淺談GPU: 衡量計算效能的正確姿勢（3）

上期我們講了現(xiàn)代計算機體系結構通過處理器（CPU/GPU）和內存的交互來執(zhí)行計算程序，處理輸入數(shù)據(jù)，并輸出結果。實際上，由于CPU是高速器件，而內存訪問速度往往受限（如圖所示，CPU和內存的性能差距從上個世紀80年代開始，不斷拉大），為解決速度匹配的問題，在CPU和內存之間設置了高速緩沖存儲器Cache。

而且Cache往往分幾個層級，與內存以及其它外部存儲器共同構成計算機系統(tǒng)的存儲器層次結構（Memory Hierarchy），如下圖所示，使得整個系統(tǒng)在性能，成本和制造工藝達到平衡。

我們可以看到，各個存儲層次在訪問時間上存在數(shù)量級別的差異，訪問速度越快，單位制造成本越高，容量越小。在這里，我們并不打算討論Cache具體設計和實現(xiàn)，只是希望針對Cache及其命中率對性能的影響有一個直觀的認識。為了簡化討論問題的復雜性，我們這里做如下假設。

整個流水線分為5個階段，分別為《1》取指、《2》譯碼、《3》運算執(zhí)行、《4》訪存讀寫 （可選）、《5》寫回結果至寄存器。

這里只考慮一級Cache，而且指令、數(shù)據(jù)共享L1 Cache。Cache命中的情況下，每個階段都是1個時鐘（cycle），而cache不命中的情況，階段《1》，《5》各耗時100個時鐘（cycles）。

訪存指令占所有指令1/3。下面我們來分別計算3種情況下的CPI。

= 100 cycles + 3 * （1 cycle） + （（1 cycle * 2/3） + （100 cycles * 1/3））

= 137 cycles.

= （1 cycle * 0.9 + 100 cycles * （1 - 0.9）） + （3 cycles） + （（1 cycle * （2/3 + 0.9/3）） + （100cycles * （1 - 0.9） * 1/3））

= 18.2 cycles.

= （1 cycle * （0.99） + 100 cycles * （1 - 0.99）） + （3 cycles） + （（1 cycle * （2/3 + 0.99/3）） + （100 cycles * （1 - 0.99） * 1/3））

= 6.32 cycles.

Cache完全缺失。

CPI = 《1》階段的時鐘+《2， 3， 5》階段的時鐘+《4》階段的時鐘

Cache命中率達到90%。

CPI = 《1》階段的時鐘+《2， 3， 5》階段的時鐘+《4》階段的時鐘

Cache命中率達到99%

CPI = 《1》階段的時鐘+《2， 3， 5》階段的時鐘+《4》階段的時鐘另外在上期文章里我們也提到同樣32b數(shù)據(jù)的訪問，DRAM的耗能是SRAM的百倍（640pJ vs 5pJ）。完全可見正確配置Cache對高能效高性能計算的重要作用。

值得一提的是，由于CPU和GPU設計面向的差異，他們的Memory Hierarchy存在明顯的區(qū)別，一個典型的對比如下圖，可以看到GPU的Memeory Hierarchy設計的時候更注意帶寬或者說Throughput，而相比之下對Latency就沒有CPU重視， GPU Cache容量也相對比較小。

那我們不禁要問，GPU的Latency指標這么糟糕，按照我們先前的計算，Cache不命中的后果是不是很嚴重？不過不要擔心，CPU的Cache不命中可能會導致叫停流水線的嚴重后果，而對GPU，只要計算任務量足夠，它的硬件調度器（Hardware Scheduler）能夠自動在不同的任務間無縫切換，來掩藏特定任務訪問memory帶來的延遲。關于GPU的Latency hiding，值得大書特書，我們以后會詳細討論。
編輯：lyn