gridDim.x * (blockIdx.x + 1); // after follow step, this block process input[0:n], store result to part_sum n = blk_end - blk_begin; input += blk_begin; part_sum += blockIdx.x; // n is divided to blockDim.x part // this thread process input[thr_begin:thr_end] size_t thr_begin = n / blockDim.x * threadIdx.x; size_t thr_end = n / blockDim.x * (threadIdx.x + 1); float thr_sum = 0.0f; for (size_t i = thr_begin; i < thr_end; ++i) { thr_sum += input[i]; } // store thr_sum to shared memory extern __shared__ float shm[]; shm[threadIdx.x] = thr_sum; __syncthreads(); // reduce shm to part_sum if (threadIdx.x == 0) { float sum = 0.0f; for (size_t i = 0; i < blockDim.x; ++i) { sum += shm[i]; } *part_sum = sum; } } void ReduceByTwoPass(const float* input, float* part_sum, float* sum, size_t n) { const int32_t thread_num_per_block = 1024; // tuned const int32_t block_num = 1024; // tuned // the first pass reduce input[0:n] to part[0:block_num] // part_sum[i] stands for the result of i-th block size_t shm_size = thread_num_per_block * sizeof(float); // float per thread TwoPassSimpleKernel<<<block_num, thread_num_per_block, shm_size>>>(input, part, n); // the second pass reduce part[0:block_num] to output TwoPassSimpleKernel<<<1, thread_num_per_block, shm_size>>>(part, output, block_num); }

这种分为两步的方法就称为Two-Pass，这个方法的时间为92us，相比之前的100307us确实快了许多。但是这个方法仍然比较朴素，没有利用好GPU特性。

首先读取Global Memory计算单线程的结果时，由于给单个线程划分了一块连续地址进行局部reduce，导致了同一个warp内的不同线程任意时刻读取的地址非连续。

打个比方，假设我们有9个数，使用3个线程去做局部reduce, 0号线程处理第0,1,2的数，1号线程处理第3,4,5的数，而第三个线程处理第6,7,8的数。于是有如下表:

由于从Global Memory到SM的数据传输也是类似CPU Cache Line的方式，比如一次读取32*4=128字节，如果同一Warp内所有线程同时访问Global Memory连续的且对齐的128字节，那么这次读取就可以合并为一个Cache Line的读取。而在上面的情况下，由于每个线程读取的地址都不连续，意味着每次要触发多个CacheLine的读取。但是从Global Memory到SM的带宽并不是无限的，SM内以及L2能缓存下的数据也不是无限的，这意味着很可能会导致实际读了多次Global Memory, 同时带宽也被挤压导致延时上升.

需要注意，事实上GPU也支持32/64字节大小的CacheLine, 详情参考:

https://docs.nvidia.com/cuda/cuda-c-programming-guide/index.html#device-memory-accesses

为了应对上文这种现象，我们应努力使得Warp内不同线程访问的地址连续，这会导致单个线程处理的地址不连续，在直觉上与CPU性能优化相反。仍然使用9数3线程的例子，列表如下：

我们可以写出优化后的kernel：

__global__ void TwoPassInterleavedKernel(const float* input, float* part_sum, size_t n) { int32_t gtid = blockIdx.x * blockDim.x + threadIdx.x; // global thread index int32_t total_thread_num = gridDim.x * blockDim.x; // reduce // input[gtid + total_thread_num * 0] // input[gtid + total_thread_num * 1] // input[gtid + total_thread_num * 2] // input[gtid + total_thread_num * ...] float sum = 0.0f; for (int32_t i = gtid; i < n; i += total_thread_num) { sum += input[i]; } // store sum to shared memory extern __shared__ float shm[]; shm[threadIdx.x] = sum; __syncthreads(); // reduce shm to part_sum if (threadIdx.x == 0) { float sum = 0.0f; for (size_t i = 0; i < blockDim.x; ++i) { sum += shm[i]; } part_sum[blockIdx.x] = sum; } }

这个优化把时间从92us降低到了78us。

紧接着，更进一步，我们可以看到之前的代码，在把shared memory归约到最终值时采取了单线程遍历的简单方法，接下来我们优化这个步骤。

这里回顾一下shared memory的特性，其存在于SM上，意味着极快地访问延时与带宽，但其被分成32个Bank，与Warp的32线程对应。如果一个Warp内的32线程同时访问了32个不同的bank，也即没有任意两个线程访问同一bank，这时达到了最快的访存速度。否则，如果有两个线程同时访问了同一个bank，那么就会发生bank conflict，对这个bank的访存无法并发，形成顺序执行，也就意味着降低了访存速度。

如果访问了互斥的bank，那一定不会有bank conflict. 如果访问了相同的bank, 但是访问的是bank内的同一连续地址空间，也不会有bank conflict，这种情况下，如果都为读操作，则会广播给访问线程们，如果是写，则只有一个线程的写会成功，具体是哪个线程是未定义行为。

Shared Memory有4字节模式和8字节模式：

• 4字节模式：其中属于Bank 0的地址有[0, 4), [128, 132), [256, 260)...，而属于Bank 1的地址有[4, 8), [132, 136), [260, 264) ...，依次类推每个bank的地址。

• 8字节模式：其中属于Bank 0的地址有[0, 8), [256, 264), [512, 520)...，而属于Bank 1的地址有[8, 16), [264, 272), [520, 528) ...，依次类推每个bank的地址。

现在回到我们的问题，将存在于shared memory上的数据reduce，同时尽可能避免bank conflict，一般来说我们假设单个block的线程数是32的倍数，当然我们代码里实际也是如此，我们可以每次把数据的后半部分加到前半部分上，每次读写都没有bank conflict，代码如下

__global__ void TwoPassSharedOptimizedKernel(const float* input, float* part_sum, size_t n) { int32_t gtid = blockIdx.x * blockDim.x + threadIdx.x; // global thread index int32_t total_thread_num = gridDim.x * blockDim.x; // reduce // input[gtid + total_thread_num * 0] // input[gtid + total_thread_num * 1] // input[gtid + total_thread_num * 2] // input[gtid + total_thread_num * ...] float sum = 0.0f; for (int32_t i = gtid; i < n; i += total_thread_num) { sum += input[i]; } // store sum to shared memory extern __shared__ float shm[]; shm[threadIdx.x] = sum; __syncthreads(); // reduce shm to part_sum for (int32_t active_thread_num = blockDim.x / 2; active_thread_num >= 1; active_thread_num /= 2) { if (threadIdx.x < active_thread_num) { shm[threadIdx.x] += shm[threadIdx.x + active_thread_num]; } __syncthreads(); } if (threadIdx.x == 0) { part_sum[blockIdx.x] = shm[0]; } }

这一步优化从78us降低到了46us. 接下来更进一步的，如果活跃线程数少于等于32，也即只剩最后一个warp时，我们是不需要block级别的同步的，因为warp内必然同步（注意这里是无分支情况，不需要syncwarp，感谢评论区指正，之前的说法有误导嫌疑），改写为：

__global__ void TwoPassWarpSyncKernel(const float* input, float* part_sum, size_t n) { int32_t gtid = blockIdx.x * blockDim.x + threadIdx.x; // global thread index int32_t total_thread_num = gridDim.x * blockDim.x; // reduce // input[gtid + total_thread_num * 0] // input[gtid + total_thread_num * 1] // input[gtid + total_thread_num * 2] // input[gtid + total_thread_num * ...] float sum = 0.0f; for (int32_t i = gtid; i < n; i += total_thread_num) { sum += input[i]; } // store sum to shared memory extern __shared__ float shm[]; shm[threadIdx.x] = sum; __syncthreads(); // reduce shm for (int32_t active_thread_num = blockDim.x / 2; active_thread_num > 32; active_thread_num /= 2) { if (threadIdx.x < active_thread_num) { shm[threadIdx.x] += shm[threadIdx.x + active_thread_num]; } __syncthreads(); } // the final warp if (threadIdx.x < 32) { volatile float* vshm = shm; if (blockDim.x >= 64) { vshm[threadIdx.x] += vshm[threadIdx.x + 32]; } vshm[threadIdx.x] += vshm[threadIdx.x + 16]; vshm[threadIdx.x] += vshm[threadIdx.x + 8]; vshm[threadIdx.x] += vshm[threadIdx.x + 4]; vshm[threadIdx.x] += vshm[threadIdx.x + 2]; vshm[threadIdx.x] += vshm[threadIdx.x + 1]; if (threadIdx.x == 0) { part_sum[blockIdx.x] = vshm[0]; } } }

需要注意，使用warp隐式同步时使用shared memory需要配合volatile关键字。这个优化从46us降低到了40us.

更进一步的，我们可以把第二个for循环展开，同时我们要求在编译时就知道blockDim.x，而这可以通过template做到，这里我们仍然假设blockDim.x是32的倍数，此外限制其最大是1024，代码如下：

template <int32_t block_thread_num> __global__ void TwoPassUnrollKernel(const float* input, float* part_sum, size_t n) { int32_t gtid = blockIdx.x * blockDim.x + threadIdx.x; // global thread index int32_t total_thread_num = gridDim.x * blockDim.x; // reduce // input[gtid + total_thread_num * 0] // input[gtid + total_thread_num * 1] // input[gtid + total_thread_num * 2] // input[gtid + total_thread_num * ...] float sum = 0.0f; for (int32_t i = gtid; i < n; i += total_thread_num) { sum += input[i]; } // store sum to shared memory extern __shared__ float shm[]; shm[threadIdx.x] = sum; __syncthreads(); // reduce shm if (block_thread_num >= 1024) { if (threadIdx.x < 512) { shm[threadIdx.x] += shm[threadIdx.x + 512]; } __syncthreads(); } if (block_thread_num >= 512) { if (threadIdx.x < 256) { shm[threadIdx.x] += shm[threadIdx.x + 256]; } __syncthreads(); } if (block_thread_num >= 256) { if (threadIdx.x < 128) { shm[threadIdx.x] += shm[threadIdx.x + 128]; } __syncthreads(); } if (block_thread_num >= 128) { if (threadIdx.x < 64) { shm[threadIdx.x] += shm[threadIdx.x + 64]; } __syncthreads(); } // the final warp if (threadIdx.x < 32) { volatile float* vshm = shm; if (blockDim.x >= 64) { vshm[threadIdx.x] += vshm[threadIdx.x + 32]; } vshm[threadIdx.x] += vshm[threadIdx.x + 16]; vshm[threadIdx.x] += vshm[threadIdx.x + 8]; vshm[threadIdx.x] += vshm[threadIdx.x + 4]; vshm[threadIdx.x] += vshm[threadIdx.x + 2]; vshm[threadIdx.x] += vshm[threadIdx.x + 1]; if (threadIdx.x == 0) { part_sum[blockIdx.x] = vshm[0]; } } }

从40us降低到了38us。为了后文方便，我们把这个对shared memory reduce的过程提取一个函数称为ReduceSharedMemory，如下：

template <int32_t block_thread_num> __device__ void ReduceSharedMemory(float* shm, float* result) { if (block_thread_num >= 1024) { if (threadIdx.x < 512) { shm[threadIdx.x] += shm[threadIdx.x + 512]; } __syncthreads(); } if (block_thread_num >= 512) { if (threadIdx.x < 256) { shm[threadIdx.x] += shm[threadIdx.x + 256]; } __syncthreads(); } if (block_thread_num >= 256) { if (threadIdx.x < 128) { shm[threadIdx.x] += shm[threadIdx.x + 128]; } __syncthreads(); } if (block_thread_num >= 128) { if (threadIdx.x < 64) { shm[threadIdx.x] += shm[threadIdx.x + 64]; } __syncthreads(); } // the final warp if (threadIdx.x < 32) { volatile float* vshm = shm; if (blockDim.x >= 64) { vshm[threadIdx.x] += vshm[threadIdx.x + 32]; } vshm[threadIdx.x] += vshm[threadIdx.x + 16]; vshm[threadIdx.x] += vshm[threadIdx.x + 8]; vshm[threadIdx.x] += vshm[threadIdx.x + 4]; vshm[threadIdx.x] += vshm[threadIdx.x + 2]; vshm[threadIdx.x] += vshm[threadIdx.x + 1]; if (threadIdx.x == 0) { *result = vshm[0]; } } }

3

Single Pass

上一节中分为两次kernel，经过多次优化，降低到了38us。现在我们想办法，一次kernel完成我们的目标。

首先一个简单的办法，就是把之前的两步合并到一个kernel中，为了实现这个目标，我们需要一个计数器，每个block完成part sum计算时把计数器加1，当发现自己加完就是最后一个block，由这最后一个block去做part sum的归约，代码如下

__device__ int32_t done_block_count = 0; template <int32_t block_thread_num> __global__ void SinglePassMergedKernel(const float* input, float* part_sum, float* output, size_t n) { int32_t gtid = blockIdx.x * blockDim.x + threadIdx.x; // global thread index int32_t total_thread_num = gridDim.x * blockDim.x; // reduce // input[gtid + total_thread_num * 0] // input[gtid + total_thread_num * 1] // input[gtid + total_thread_num * 2] // input[gtid + total_thread_num * ...] float sum = 0.0f; for (int32_t i = gtid; i < n; i += total_thread_num) { sum += input[i]; } // store sum to shared memory extern __shared__ float shm[]; shm[threadIdx.x] = sum; __syncthreads(); // reduce shared memory to part_sum ReduceSharedMemory<block_thread_num>(shm, part_sum + blockIdx.x); // make sure when a block get is_last_block is true, // all the other part_sums is ready __threadfence(); // check if this block is the last __shared__ bool is_last_block; if (threadIdx.x == 0) { is_last_block = atomicAdd(&done_block_count, 1) == gridDim.x - 1; } __syncthreads(); // reduce part_sum to output if (is_last_block) { sum = 0.0f; for (int32_t i = threadIdx.x; i < gridDim.x; i += blockDim.x) { sum += part_sum[i]; } shm[threadIdx.x] = sum; __syncthreads(); ReduceSharedMemory<block_thread_num>(shm, output); done_block_count = 0; } } void ReduceBySinglePass(const float* input, float* part, float* output, size_t n) { const int32_t thread_num_per_block = 1024; const int32_t block_num = 1024; size_t shm_size = thread_num_per_block * sizeof(float); SinglePassMergedKernel<thread_num_per_block> <<<block_num, thread_num_per_block, shm_size>>>(input, part, output, n); }

这个版本的时间为39us，相比Two-Pass的时间略有增加。这些时间的对比结论并不是一定的，需要取决于数据的规模，以及gridDim和blockDim的选择，另外和GPU本身的型号也有关系，甚至和CPU的繁忙程度也有关系，所以数据对比作为参考即可。

另一个方法就是直接做Atomic：

__global__ void SinglePassAtomicKernel(const float* input, float* output, size_t n) { int32_t gtid = blockIdx.x * blockDim.x + threadIdx.x; // global thread index int32_t total_thread_num = gridDim.x * blockDim.x; // reduce // input[gtid + total_thread_num * 0] // input[gtid + total_thread_num * 1] // input[gtid + total_thread_num * 2] // input[gtid + total_thread_num * ...] float sum = 0.0f; for (int32_t i = gtid; i < n; i += total_thread_num) { sum += input[i]; } atomicAdd(output, sum); }

这个方法的耗时是2553us，作为参考即可。

对于一个warp内的reduce，我们还可以使用warp级别的指令直接做这件事情，比如WarpReduce，由于这个指令不支持float，所以我们退而求其次，使用WarpShuffle也可以做到类似的事情，代码如下：

template <int32_t block_thread_num> __device__ void ReduceSharedMemoryByShuffle(float* shm, float* result) { if (block_thread_num >= 1024) { if (threadIdx.x < 512) { shm[threadIdx.x] += shm[threadIdx.x + 512]; } __syncthreads(); } if (block_thread_num >= 512) { if (threadIdx.x < 256) { shm[threadIdx.x] += shm[threadIdx.x + 256]; } __syncthreads(); } if (block_thread_num >= 256) { if (threadIdx.x < 128) { shm[threadIdx.x] += shm[threadIdx.x + 128]; } __syncthreads(); } if (block_thread_num >= 128) { if (threadIdx.x < 64) { shm[threadIdx.x] += shm[threadIdx.x + 64]; } __syncthreads(); } // the final warp if (threadIdx.x < 32) { volatile float* vshm = shm; if (blockDim.x >= 64) { vshm[threadIdx.x] += vshm[threadIdx.x + 32]; } float val = vshm[threadIdx.x]; val += __shfl_xor_sync(0xffffffff, val, 16); val += __shfl_xor_sync(0xffffffff, val, 8); val += __shfl_xor_sync(0xffffffff, val, 4); val += __shfl_xor_sync(0xffffffff, val, 2); val += __shfl_xor_sync(0xffffffff, val, 1); if (threadIdx.x == 0) { *result = val; } } }

使用这个指令的好处就是不需要shared memory，不过我们这个例子里体现不出优势来，耗时没有什么变化。

最后我们的最优耗时是38us，在本人机器下测试了cub的结果是49us，当然这也仅作为一个参考，具体的影响因素和具体的测试数据规模也有关，和GPU型号等也有关。不过通过这个例子，还是把很多知识点串起来了。

本文如有问题，欢迎指正，欢迎多交流（线上线下均可），共同学习共同进步，下一篇文章见。

本文获得授权后发布，原文链接：https://zhuanlan.zhihu.com/p/416959273

题图源自Pixabay

其他人都在看

• OneFlow v0.5.0正式上线

• OneFlow中的错误处理：Maybe

• 最理想的点到点通信库究竟是怎样的

• 玩转大模型，是时候展示你真正的技术了

• 如何实现一个高效的Softmax CUDA kernel

• 计算机架构史上的一次伟大失败，多数人都不知道

点击“阅读原文”，欢迎下载体验OneFlow新一代开源深度学习框架