So kopieren Sie mithilfe von Thrust- und CUDA-Streams Speicher asynchron vom Host auf das Gerät

Ich möchte Speicher vom Host auf das Gerät kopieren, indem ich Schub wie in verwende

thrust::host_vector<float> h_vec(1 << 28);
thrust::device_vector<float> d_vec(1 << 28);
thrust::copy(h_vec.begin(), h_vec.end(), d_vec.begin());

Verwenden Sie CUDA-Streams analog dazu, wie Sie Speicher mithilfe von Streams vom Gerät auf das Gerät kopieren würden:

cudaStream_t s;
cudaStreamCreate(&s);

thrust::device_vector<float> d_vec1(1 << 28), d_vec2(1 << 28);
thrust::copy(thrust::cuda::par.on(s), d_vec1.begin(), d_vec1.end(), d_vec2.begin());

cudaStreamSynchronize(s);
cudaStreamDestroy(s);

Das Problem ist, dass ich die Ausführungsrichtlinie nicht auf CUDA setzen kann, um den Stream beim Kopieren vom Host auf das Gerät anzugeben, da Thrust in diesem Fall davon ausgehen würde, dass beide Vektoren auf dem Gerät gespeichert sind. Gibt es eine Möglichkeit, dieses Problem zu umgehen? Ich verwende die neueste Schubversion von github (in der Datei version.h steht 1.8).

Wie in den Kommentaren angegeben, glaube ich nicht, dass dies direkt mit möglich sein wird thrust::copy. Allerdings können wir verwenden cudaMemcpyAsync in einer Schubanwendung, um das Ziel von asynchronen Kopien und Überlappung von Kopie mit Berechnung zu erreichen.

Hier ist ein ausgearbeitetes Beispiel:

#include <thrust/host_vector.h>
#include <thrust/device_vector.h>
#include <thrust/system/cuda/experimental/pinned_allocator.h>
#include <thrust/system/cuda/execution_policy.h>
#include <thrust/fill.h>
#include <thrust/sequence.h>
#include <thrust/for_each.h>
#include <iostream>

// DSIZE determines duration of H2D and D2H transfers
#define DSIZE (1048576*8)
// SSIZE,LSIZE determine duration of kernel launched by thrust
#define SSIZE (1024*512)
#define LSIZE 1
// KSIZE determines size of thrust kernels (number of threads per block)
#define KSIZE 64
#define TV1 1
#define TV2 2

typedef int mytype;
typedef thrust::host_vector<mytype, thrust::cuda::experimental::pinned_allocator<mytype> > pinnedVector;

struct sum_functor
{
  mytype *dptr;
  sum_functor(mytype* _dptr) : dptr(_dptr) {};
  __host__ __device__ void operator()(mytype &data) const
    {
      mytype result = data;
      for (int j = 0; j < LSIZE; j++)
        for (int i = 0; i < SSIZE; i++)
          result += dptr[i];
      data = result;
    }
};

int main(){

  pinnedVector hi1(DSIZE);
  pinnedVector hi2(DSIZE);
  pinnedVector ho1(DSIZE);
  pinnedVector ho2(DSIZE);
  thrust::device_vector<mytype> di1(DSIZE);
  thrust::device_vector<mytype> di2(DSIZE);
  thrust::device_vector<mytype> do1(DSIZE);
  thrust::device_vector<mytype> do2(DSIZE);
  thrust::device_vector<mytype> dc1(KSIZE);
  thrust::device_vector<mytype> dc2(KSIZE);

  thrust::fill(hi1.begin(), hi1.end(),  TV1);
  thrust::fill(hi2.begin(), hi2.end(),  TV2);
  thrust::sequence(do1.begin(), do1.end());
  thrust::sequence(do2.begin(), do2.end());

  cudaStream_t s1, s2;
  cudaStreamCreate(&s1); cudaStreamCreate(&s2);

  cudaMemcpyAsync(thrust::raw_pointer_cast(di1.data()), thrust::raw_pointer_cast(hi1.data()), di1.size()*sizeof(mytype), cudaMemcpyHostToDevice, s1);
  cudaMemcpyAsync(thrust::raw_pointer_cast(di2.data()), thrust::raw_pointer_cast(hi2.data()), di2.size()*sizeof(mytype), cudaMemcpyHostToDevice, s2);

  thrust::for_each(thrust::cuda::par.on(s1), do1.begin(), do1.begin()+KSIZE, sum_functor(thrust::raw_pointer_cast(di1.data())));
  thrust::for_each(thrust::cuda::par.on(s2), do2.begin(), do2.begin()+KSIZE, sum_functor(thrust::raw_pointer_cast(di2.data())));

  cudaMemcpyAsync(thrust::raw_pointer_cast(ho1.data()), thrust::raw_pointer_cast(do1.data()), do1.size()*sizeof(mytype), cudaMemcpyDeviceToHost, s1);
  cudaMemcpyAsync(thrust::raw_pointer_cast(ho2.data()), thrust::raw_pointer_cast(do2.data()), do2.size()*sizeof(mytype), cudaMemcpyDeviceToHost, s2);

  cudaDeviceSynchronize();
  for (int i=0; i < KSIZE; i++){
    if (ho1[i] != ((LSIZE*SSIZE*TV1) + i)) { std::cout << "mismatch on stream 1 at " << i << " was: " << ho1[i] << " should be: " << ((DSIZE*TV1)+i) << std::endl; return 1;}
    if (ho2[i] != ((LSIZE*SSIZE*TV2) + i)) { std::cout << "mismatch on stream 2 at " << i << " was: " << ho2[i] << " should be: " << ((DSIZE*TV2)+i) << std::endl; return 1;}
    }
  std::cout << "Success!" << std::endl;
  return 0;
}

Für meinen Testfall habe ich RHEL5.5, Quadro5000 und cuda 6.5RC verwendet. Dieses Beispiel ist so konzipiert, dass Thrust sehr kleine Kernel erstellt (nur ein einzelner Threadblock, solange KSIZE klein ist, sagen wir 32 oder 64), so dass die Kerne, die der Schub erzeugt, aus thrust::for_each parallel laufen können.

Wenn ich diesen Code profiliere, sehe ich:

Dies weist darauf hin, dass wir sowohl zwischen Schubkernen als auch zwischen Kopieroperationen und Schubkernen sowie einem asynchronen Datenkopieren bei der Vollendung der Kernel eine ordnungsgemäße Überlappung erreichen. Notiere dass der cudaDeviceSynchronize() Die Operation “füllt” die Zeitachse und zeigt an, dass alle asynchronen Operationen (Datenkopieren, Schubfunktionen) asynchron ausgegeben wurden und die Steuerung an den Host-Thread zurückgegeben wurde, bevor eine der Operationen im Gange war. All dies wird erwartet, richtiges Verhalten für vollständige Parallelität zwischen Host-, GPU- und Datenkopiervorgängen.

Hier ist ein funktionierendes Beispiel mit thrust::cuda::experimental::pinned_allocator<T>:

// Compile with:
// nvcc --std=c++11 mem_async.cu -o mem_async

#include <cuda.h>
#include <cuda_runtime.h>
#include <cufft.h>

#include <thrust/device_vector.h>
#include <thrust/host_vector.h>
#include <thrust/fill.h>
#include <thrust/system/cuda/experimental/pinned_allocator.h>

#define LEN 1024

int main(int argc, char *argv[]) {
    thrust::host_vector<float, thrust::cuda::experimental::pinned_allocator<float>> h_vec(LEN);
    thrust::device_vector<float> d_vec(LEN);

    thrust::fill(d_vec.begin(), d_vec.end(), -1.0);

    cudaMemcpyAsync(thrust::raw_pointer_cast(h_vec.data()),
                    thrust::raw_pointer_cast(d_vec.data()),
                    d_vec.size()*sizeof(float),
                    cudaMemcpyDeviceToHost);

    // Comment out this line to see what happens.
    cudaDeviceSynchronize();

    std::cout << h_vec[0] << std::endl;
}

Kommentieren Sie den Synchronisierungsschritt aus und Sie sollten erhalten 0 aufgrund der asynchronen Speicherübertragung an die Konsole gedruckt.