Como determinar o desempenho da GPU CUDA?
-
26-12-2019 - |
Pergunta
Estou escrevendo um programa cuda para combinar cada imagem de entrada com resolução ~ 180X180, com cerca de 10.000 imagens de modelo com resolução ~ 128 * 128.O objetivo é alcançar desempenho em tempo real, ou seja,Correspondência de modelos de 25 a 30 imagens de entrada (cada uma com todos os 10.000 modelos) em 1 segundo.
atualmente estou usando a seguinte abordagem
- Pré-carregou todos os modelos na memória global da GPU para salvar operações de E/S em tempo de execução.
- Criado um único kernel para combinar uma imagem de origem com todas as imagens de modelo e retornar uma matriz para todas as correspondências positivas.
- Fazendo todas as operações no domínio do tempo (sem usar FFT).por isso, tentei a implementação do Radix-4 fft, mas requer muitas leituras e gravações globais intermediárias, acabando por levar mais tempo.
até agora, para 1 imagem de entrada para 10.000 modelos, leva cerca de 2 segundos.
Minhas perguntas são:
- Existe uma maneira de determinar se esta tarefa pode ser realizada em tempo real ou não?Quero dizer, com a ajuda de FLOPS máximos e limitações de largura de banda de E/S, etc.
- Como calcular se a GPU está sendo totalmente utilizada no máximo?
- Possíveis maneiras de melhorar o desempenho?
Especificações da máquina:[i7-4770, 8GB, GTX-680]
Explicação do código do kernel atual:
- todas as imagens de modelo [o tamanho é cerca de 128X128 em RGB] são carregadas na memória da GPU.A ideia é salvar E/S durante a operação em tempo de execução.
- Cada imagem de entrada é carregada na memória de textura, por isso as texturas são uma boa opção para endereçamento 2D.
- Cada "Bloco" possui 1.024 threads.
- Cada thread calcula o valor de cada pixel de saída, o tamanho da saída é [31X31 = 961 pixels].
- O número de blocos lançados é igual ao número de imagens de modelo correspondentes.
Código do kernel:
__global__ void cudaMatchTemplate(TemplateArray *templates, uchar *Match)
{
int global = blockIdx.x*blockDim.x + threadIdx.x;
__shared__ int idx[TEMPLATE_MATCH_DIM];
__shared__ float out_shared[TEMPLATE_MATCH_DIM];
//halving the template size....
int rows = (templates[blockIdx.x].nHeight)/2;
int cols = (templates[blockIdx.x].nWidth)/2;
int fullCol = templates[blockIdx.x].nWidth;
int x = templates[blockIdx.x].nMatchLeft;
int y = templates[blockIdx.x].nMatchTop;
int offset_y = (threadIdx.x/TEMPLATE_MATCH_SIZE);
int offset_x = (threadIdx.x - offset_y*TEMPLATE_MATCH_SIZE);
// *************** Performing match in time domain *****************************//
int sum = 0;
float temp;
int idxXFactor = 3*(2*(offset_x) + x);
int idxYFactor = 2*(offset_y) + y ;
for (int i = 0; i < rows; i++)
{
int I=3*i*fullCol;
int sourceIdxY = idxYFactor + 2*i;
for (int j = 0; j < cols; j++)
{
int J=3*j;
int sourceIdxX = idxXFactor + 2*J;
int templateIdx = 2*I+2*J;
//**** R *****//
temp = float(tex2D(SourceImgColorTex,sourceIdxX,sourceIdxY)) - float(templates[blockIdx.x].pRAWPixels_gpu[templateIdx]);
sum = sum + temp*temp;
//**** G *****//
temp = float(tex2D(SourceImgColorTex,sourceIdxX+1,sourceIdxY)) - float(templates[blockIdx.x].pRAWPixels_gpu[templateIdx +1]);
sum = sum + temp*temp;
//**** B *****//
temp = float(tex2D(SourceImgColorTex,sourceIdxX+2,sourceIdxY)) - float(templates[blockIdx.x].pRAWPixels_gpu[templateIdx +2]);
sum = sum + temp*temp;
}
}
__syncthreads();
//placing all values in shared memory for comparison.
if(threadIdx.x < TEMPLATE_MATCH_DIM)
{
idx[threadIdx.x] = threadIdx.x;
out_shared[threadIdx.x] = sum;
}
__syncthreads();
// //computing the Min location.....//
#pragma unroll
for(int s=512; s>0; s>>=1)
{
if ((threadIdx.x < s) &&((threadIdx.x + s)<TEMPLATE_MATCH_DIM))
{
idx[threadIdx.x] = out_shared[threadIdx.x] < out_shared[threadIdx.x + s] ? idx[threadIdx.x] : idx[threadIdx.x + s];
out_shared[threadIdx.x] = out_shared[threadIdx.x] < out_shared[threadIdx.x + s] ? out_shared[threadIdx.x] : out_shared[threadIdx.x + s];
}
}
__syncthreads();
if(threadIdx.x <1)
{
int half_Margin = MARGIN_FOR_TEMPLATE_MATCH/2;
int matchY = idx[0]/TEMPLATE_MATCH_SIZE ;
int matchX = idx[0] - matchY * TEMPLATE_MATCH_SIZE;
int diff = absolute(half_Margin - matchX) + absolute(half_Margin - matchY);
if(diff < THRESHOLD)
{
Match[blockIdx.x] = 1;
}
else
Match[blockIdx.x] = 0;
}
}
Solução
Tentarei responder a maioria das suas perguntas
Existe uma maneira de determinar se esta tarefa pode ser realizada em tempo real ou não?Quero dizer, com a ajuda de FLOPS máximos e limitações de largura de banda de E/S, etc.
Não tenho ideia de como determinar se o kernel é alcançável em tempo real ou não, você pode maximizar seu kernel CUDA usando Calculadora de ocupação CUDA, Você pode considerar o uso de textura, memória de superfície, memória constante, memória de host fixada e muito mais, eles estão à sua implementação de algoritmo.
Como calcular se a GPU está sendo totalmente utilizada no máximo?
Você pode usar a Calculadora de Ocupação CUDA e o criador de perfil visual CUDA.Eu recomendo fortemente o uso do criador de perfil visual, pois ele o guiará pela compreensão do CUDA.
Possíveis maneiras de melhorar o desempenho?
Existem vários métodos interessantes que, 1º, você pode maximizar sua chamada de kernel usando o método acima, se isso não for suficiente, tente implementar o pipeline usando objetos de fluxo para copiar os trabalhos de dados e computação ao mesmo tempo.
se não der certo, tente trabalhar com latência, opere vários threads acessando a GPU ao mesmo tempo, já que o CC 3.5 CUDA lançou o HyperQ, isso pode te ajudar a completar várias chamadas em paralelo.
Se isso não funcionar, considere usar vários dispositivos GPU.
Por favor, mantenha-nos informados