728x90

 0. [cuda] - reduction max


누가 볼지 모르겠지만, 다양한 방법의 reduction 수행을 통해 연산을 최대한 가속하는 것에 목표를 두었다.




 1. 풀이


1. 가장 기본적으로 nvidia에서 제공하는 atomicMax 활용

모든 threads 에서 병렬적으로 atomicMax를 수행한다.

atomicMax에서는 값이 대입되기 전까지 변수에 접근을 막아 sync를 맞추는 작업이 수행된다.

즉, 결과 자체는 동일하지만 수행시간이 느린 것을 알 수 있었다.


--------------------------

2. shared memory와 atomicMax 동시 활용

block으로 구분되어 병렬적으로 연산이 수행되는데, 각각의 block이 갖는 최대값을 활용해 선별적으로 atomicMax를 수행하였다.

이러한 결과 데이터 병목현상을 막을 수 있었다.


3. 추가적으로 gpu 내부 int 사용시 수행시간의 차이 발생 확인

엄청난 차이가 발생하지는 않았지만, blockIdx, threadIdx를 수행하는 횟수가 1번인 경우에 대해 int에 대입하지 않고 바로 활용하는 것이 미세한 이득이 있는 것을 확인하였다.


4. threads당 workload 증가

이러한 경우 테스트 하려다 pass


---------------------------

5. binary max

기본적인 binary 연산을 통해 block이 수행하는 연산량이 매 수행마다 절반으로 감소한다.


6. unroll

for문을 해체하여 수행시간 감소


7. shared memory에 올리며 바로 비교

thread를 절반으로 줄이는 것이 가능해진다.



정리하자. 실험적으로 binary를 활용하는 경우 수행시간 가속이 이상적으로 이루어지지 않았다.

현재 테스트를 진행한 GPU는 

Turing의 RTX2070을 활용하였는데, atomicMax를 바로 수행하는 것이 연산속도가 짧게 나오는 것을 볼 수 있었다.


하지만, 이와 같은 실험을 linux 환경의 GTX TITAN X에서 수행한 결과 N = 1024 근처인 경우 local < binary < global의 결과를 얻을 수 있었다.


이와 관련한 자세한 것들은 계속 공부해가며 이해하자.



 2. 소스코드


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
#include "cuda_runtime.h"
#include "device_launch_parameters.h"
#include<iostream>
#include<algorithm>
#include<stdio.h>
#include<Windows.h>
 
#include<iostream>
 
#define THREADS 64
 
using namespace std;
 
__global__ void getMax_global(unsigned int * d_data, unsigned int *d_max, int n);
__global__ void getMax_local(unsigned int * d_data, unsigned int *d_max, int n);
__global__ void getMax_local2(unsigned int * d_data, unsigned int *d_max, int n);
__global__ void getMax_binary(unsigned int * d_data, unsigned int *d_max, int n, const int k);
__global__ void getMax_binary2(unsigned int * d_data, unsigned int *d_max, int n, const int k);
__device__ void warpReduce(volatile unsigned int * s_data, int tid);
 
 
__global__ void getMax_global(unsigned int * d_data, unsigned int *d_max, int n) {
    int gid = (blockIdx.x*blockDim.x + threadIdx.x);
    atomicMax(d_max, d_data[gid]);
}
 
 
//tid, gid를 사용하는 경우
__global__ void getMax_local(unsigned int * d_data, unsigned int *d_max, int n) {
    __shared__ unsigned int s_max;
    int tid = threadIdx.x;
    int gid = blockIdx.x * blockDim.x + threadIdx.x;
    //Shared variable init
    if (tid == 0) {
        s_max = 0;
    }
 
    atomicMax(&s_max, d_data[gid]);
    __syncthreads();
 
    if (tid == 0) {
        atomicMax(d_max, s_max);
    }
}
 
//tid, gid를 사용하지 않는 경우
__global__ void getMax_local2(unsigned int * d_data, unsigned int *d_max, int n) {
    __shared__ unsigned int s_max;
    //Shared variable init
    if (threadIdx.x == 0) {
        s_max = 0;
    }
 
    atomicMax(&s_max, d_data[blockIdx.x * blockDim.x + threadIdx.x]);
    __syncthreads();
 
    if (threadIdx.x == 0) {
        atomicMax(d_max, s_max);
    }
}
 
//tid만 사용하는 경우
__global__ void getMax_local3(unsigned int * d_data, unsigned int *d_max, int n) {
    __shared__ unsigned int s_max;
 
    int tid = threadIdx.x;
    //Shared variable init
    if (tid == 0) {
        s_max = 0;
    }
 
    atomicMax(&s_max, d_data[blockIdx.x * blockDim.x + tid]);
    __syncthreads();
 
    if (tid == 0) {
        atomicMax(d_max, s_max);
    }
}
 
//tid 일부 사용하는 경우
__global__ void getMax_local4(unsigned int * d_data, unsigned int *d_max, int n) {
    __shared__ unsigned int s_max;
 
    int tid = threadIdx.x;
    //Shared variable init
    if (tid == 0) {
        s_max = 0;
    }
 
    atomicMax(&s_max, d_data[blockIdx.x * blockDim.x + threadIdx.x]);
    __syncthreads();
 
    if (tid == 0) {
        atomicMax(d_max, s_max);
    }
}
 
 
 
//more workload
__global__ void getMax_local5(unsigned int * d_data, unsigned int *d_max, int n) {
    __shared__ unsigned int s_max;
 
    int tid = threadIdx.x;
    //Shared variable init
    if (tid == 0) {
        s_max = 0;
    }
 
    atomicMax(&s_max, d_data[blockIdx.x * blockDim.x + threadIdx.x]);
    __syncthreads();
 
    if (tid == 0) {
        atomicMax(d_max, s_max);
    }
}
 
 
 
 
__global__ void getMax_binary(unsigned int *d_data, unsigned int *d_max, int n, const int k) {
    extern __shared__ unsigned int s_data[];
 
    int tid = threadIdx.x;
 
    s_data[tid] = d_data[blockIdx.x * blockDim.x + threadIdx.x];
    __syncthreads();
    for (int s = ((THREADS*k) >> 1); s >= 1; (s >>= 1)) {
        if (tid < s) {
 
            if (s_data[tid] < s_data[tid + s]) {
                s_data[tid] = s_data[tid + s];
            }
        }
        __syncthreads();
    }
 
    if (tid == 0) {
        atomicMax(d_max, s_data[0]);
    }
}
 
 
__device__ void warpReduce(volatile unsigned int * s_data, int tid) {
    if (s_data[tid] < s_data[tid + 32]) s_data[tid] = s_data[tid + 32];
    if (s_data[tid] < s_data[tid + 16]) s_data[tid] = s_data[tid + 16];
    if (s_data[tid] < s_data[tid + 8]) s_data[tid] = s_data[tid + 8];
    if (s_data[tid] < s_data[tid + 4]) s_data[tid] = s_data[tid + 4];
    if (s_data[tid] < s_data[tid + 2]) s_data[tid] = s_data[tid + 2];
    if (s_data[tid] < s_data[tid + 1]) s_data[tid] = s_data[tid + 1];
}
 
//using unroll
__global__ void getMax_binary2(unsigned int * d_data, unsigned int *d_max, int n, const int k) {
    extern __shared__ unsigned int s_data[];
    int tid = threadIdx.x;
 
 
    s_data[tid] = d_data[blockIdx.x * blockDim.x + threadIdx.x];
    __syncthreads();
    for (int s = ((THREADS*k) >> 1); s > 32; (s >>= 1)) {
        if (tid < s) {
            if (s_data[tid] < s_data[tid + s]) s_data[tid] = s_data[tid + s];
        }
        __syncthreads();
    }
 
    if (tid < 32) warpReduce(s_data, tid);
 
    if (tid == 0) {
        atomicMax(d_max, s_data[0]);
    }
}
 
 
 
__device__ void warpReduce2(volatile unsigned int * s_data, int tid) {
    if (s_data[tid] < s_data[tid + 32]) s_data[tid] = s_data[tid + 32];
    if (s_data[tid] < s_data[tid + 16]) s_data[tid] = s_data[tid + 16];
    if (s_data[tid] < s_data[tid + 8]) s_data[tid] = s_data[tid + 8];
    if (s_data[tid] < s_data[tid + 4]) s_data[tid] = s_data[tid + 4];
    if (s_data[tid] < s_data[tid + 2]) s_data[tid] = s_data[tid + 2];
    if (s_data[tid] < s_data[tid + 1]) s_data[tid] = s_data[tid + 1];
}
 
//using more unroll
template <unsigned int blockSize>
__global__ void getMax_binary3(unsigned int * d_data, unsigned int *d_max, int n, const int k) {
    extern __shared__ unsigned int s_data[];
    int tid = threadIdx.x;
 
    s_data[tid] = d_data[blockIdx.x * blockDim.x + tid];
    __syncthreads();
 
    if (blockSize*>= 1024) {
        if (tid < 512)
            if (s_data[tid] < s_data[tid + 512])
                s_data[tid] = s_data[tid + 512];
        __syncthreads();
    }
    if (blockSize*>= 512) {
        if (tid < 256)
            if (s_data[tid] < s_data[tid + 256])
                s_data[tid] = s_data[tid + 256];
        __syncthreads();
    }
    if (blockSize*>= 256) {
        if (tid < 128)
            if (s_data[tid] < s_data[tid + 128])
                s_data[tid] = s_data[tid + 128];
        __syncthreads();
    }
    if (blockSize*>= 128) {
        if (tid < 64)
            if (s_data[tid] < s_data[tid + 64])
                s_data[tid] = s_data[tid + 64];
        __syncthreads();
    }
 
    if (tid f32) warpReduce2(s_data, tid);
 
    if (tid == 0) {
        atomicMax(d_max, s_data[0]);
    }
}
 
//using First Add During Load
template <unsigned int blockSize>
__global__ void getMax_binary4(unsigned int * d_data, unsigned int *d_max, int n, const int k) {
    extern __shared__ unsigned int s_data[];
    int tid = threadIdx.x;
    int gid = blockIdx.x * blockDim.x * 2 + tid;
    //printf("blockDim : %d\n", blockDim.x);
        
    s_data[tid] = (d_data[gid] > d_data[gid + blockDim.x]) ? d_data[gid] : d_data[gid + blockDim.x];
    __syncthreads();
 
    if (blockSize*>= 1024) {
        if (tid < 512)
            if (s_data[tid] < s_data[tid + 512])
                s_data[tid] = s_data[tid + 512];
        __syncthreads();
    }
    if (blockSize*>= 512) {
        if (tid < 256)
            if (s_data[tid] < s_data[tid + 256])
                s_data[tid] = s_data[tid + 256];
        __syncthreads();
    }
    if (blockSize*>= 256) {
        if (tid < 128)
            if (s_data[tid] < s_data[tid + 128])
                s_data[tid] = s_data[tid + 128];
        __syncthreads();
    }
    if (blockSize*>= 128) {
        if (tid < 64)
            if (s_data[tid] < s_data[tid + 64])
                s_data[tid] = s_data[tid + 64];
        __syncthreads();
    }
 
    if (tid < 32) warpReduce2(s_data, tid);
 
    if (tid == 0) {
        atomicMax(d_max, s_data[0]);
    }
}
 
 
//고냥 처음 넣을 때, shared memory에 바로 올리지 말고
//비교한 이후 shared memory에 넣어주자.
//이를 위해서 blocksize를 절반을 택하거나
//threads의 크기를 절반을 택하는 두가지 경우를 모두 테스트해보자.
template <unsigned int blockSize>
__global__ void getMax_binary5(unsigned int * d_data, unsigned int *d_max, int n, const int k) {
    extern __shared__ unsigned int s_data[];
    int tid = threadIdx.x;
    int gid = blockIdx.x * blockDim.x + tid;
    
    s_data[tid] = (d_data[gid] > d_data[gid + n]) ? d_data[gid] : d_data[gid + n];
    __syncthreads();
 
    if (blockSize*>= 1024) {
        if (tid < 512)
            if (s_data[tid] < s_data[tid + 512])
                s_data[tid] = s_data[tid + 512];
        __syncthreads();
    }
    if (blockSize*>= 512) {
        if (tid < 256)
            if (s_data[tid] < s_data[tid + 256])
                s_data[tid] = s_data[tid + 256];
        __syncthreads();
    }
    if (blockSize*>= 256) {
        if (tid < 128)
            if (s_data[tid] < s_data[tid + 128])
                s_data[tid] = s_data[tid + 128];
        __syncthreads();
    }
    if (blockSize*>= 128) {
        if (tid < 64)
            if (s_data[tid] < s_data[tid + 64])
                s_data[tid] = s_data[tid + 64];
        __syncthreads();
    }
 
    if (tid < 32) warpReduce2(s_data, tid);
 
    if (tid == 0) {
        atomicMax(d_max, s_data[0]);
    }
}
 
 
//이건 위랑 동일한데 함수명만 다르게
//threads 수가 절반!
template <unsigned int blockSize>
__global__ void getMax_binary6(unsigned int * d_data, unsigned int *d_max, int n, const int k) {
    extern __shared__ unsigned int s_data[];
    int tid = threadIdx.x;
    int gid = blockIdx.x * blockDim.x + tid;
 
    s_data[tid] = (d_data[gid] > d_data[gid + n]) ? d_data[gid] : d_data[gid + n];
    __syncthreads();
 
    if (blockSize*>= 1024) {
        if (tid < 512)
            if (s_data[tid] < s_data[tid + 512])
                s_data[tid] = s_data[tid + 512];
        __syncthreads();
    }
    if (blockSize*>= 512) {
        if (tid < 256)
            if (s_data[tid] < s_data[tid + 256])
                s_data[tid] = s_data[tid + 256];
        __syncthreads();
    }
    if (blockSize*>= 256) {
        if (tid < 128)
            if (s_data[tid] < s_data[tid + 128])
                s_data[tid] = s_data[tid + 128];
        __syncthreads();
    }
    if (blockSize*>= 128) {
        if (tid < 64)
            if (s_data[tid] < s_data[tid + 64])
                s_data[tid] = s_data[tid + 64];
        __syncthreads();
    }
 
    if (tid < 32) warpReduce2(s_data, tid);
 
    if (tid == 0) {
        atomicMax(d_max, s_data[0]);
    }
}
 
//use if, else if
template <unsigned int blockSize>
__global__ void getMax_binary7(unsigned int * d_data, unsigned int *d_max, int n, const int k) {
    extern __shared__ unsigned int s_data[];
    int tid = threadIdx.x;
    int gid = blockIdx.x * blockDim.x + tid;
 
    s_data[tid] = (d_data[gid] > d_data[gid + n]) ? d_data[gid] : d_data[gid + n];
    __syncthreads();
 
    if (blockSize*>= 1024) {
        if (tid < 512)
            if (s_data[tid] < s_data[tid + 512])
                s_data[tid] = s_data[tid + 512];
        __syncthreads();
        if (tid < 256)
            if (s_data[tid] < s_data[tid + 256])
                s_data[tid] = s_data[tid + 256];
        __syncthreads();
        if (tid < 128)
            if (s_data[tid] < s_data[tid + 128])
                s_data[tid] = s_data[tid + 128];
        __syncthreads();
        if (tid < 64)
            if (s_data[tid] < s_data[tid + 64])
                s_data[tid] = s_data[tid + 64];
        __syncthreads();
    }
    else if (blockSize*>= 512) {
        if (tid < 256)
            if (s_data[tid] < s_data[tid + 256])
                s_data[tid] = s_data[tid + 256];
        __syncthreads();
        if (tid < 128)
            if (s_data[tid] < s_data[tid + 128])
                s_data[tid] = s_data[tid + 128];
        __syncthreads();
        if (tid < 64)
            if (s_data[tid] < s_data[tid + 64])
                s_data[tid] = s_data[tid + 64];
        __syncthreads();
    }
    else if (blockSize*>= 256) {
        if (tid < 128)
            if (s_data[tid] < s_data[tid + 128])
                s_data[tid] = s_data[tid + 128];
        __syncthreads();
        if (tid < 64)
            if (s_data[tid] < s_data[tid + 64])
                s_data[tid] = s_data[tid + 64];
        __syncthreads();
    }
    else if (blockSize*>= 128) {
        if (tid < 64)
            if (s_data[tid] < s_data[tid + 64])
                s_data[tid] = s_data[tid + 64];
        __syncthreads();
    }
 
    if (tid < 32) warpReduce2(s_data, tid);
 
    if (tid == 0) {
        atomicMax(d_max, s_data[0]);
    }
}
 
//not use id
template <unsigned int blockSize>
__global__ void getMax_binary8(unsigned int * d_data, unsigned int *d_max, int n, const int k) {
    extern __shared__ unsigned int s_data[];
 
    s_data[threadIdx.x] = (d_data[blockIdx.x * blockDim.x + threadIdx.x] > d_data[blockIdx.x * blockDim.x + threadIdx.x + n]) ? d_data[blockIdx.x * blockDim.x + threadIdx.x] : d_data[blockIdx.x * blockDim.x + threadIdx.x + n];
    __syncthreads();
 
    if (blockSize*>= 1024) {
        if (threadIdx.x < 512)
            if (s_data[threadIdx.x] < s_data[threadIdx.x + 512])
                s_data[threadIdx.x] = s_data[threadIdx.x + 512];
        __syncthreads();
        if (threadIdx.x < 256)
            if (s_data[threadIdx.x] < s_data[threadIdx.x + 256])
                s_data[threadIdx.x] = s_data[threadIdx.x + 256];
        __syncthreads();
        if (threadIdx.x < 128)
            if (s_data[threadIdx.x] < s_data[threadIdx.x + 128])
                s_data[threadIdx.x] = s_data[threadIdx.x + 128];
        __syncthreads();
        if (threadIdx.x < 64)
            if (s_data[threadIdx.x] < s_data[threadIdx.x + 64])
                s_data[threadIdx.x] = s_data[threadIdx.x + 64];
        __syncthreads();
    }
    else if (blockSize*>= 512) {
        if (threadIdx.x < 256)
            if (s_data[threadIdx.x] < s_data[threadIdx.x + 256])
                s_data[threadIdx.x] = s_data[threadIdx.x + 256];
        __syncthreads();
        if (threadIdx.x < 128)
            if (s_data[threadIdx.x] < s_data[threadIdx.x + 128])
                s_data[threadIdx.x] = s_data[threadIdx.x + 128];
        __syncthreads();
        if (threadIdx.x < 64)
            if (s_data[threadIdx.x] < s_data[threadIdx.x + 64])
                s_data[threadIdx.x] = s_data[threadIdx.x + 64];
        __syncthreads();
    }
    else if (blockSize*>= 256) {
        if (threadIdx.x < 128)
            if (s_data[threadIdx.x] < s_data[threadIdx.x + 128])
                s_data[threadIdx.x] = s_data[threadIdx.x + 128];
        __syncthreads();
        if (threadIdx.x < 64)
            if (s_data[threadIdx.x] < s_data[threadIdx.x + 64])
                s_data[threadIdx.x] = s_data[threadIdx.x + 64];
        __syncthreads();
    }
    else if (blockSize*>= 128) {
        if (threadIdx.x < 64)
            if (s_data[threadIdx.x] < s_data[threadIdx.x + 64])
                s_data[threadIdx.x] = s_data[threadIdx.x + 64];
        __syncthreads();
    }
 
    if (threadIdx.x < 32) warpReduce2(s_data, threadIdx.x);
 
    if (threadIdx.x == 0) {
        atomicMax(d_max, s_data[0]);
    }
}
 
 
 
int main(int argc, char* argv[]) {
    /*if (argc < 2) {
        puts("usage: matmul [N]");
        return 0;
    }*/
 
    //int N = atoi(argv[1]);
    int N = 1024;
    for (int m = 0; m < 3; m++) {
        printf("N: %d\n", N);
        //total size
        size_t sz = sizeof(int*N;
 
        unsigned int * data = (unsigned int*)malloc(sz);
        for (int i = 0; i < N; i++) {
            data[i] = (unsigned int)(i + 1);
        }
        //Struct for time measure
        /*struct timeval start, end, timer;
        srand(time(NULL));*/
        LARGE_INTEGER freq, start, end;
 
        // H2D memcpy
        unsigned int *d_data;
        cudaMalloc((void **)&d_data, sz);
        unsigned int *d_max;
        cudaMalloc((void **)&d_max, sizeof(unsigned int));
 
        //Declare max variable
        unsigned int max;
 
        /******************************
           CPU
        *******************************/
        QueryPerformanceFrequency(&freq);
        QueryPerformanceCounter(&start);
        //init max
        max = 0;
        for (int i = 0; i < N; i++) {
            if (max < data[i]) {
                max = data[i];
            }
        }
        //Timemeasure end
        QueryPerformanceCounter(&end);
        double diff = (end.QuadPart - start.QuadPart) / (freq.QuadPart / 1000000.0);
        printf("CPU, elapsend time: %lf\n", diff);
        printf("CPU, max value : %d\n", max);
 
        int threads, grid;
        int a = 2;
        for (int k = 0; k < 4; k++) {
            threads = THREADS * a; //variable threads means number of threads per block        
            grid = (N%threads) ? N / threads + 1 : N / threads; // variable grid means number of total blocks
 
            cout << threads << " " << grid << endl;
            /******************************
           Global max
        *******************************/
            for (int i = 0; i < 10; i++) {
 
                max = 0;
                cudaMemcpy(d_data, data, sz, cudaMemcpyHostToDevice);
                cudaMemcpy(d_max, data, sizeof(unsigned int), cudaMemcpyHostToDevice);
                //Time measure start
                QueryPerformanceFrequency(&freq);
                QueryPerformanceCounter(&start);
                getMax_global << <grid, threads >> > (d_data, d_max, N);
                //Wait until thread function(gpu) is over
                cudaThreadSynchronize();
                cudaMemcpy(&max, d_max, sizeof(unsigned int), cudaMemcpyDeviceToHost);
 
                //Time measure end
                QueryPerformanceCounter(&end);
                diff = (end.QuadPart - start.QuadPart) / (freq.QuadPart / 1000000.0);
                printf("Global max, elapsend time: %lf\n", diff);
                printf("Global max, max value : %d\n", max);
 
            }
 
 
            /******************************
               Local max
            *******************************/
 
            //using gid, tid
            for (int i = 0; i < 10; i++) {
                max = 0;
                cudaMemcpy(d_data, data, sz, cudaMemcpyHostToDevice);
                cudaMemcpy(d_max, data, sizeof(unsigned int), cudaMemcpyHostToDevice);
                //Time measure start
                QueryPerformanceFrequency(&freq);
                QueryPerformanceCounter(&start);
                getMax_local << <grid, threads >> > (d_data, d_max, N);
                //Wait until thread function(gpu) is over
                cudaThreadSynchronize();
                cudaMemcpy(&max, d_max, sizeof(unsigned int), cudaMemcpyDeviceToHost);
 
                //Time measure end
                QueryPerformanceCounter(&end);
                diff = (end.QuadPart - start.QuadPart) / (freq.QuadPart / 1000000.0);
                printf("Local max, elapsend time: %lf\n", diff);
                printf("Local max, max value : %d\n", max);
            }
 
            //not use int id
            for (int i = 0; i < 10; i++) {
                max = 0;
                cudaMemcpy(d_data, data, sz, cudaMemcpyHostToDevice);
                cudaMemcpy(d_max, data, sizeof(unsigned int), cudaMemcpyHostToDevice);
                //Time measure start
                QueryPerformanceFrequency(&freq);
                QueryPerformanceCounter(&start);
                getMax_local2 << <grid, threads >> > (d_data, d_max, N);
                //Wait until thread function(gpu) is over
                cudaThreadSynchronize();
                cudaMemcpy(&max, d_max, sizeof(unsigned int), cudaMemcpyDeviceToHost);
 
                //Time measure end
                QueryPerformanceCounter(&end);
                diff = (end.QuadPart - start.QuadPart) / (freq.QuadPart / 1000000.0);
                printf("Local2 max, elapsend time: %lf\n", diff);
                printf("Local2 max, max value : %d\n", max);
            }
 
            //using tid
            for (int i = 0; i < 10; i++) {
                max = 0;
                cudaMemcpy(d_data, data, sz, cudaMemcpyHostToDevice);
                cudaMemcpy(d_max, data, sizeof(unsigned int), cudaMemcpyHostToDevice);
                //Time measure start
                QueryPerformanceFrequency(&freq);
                QueryPerformanceCounter(&start);
                getMax_local3 << <grid, threads >> > (d_data, d_max, N);
                //Wait until thread function(gpu) is over
                cudaThreadSynchronize();
                cudaMemcpy(&max, d_max, sizeof(unsigned int), cudaMemcpyDeviceToHost);
 
                //Time measure end
                QueryPerformanceCounter(&end);
                diff = (end.QuadPart - start.QuadPart) / (freq.QuadPart / 1000000.0);
                printf("Local3 max, elapsend time: %lf\n", diff);
                printf("Local3 max, max value : %d\n", max);
            }
 
            //using part of tid
            for (int i = 0; i < 10; i++) {
                max = 0;
                cudaMemcpy(d_data, data, sz, cudaMemcpyHostToDevice);
                cudaMemcpy(d_max, data, sizeof(unsigned int), cudaMemcpyHostToDevice);
                //Time measure start
                QueryPerformanceFrequency(&freq);
                QueryPerformanceCounter(&start);
                getMax_local4 << <grid, threads >> > (d_data, d_max, N);
                //Wait until thread function(gpu) is over
                cudaThreadSynchronize();
                cudaMemcpy(&max, d_max, sizeof(unsigned int), cudaMemcpyDeviceToHost);
 
                //Time measure end
                QueryPerformanceCounter(&end);
                diff = (end.QuadPart - start.QuadPart) / (freq.QuadPart / 1000000.0);
                printf("Local4 max, elapsend time: %lf\n", diff);
                printf("Local4 max, max value : %d\n", max);
            }
 
 
 
 
 
            /******************************
               Binary max
            *******************************/
            for (int i = 0; i < 10; i++) {
                if (N%THREADS != 0) {
                    puts("N must be times of THREADS when using binary reduction");
                    return 0;
                }
                max = 0;
                cudaMemcpy(d_data, data, sz, cudaMemcpyHostToDevice);
                cudaMemcpy(d_max, data, sizeof(unsigned int), cudaMemcpyHostToDevice);
                //Time measure start
                QueryPerformanceFrequency(&freq);
                QueryPerformanceCounter(&start);
                getMax_binary << <grid, threads, THREADS** sizeof(unsigned int>> > (d_data, d_max, N, a);
                //Wait until thread function(gpu) is over
                cudaThreadSynchronize();
                cudaMemcpy(&max, d_max, sizeof(unsigned int), cudaMemcpyDeviceToHost);
 
                //Time measure end
                QueryPerformanceCounter(&end);
                diff = (end.QuadPart - start.QuadPart) / (freq.QuadPart / 1000000.0);
                printf("Binary max, elapsend time: %lf\n", diff);
                printf("Binary max, max value : %d\n", max);
            }
 
            for (int i = 0; i < 10; i++) {
                if (N%THREADS != 0) {
                    puts("N must be times of THREADS when using binary reduction");
                    return 0;
                }
                max = 0;
                cudaMemcpy(d_data, data, sz, cudaMemcpyHostToDevice);
                cudaMemcpy(d_max, data, sizeof(unsigned int), cudaMemcpyHostToDevice);
                //Time measure start
                QueryPerformanceFrequency(&freq);
                QueryPerformanceCounter(&start);
                getMax_binary2 << <grid, threads, THREADS** sizeof(unsigned int>> > (d_data, d_max, N, a);
                //Wait until thread function(gpu) is over
                cudaThreadSynchronize();
                cudaMemcpy(&max, d_max, sizeof(unsigned int), cudaMemcpyDeviceToHost);
 
                //Time measure end
                QueryPerformanceCounter(&end);
                diff = (end.QuadPart - start.QuadPart) / (freq.QuadPart / 1000000.0);
                printf("Binary max2, elapsend time: %lf\n", diff);
                printf("Binary max2, max value : %d\n", max);
            }
 
            //unroll
            for (int i = 0; i < 10; i++) {
                if (N%THREADS != 0) {
                    puts("N must be times of THREADS when using binary reduction");
                    return 0;
                }
                max = 0;
                cudaMemcpy(d_data, data, sz, cudaMemcpyHostToDevice);
                cudaMemcpy(d_max, data, sizeof(unsigned int), cudaMemcpyHostToDevice);
                //Time measure start
                QueryPerformanceFrequency(&freq);
                QueryPerformanceCounter(&start);
                getMax_binary3<64> << <grid, threads, THREADS** sizeof(unsigned int>> > (d_data, d_max, N, a);
                //Wait until thread function(gpu) is over
                cudaThreadSynchronize();
                cudaMemcpy(&max, d_max, sizeof(unsigned int), cudaMemcpyDeviceToHost);
 
                //Time measure end
                QueryPerformanceCounter(&end);
                diff = (end.QuadPart - start.QuadPart) / (freq.QuadPart / 1000000.0);
                printf("Binary max3, elapsend time: %lf\n", diff);
                printf("Binary max3, max value : %d\n", max);
            }
 
            //more unroll
            for (int i = 0; i < 10; i++) {
                if (N%THREADS != 0) {
                    puts("N must be times of THREADS when using binary reduction");
                    return 0;
                }
                max = 0;
                cudaMemcpy(d_data, data, sz, cudaMemcpyHostToDevice);
                cudaMemcpy(d_max, data, sizeof(unsigned int), cudaMemcpyHostToDevice);
                //Time measure start
                QueryPerformanceFrequency(&freq);
                QueryPerformanceCounter(&start);
                getMax_binary4<64> << <grid, threads, THREADS** sizeof(unsigned int>> > (d_data, d_max, N, a);
                //Wait until thread function(gpu) is over
                cudaThreadSynchronize();
                cudaMemcpy(&max, d_max, sizeof(unsigned int), cudaMemcpyDeviceToHost);
 
                //Time measure end
                QueryPerformanceCounter(&end);
                diff = (end.QuadPart - start.QuadPart) / (freq.QuadPart / 1000000.0);
                printf("Binary max4, elapsend time: %lf\n", diff);
                printf("Binary max4, max value : %d\n", max);
            }
 
 
            //grid 수를 절반으로
            for (int i = 0; i < 10; i++) {
                if (N%THREADS != 0) {
                    puts("N must be times of THREADS when using binary reduction");
                    return 0;
                }
                max = 0;
                cudaMemcpy(d_data, data, sz, cudaMemcpyHostToDevice);
                cudaMemcpy(d_max, data, sizeof(unsigned int), cudaMemcpyHostToDevice);
                //Time measure start
                QueryPerformanceFrequency(&freq);
                QueryPerformanceCounter(&start);
                getMax_binary5<64> << <grid / 2, threads, THREADS** sizeof(unsigned int>> > (d_data, d_max, N / 2, a);
                //Wait until thread function(gpu) is over
                cudaThreadSynchronize();
                cudaMemcpy(&max, d_max, sizeof(unsigned int), cudaMemcpyDeviceToHost);
 
                //Time measure end
                QueryPerformanceCounter(&end);
                diff = (end.QuadPart - start.QuadPart) / (freq.QuadPart / 1000000.0);
                printf("Binary max5(grid/2), elapsend time: %lf\n", diff);
                printf("Binary max5(grid/2), max value : %d\n", max);
            }
 
 
            //threads 수를 절반으로
            for (int i = 0; i < 10; i++) {
                if (N%THREADS != 0) {
                    puts("N must be times of THREADS when using binary reduction");
                    return 0;
                }
                max = 0;
                cudaMemcpy(d_data, data, sz, cudaMemcpyHostToDevice);
                cudaMemcpy(d_max, data, sizeof(unsigned int), cudaMemcpyHostToDevice);
                //Time measure start
                QueryPerformanceFrequency(&freq);
                QueryPerformanceCounter(&start);
                getMax_binary6<64> << <grid, threads / 2, THREADS*/ 2 * sizeof(unsigned int>> > (d_data, d_max, N / 2, a / 2);
                //Wait until thread function(gpu) is over
                cudaThreadSynchronize();
                cudaMemcpy(&max, d_max, sizeof(unsigned int), cudaMemcpyDeviceToHost);
 
                //Time measure end
                QueryPerformanceCounter(&end);
                diff = (end.QuadPart - start.QuadPart) / (freq.QuadPart / 1000000.0);
                printf("Binary max6(threads/2), elapsend time: %lf\n", diff);
                printf("Binary max6(threads/2), max value : %d\n", max);
            }
 
 
            //use else if
            for (int i = 0; i < 10; i++) {
                if (N%THREADS != 0) {
                    puts("N must be times of THREADS when using binary reduction");
                    return 0;
                }
                max = 0;
                cudaMemcpy(d_data, data, sz, cudaMemcpyHostToDevice);
                cudaMemcpy(d_max, data, sizeof(unsigned int), cudaMemcpyHostToDevice);
                //Time measure start
                QueryPerformanceFrequency(&freq);
                QueryPerformanceCounter(&start);
                getMax_binary7<64> << <grid, threads / 2, THREADS*/ 2 * sizeof(unsigned int>> > (d_data, d_max, N / 2, a / 2);
                //Wait until thread function(gpu) is over
                cudaThreadSynchronize();
                cudaMemcpy(&max, d_max, sizeof(unsigned int), cudaMemcpyDeviceToHost);
 
                //Time measure end
                QueryPerformanceCounter(&end);
                diff = (end.QuadPart - start.QuadPart) / (freq.QuadPart / 1000000.0);
                printf("Binary max7(else if), elapsend time: %lf\n", diff);
                printf("Binary max7(else if), max value : %d\n", max);
            }
 
 
            //not use id
            for (int i = 0; i < 10; i++) {
                if (N%THREADS != 0) {
                    puts("N must be times of THREADS when using binary reduction");
                    return 0;
                }
                max = 0;
                cudaMemcpy(d_data, data, sz, cudaMemcpyHostToDevice);
                cudaMemcpy(d_max, data, sizeof(unsigned int), cudaMemcpyHostToDevice);
                //Time measure start
                QueryPerformanceFrequency(&freq);
                QueryPerformanceCounter(&start);
                getMax_binary8<64> << <grid, threads / 2, THREADS*/ 2 * sizeof(unsigned int>> > (d_data, d_max, N / 2, a / 2);
                //Wait until thread function(gpu) is over
                cudaThreadSynchronize();
                cudaMemcpy(&max, d_max, sizeof(unsigned int), cudaMemcpyDeviceToHost);
 
                //Time measure end
                QueryPerformanceCounter(&end);
                diff = (end.QuadPart - start.QuadPart) / (freq.QuadPart / 1000000.0);
                printf("Binary max8, elapsend time: %lf\n", diff);
                printf("Binary max8, max value : %d\n", max);
            }
 
            a *= 2;
        }
    }
    
    
 
    return 0;
}
 
 
 
 
 
 
 
 
cs


 3. 참고


https://developer.download.nvidia.com/assets/cuda/files/reduction.pdf?ncid=afm-chs-44270&ranMID=44270&ranEAID=a1LgFw09t88&ranSiteID=a1LgFw09t88-bKHPLM.ndfvRA2bRYR_vrA


질문이나 지적 있으시면 댓글로 남겨주세요~

도움 되셨으면 하트 꾹!


+ Recent posts