CUDA矩阵乘法，执行时间较长

Question

我刚接触CUDA，一直在试图找出问题所在。使用CUDA相对于使用CPU来计算矩阵乘法的时间更长。如果我做错了什么，请告诉我。

这是我的代码：

#include "cuda_runtime.h"
#include "device_launch_parameters.h"
#include <stdio.h>
#include <stdlib.h>
#include <cstdlib>
#include <assert.h>
#include <time.h>
#define size 100   // Matrix size
#define cols size   // Matrix width
#define rows size   // Matrix height

void checkCUDAError(const char *msg)
{
    cudaError_t err = cudaGetLastError();
    if( cudaSuccess != err) 
    {
        fprintf(stderr, "Cuda error: %s: %s.\n", msg, cudaGetErrorString( err) );
        exit(EXIT_FAILURE);
    }                         
}
__global__ void matrixMul( int *A, int *B, int *C)
{   
    int bx = blockIdx.x; // Block index
    int tx = threadIdx.x; // Thread index
    int ts = blockDim.x; // number of threads   
    // Declaration of the shared memory C element
    extern __shared__ int c_element_sum[];
    c_element_sum[tx] = A[tx+((bx/ts)*ts)] * B[(bx%ts)+(tx*ts)];

    //Block until all threads in the block have written their data to shared mem
    __syncthreads();

    int sum;
    for(int i=0; i<ts; i++){
        if(i==0){
            sum=c_element_sum[i];
        }
        else{
            sum+=c_element_sum[i];
        }
    }
    C[bx] = sum;

}


/////////////////////////////////////////////////////////
// Program main
/////////////////////////////////////////////////////////

int main(int argc, char** argv)
{
   //create timer.
   clock_t t1, t2;

   //start timer
   t1=clock();

   //allocate host memory for matrices
   unsigned int size_A = cols * rows;
   unsigned int mem_size_A = sizeof(int) * size_A;
   int* mA = (int*) malloc(mem_size_A);

   unsigned int size_B = cols * rows;
   unsigned int mem_size_B = sizeof(int) * size_B;
   int* mB = (int*) malloc(mem_size_B);

   unsigned int size_C = cols * rows;
   unsigned int mem_size_C = sizeof(int) * size_C;
   int* mC = (int*) malloc(mem_size_C);

   //initialize host memory
   for (int i = 0; i < size_A; ++i){
       mA[i] = 1;
       mB[i] = 1;
       mC[i] = 0;
   }

   // allocate device memory
   int* d_mA;
   int* d_mB;
   int* d_mC;
   cudaMalloc((void**) &d_mA, mem_size_A);
   cudaMalloc((void**) &d_mB, mem_size_B);
   cudaMalloc((void**) &d_mC, mem_size_C);

   //copy host memory to device (A and B)
   cudaMemcpy(d_mA, mA, mem_size_A, cudaMemcpyHostToDevice);
   cudaMemcpy(d_mB, mB, mem_size_B, cudaMemcpyHostToDevice);
   cudaMemcpy(d_mC, mC, mem_size_C, cudaMemcpyHostToDevice);

   // setup execution parameters
   int numThreadsPerBlock = cols;
   int numBlocks = (cols * rows);
   int sharedMemSize = numThreadsPerBlock * sizeof(int);

   dim3 dimGrid(numBlocks);
   dim3 dimBlock(numThreadsPerBlock);

   // execute the kernel
   matrixMul <<< dimGrid, dimBlock, sharedMemSize >>>(d_mA, d_mB, d_mC);

   //Block until device has completed
   cudaThreadSynchronize();

   // check if kernel execution generated an error
   // Check for any CUDA errors
   checkCUDAError("kernel invocation");

   //copy result from device to host
   cudaMemcpy(mC, d_mC, mem_size_C, cudaMemcpyDeviceToHost);

   // Check for any CUDA errors
   checkCUDAError("memcpy");

   //stop timer
   t2 = clock();

   //check results
   for (int i = 0; i < size_C; ++i){
       assert(mC[i] == cols);
   }

   //clean up memory
   free(mA);
   free(mB);
   free(mC);
   cudaFree(d_mA);
   cudaFree(d_mB);
   cudaFree(d_mC);

   printf("WITH CUDA - clocks: %d \n\n", t2-t1);

   //////////////////////////////
   ///////// CPU ONLY //////////
   /////////////////////////////

   //create timer.
   clock_t cpu_t1, cpu_t2;

   //start timer
   cpu_t1=clock();

   //allocate host memory for matrices
   unsigned int cpu_size_A = cols * rows;
   unsigned int cpu_mem_size_A = sizeof(int) * cpu_size_A;
   int* cpu_mA = (int*) malloc(cpu_mem_size_A);

   unsigned int cpu_size_B = cols * rows;
   unsigned int cpu_mem_size_B = sizeof(int) * cpu_size_B;
   int* cpu_mB = (int*) malloc(cpu_mem_size_B);

   unsigned int cpu_size_C = cols * rows;
   unsigned int cpu_mem_size_C = sizeof(int) * cpu_size_C;
   int* cpu_mC = (int*) malloc(cpu_mem_size_C);

   //initialize host memory
   for (int i = 0; i < cpu_size_A; ++i){
       cpu_mA[i] = 1;
       cpu_mB[i] = 1;
       cpu_mC[i] = 0;
   }

   int ts = cols;
   for(int bx=0; bx<(cols*rows);bx++){
       int sum = 0;
       for(int tx=0; tx<cols; tx++){
          sum += cpu_mA[tx+((bx/ts)*ts)] * cpu_mB[(bx%ts)+(tx*ts)];
       }
       cpu_mC[bx]=sum;
   }

   //stop timer
   cpu_t2 = clock();

   //check results
   for (int i = 0; i < cpu_size_C; ++i){
       assert(cpu_mC[i] == cols);
   }

   //clean up memory
   free(cpu_mA);
   free(cpu_mB);
   free(cpu_mC);

   printf("CPU ONLY - clocks: %d \n\n", cpu_t2-cpu_t1);

   return 0;
}

- Mike Alike

---

你应该在调用内核后立即测量内存，否则，你会考虑到复制和分配内存所花费的时间，这是相当慢的。 - mfontanini

你为什么要编写自己的矩阵乘法程序呢？如果我没记错，CUDA 已经内置了这个函数可以供你调用。 - Mike Bailey

@fontanini：谢谢，我会从现在开始记住的。 - Mike Alike

@Mike Bantegui：我写这个只是为了练习，尝试在业余时间自学CUDA，但还是谢谢你的建议，我不知道有一个内置函数，这将在我开始处理更复杂的东西时非常有用。 - Mike Alike

Answer 1

根据您的程序，这是预期的。您的计时器似乎记录了整个程序的执行时间，包括复制到设备、计算时间和将结果复制回来。鉴于您为程序提供的工作量相对较小（100x100矩阵），内存复制的开销远远超过使用内核进行计算时所获得的任何计算优势。您的内核本身也不是最有效的实现。

我认为您没有做错什么，只是您没有为GPU提供足够大的工作量，并且您可能还可以进一步优化您的内核。请注意，仅扩大块的大小可能不会显着改善与CPU的性能相比，因为您还将扩大内存管理时间。虽然在CUDA上编写程序的第一个实现相对简单，但要使其性能良好则需要更大的难度。使用CUDA的最有效方法是具有高比例的计算和内存事务。例如，具有几个计算密集型内核的管道依次在一块数据上操作，只需要在开始和结束时进行主机-设备复制。

如果这只是一个帮助你学习CUDA编程的程序，那么这是一个很好的步骤，深入理解如何优化矩阵乘法内核将在许多其他情况下为您服务。 如果您正在编写这个内核以用于生产软件中，我建议您使用高度优化的线性代数库CUBLAS：http://developer.nvidia.com/cublas（或者其他已经为您完成了艰苦工作的库）。

- Brendan Wood

---

谢谢你的解释，非常有帮助。我写这个程序只是为了练习。我试着自学CUDA和更多的C语言，因为大学教授的基本没啥用。我想我最好自己学点东西，否则我毕业时只会一些马马虎虎的Java知识，还有一张将来要还数年学费的纸而已。 - Mike Alike

我一直认为大学的真正目的是教你如何自学，所以在这方面看来，似乎做得不错。 - Nicholas Hamilton