在動態(tài)環(huán)境中使用CUDA圖提高實(shí)際應(yīng)用程序性能

通過將計(jì)算密集型部件卸載到 GPU 上，可以大大加快許多工作負(fù)載。在 CUDA 術(shù)語中，這被稱為啟動內(nèi)核。當(dāng)這些內(nèi)核很多且持續(xù)時(shí)間很短時(shí)，啟動開銷有時(shí)會成為一個(gè)問題。

CUDA Graphs提供了一種減少開銷的方法。圖形之所以有效，是因?yàn)樗鼈儗⑷我鈹?shù)量的異步 CUDA API 調(diào)用（包括內(nèi)核啟動）組合到一個(gè)只需要一次啟動的操作中。它們在創(chuàng)建時(shí)確實(shí)會產(chǎn)生一些開銷，因此它們的最大好處來自多次重用。

在 ToolkitVersion10 中引入 CUDA 圖形時(shí)，可以對其進(jìn)行更新，以反映其實(shí)例化中的一些細(xì)微變化。此后，此類更新操作的覆蓋范圍和效率顯著提高。在這篇文章中，我描述了一些通過使用 CUDA 圖來提高實(shí)際應(yīng)用程序性能的場景，其中一些場景包括圖更新功能。

上下文

考慮一個(gè)應(yīng)用程序，該函數(shù)具有啟動許多短運(yùn)行內(nèi)核的功能，例如：

如果每次遇到此函數(shù)時(shí)都以相同的方式執(zhí)行，則可以使用流捕獲將其轉(zhuǎn)換為 CUDA 圖。在本例中，必須引入一個(gè)開關(guān)布爾值captured，以指示是否已經(jīng)創(chuàng)建了圖形。將此開關(guān)的解除 Clara 操作和初始化放在源代碼中，使其范圍包括對函數(shù)tight_loop的每次調(diào)用。

接下來，用代碼包裝函數(shù)的任何實(shí)際調(diào)用，以創(chuàng)建對應(yīng)的 CUDA 圖（如果它不存在），然后啟動該圖。

對 tight _循環(huán)函數(shù)的調(diào)用實(shí)際上并不執(zhí)行任何內(nèi)核啟動或其他 CUDA 操作。它只記錄所有這些操作并將它們存儲在數(shù)據(jù)結(jié)構(gòu)中。

關(guān)注啟動內(nèi)核的函數(shù)。在實(shí)際應(yīng)用中，它看起來像以下代碼：

顯然，如果函數(shù)的參數(shù)在連續(xù)調(diào)用后發(fā)生變化，那么表示 GPU 內(nèi)部工作的 CUDA 圖也應(yīng)該發(fā)生變化。不能重復(fù)使用原始圖形。但是，假設(shè)多次遇到相同的函數(shù)參數(shù)集，您至少可以通過兩種不同的方式來處理這種情況：保存和識別圖形或更新圖形。

保存并識別 CUDA 圖形

第一種方法從 C ++標(biāo)準(zhǔn)模板庫中引入容器來存儲參數(shù)集。每當(dāng)您遇到一個(gè)新的參數(shù)集來唯一地定義函數(shù)tight_loop，請將它連同相應(yīng)的可執(zhí)行圖形一起添加到容器中。

當(dāng)您遇到容器中已經(jīng)存在的參數(shù)集時(shí)，啟動相應(yīng)的 CUDA 圖形。假設(shè)在本例中，變量first、params.size和delta唯一地定義了tight_loop。這個(gè)三胞胎是鑰匙用于區(qū)分圖形。您可以在源代碼中定義它和要使用的容器，使其范圍包括對函數(shù)tight_loop的每次調(diào)用。

無論函數(shù)tight_loop出現(xiàn)在何處，都要用填充鍵的代碼將其包裝起來，并在容器中查找。如果找到鍵，代碼將啟動相應(yīng)的可執(zhí)行 CUDA 圖。否則，它將創(chuàng)建一個(gè)新圖形，將其添加到容器中，然后啟動它（圖 1 ）。

圖 1 。保存和識別圖形。

這種方法通常效果很好，但有一些固有的危險(xiǎn)。在本例中，您確定只需要三個(gè)參數(shù)來定義容器中的鍵。對于不同的工作負(fù)載，這可能不同，或者另一個(gè)開發(fā)團(tuán)隊(duì)成員可能會默默地向結(jié)構(gòu)中添加字段MyStruct。這會影響非平凡函數(shù)cmpKeys的編寫方式。此函數(shù)是容器所必需的，用于確定某個(gè)密鑰是否比另一個(gè)密鑰小。

為 STL 容器編寫一個(gè)非平凡的比較函數(shù)通常并不困難，但當(dāng)一個(gè)鍵由多個(gè)非平凡的實(shí)體組成時(shí)，可能會很乏味。一種普遍適用的方法是使用詞典比較。對于本例，以下代碼示例有效：

更新 CUDA 圖

請記住，要重用以前捕獲的可執(zhí)行 CUDA 圖，它必須與調(diào)用上下文完全匹配：

相同拓?fù)?/p>

圖節(jié)點(diǎn)的數(shù)量和類型相同

圖節(jié)點(diǎn)之間的依賴關(guān)系相同

相同節(jié)點(diǎn)參數(shù)

但是，如果 CUDA 圖的拓?fù)浣Y(jié)構(gòu)保持不變，則可以調(diào)整它以使其符合新的需要。存在一種方便的機(jī)制來確認(rèn)拓?fù)涞葍r(jià)性，同時(shí)調(diào)整節(jié)點(diǎn)參數(shù)以返回修改后的可執(zhí)行圖。它由cudaGraphExecUpdate提供，其工作原理是將現(xiàn)有的可執(zhí)行圖與新派生的圖進(jìn)行比較（例如，通過流捕獲方便地獲得）。如果可能，差異用于進(jìn)行更改。

這種方法的好處是雙重的。首先，當(dāng)更新足夠時(shí)，可以避免昂貴的新 CUDA 圖實(shí)例化。第二，你不必知道是什么讓圖形獨(dú)一無二。任何圖形比較都由 update 函數(shù)隱式執(zhí)行。下面的代碼示例實(shí)現(xiàn)了此方法。與之前一樣，它從開關(guān)的解除 Clara 和初始化開始，以指示先前創(chuàng)建的圖形。

在這個(gè)場景中，您總是執(zhí)行流捕獲來收集關(guān)于tight_loop中 CUDA 操作的信息。這是一個(gè)相對便宜的操作，完全在主機(jī)上執(zhí)行，而不是 GPU 。它可以與以前的 CUDA 圖形啟動重疊，這些啟動本身就是異步操作（圖 2 ）。

圖 2 。更新圖形

一句警告的話已經(jīng)準(zhǔn)備好了。cudaGraphExecUpdate的復(fù)雜性大致與 CUDA 圖形節(jié)點(diǎn)的更改數(shù)量成正比，因此如果大部分節(jié)點(diǎn)發(fā)生更改，則效率會降低。

后果

推動這兩種方法以靈活方式管理 CUDA 圖的應(yīng)用程序有兩種不同的工作負(fù)載大小，但行為有所不同（表 1 ）。所有涉及的內(nèi)核在單個(gè) NVIDIA A100 GPU 上執(zhí)行需要 2 – 8 微秒。報(bào)告的加速是針對代碼中可以轉(zhuǎn)換為 CUDA 圖形的部分。

結(jié)論

具有許多小 CUDA 內(nèi)核的應(yīng)用程序通常可以使用 CUDA 圖進(jìn)行加速，即使內(nèi)核啟動模式在整個(gè)應(yīng)用程序中發(fā)生變化。鑒于這種動態(tài)環(huán)境，最佳方法取決于應(yīng)用程序的具體情況。希望您能發(fā)現(xiàn)本文中描述的兩個(gè)示例易于理解和實(shí)現(xiàn)。

審核編輯：郭婷