通用矩阵乘法(GEMM)是深度学习和科学计算中的核心操作之一。在NVIDIA GPU上优化GEMM性能对于提升整体计算效率至关重要。本文将详细介绍CUDA-GEMM的优化技术,从基础实现开始,逐步深入探讨各种高级优化策略。
在开始深入优化之前,我们需要了解CUDA编程的一些基本概念:
这些基础知识是我们进行GEMM优化的理论基础。
最基本的GEMM实现可能存在非合并的全局内存访问问题。优化的第一步是确保合并访问:
__global__ void gemm_kernel_v01(const float* A, const float* B, float* C, int M, int N, int K) { int row = blockIdx.y * blockDim.y + threadIdx.y; int col = blockIdx.x * blockDim.x + threadIdx.x; if (row < M && col < N) { float sum = 0.0f; for (int k = 0; k < K; ++k) { sum += A[row * K + k] * B[k * N + col]; } C[row * N + col] = sum; } }
这个版本实现了合并访问,性能相比基础版本有显著提升。
接下来,我们引入二维块优化:
template <int BLOCK_SIZE> __global__ void gemm_kernel_v02(const float* A, const float* B, float* C, int M, int N, int K) { __shared__ float As[BLOCK_SIZE][BLOCK_SIZE]; __shared__ float Bs[BLOCK_SIZE][BLOCK_SIZE]; int bx = blockIdx.x, by = blockIdx.y; int tx = threadIdx.x, ty = threadIdx.y; int row = by * BLOCK_SIZE + ty; int col = bx * BLOCK_SIZE + tx; float sum = 0.0f; for (int i = 0; i < (K + BLOCK_SIZE - 1) / BLOCK_SIZE; ++i) { if (row < M && i * BLOCK_SIZE + tx < K) As[ty][tx] = A[row * K + i * BLOCK_SIZE + tx]; else As[ty][tx] = 0.0f; if (col < N && i * BLOCK_SIZE + ty < K) Bs[ty][tx] = B[(i * BLOCK_SIZE + ty) * N + col]; else Bs[ty][tx] = 0.0f; __syncthreads(); for (int k = 0; k < BLOCK_SIZE; ++k) sum += As[ty][k] * Bs[k][tx]; __syncthreads(); } if (row < M && col < N) C[row * N + col] = sum; }
这个版本通过使用共享内存来减少全局内存访问,提高了计算效率。
在块优化的基础上,我们可以进一步引入线程优化:
template <int BLOCK_SIZE, int THREAD_SIZE_X, int THREAD_SIZE_Y> __global__ void gemm_kernel_v04(const float* A, const float* B, float* C, int M, int N, int K) { __shared__ float As[BLOCK_SIZE][BLOCK_SIZE]; __shared__ float Bs[BLOCK_SIZE][BLOCK_SIZE]; int bx = blockIdx.x, by = blockIdx.y; int tx = threadIdx.x, ty = threadIdx.y; int row = by * BLOCK_SIZE + ty; int col = bx * BLOCK_SIZE + tx; float sum[THREAD_SIZE_Y][THREAD_SIZE_X] = {0.0f}; for (int i = 0; i < (K + BLOCK_SIZE - 1) / BLOCK_SIZE; ++i) { for (int m = 0; m < THREAD_SIZE_Y; ++m) for (int n = 0; n < THREAD_SIZE_X; ++n) if (row + m * blockDim.y < M && i * BLOCK_SIZE + tx + n * blockDim.x < K) As[ty + m * blockDim.y][tx + n * blockDim.x] = A[(row + m * blockDim.y) * K + i * BLOCK_SIZE + tx + n * blockDim.x]; else As[ty + m * blockDim.y][tx + n * blockDim.x] = 0.0f; for (int m = 0; m < THREAD_SIZE_Y; ++m) for (int n = 0; n < THREAD_SIZE_X; ++n) if (col + n * blockDim.x < N && i * BLOCK_SIZE + ty + m * blockDim.y < K) Bs[ty + m * blockDim.y][tx + n * blockDim.x] = B[(i * BLOCK_SIZE + ty + m * blockDim.y) * N + col + n * blockDim.x]; else Bs[ty + m * blockDim.y][tx + n * blockDim.x] = 0.0f; __syncthreads(); for (int k = 0; k < BLOCK_SIZE; ++k) for (int m = 0; m < THREAD_SIZE_Y; ++m) for (int n = 0; n < THREAD_SIZE_X; ++n) sum[m][n] += As[ty + m * blockDim.y][k] * Bs[k][tx + n * blockDim.x]; __syncthreads(); } for (int m = 0; m < THREAD_SIZE_Y; ++m) for (int n = 0; n < THREAD_SIZE_X; ++n) if (row + m * blockDim.y < M && col + n * blockDim.x < N) C[(row + m * blockDim.y) * N + col + n * blockDim.x] = sum[m][n]; }
这个版本通过让每个线程计算多个输出元素,进一步提高了计算密度。
为了进一步优化内存访问模式,我们可以考虑对输入矩阵进行转置:
template <int BLOCK_SIZE, int THREAD_SIZE_X, int THREAD_SIZE_Y> __global__ void gemm_kernel_v05(const float* A, const float* B, float* C, int M, int N, int K) { __shared__ float As[BLOCK_SIZE][BLOCK_SIZE]; __shared__ float Bs[BLOCK_SIZE][BLOCK_SIZE]; int bx = blockIdx.x, by = blockIdx.y; int tx = threadIdx.x, ty = threadIdx.y; int row = by * BLOCK_SIZE + ty; int col = bx * BLOCK_SIZE + tx; float sum[THREAD_SIZE_Y][THREAD_SIZE_X] = {0.0f}; for (int i = 0; i < (K + BLOCK_SIZE - 1) / BLOCK_SIZE; ++i) { for (int m = 0; m < THREAD_SIZE_Y; ++m) for (int n = 0; n < THREAD_SIZE_X; ++n) if (row + m * blockDim.y < M && i * BLOCK_SIZE + tx + n * blockDim.x < K) As[ty + m * blockDim.y][tx + n * blockDim.x] = A[(row + m * blockDim.y) * K + i * BLOCK_SIZE + tx + n * blockDim.x]; else As[ty + m * blockDim.y][tx + n * blockDim.x] = 0.0f; for (int m = 0; m < THREAD_SIZE_Y; ++m) for (int n = 0; n < THREAD_SIZE_X; ++n) if (col + n * blockDim.x < N && i * BLOCK_SIZE + ty + m * blockDim.y < K) Bs[tx + n * blockDim.x][ty + m * blockDim.y] = B[(col + n * blockDim.x) * K + i * BLOCK_SIZE + ty + m * blockDim.y]; else Bs[tx + n * blockDim.x][ty + m * blockDim.y] = 0.0f; __syncthreads(); for (int k = 0; k < BLOCK_SIZE; ++k) for (int m = 0; m < THREAD_SIZE_Y; ++m) for (int n = 0; n < THREAD_SIZE_X; ++n) sum[m][n] += As[ty + m * blockDim.y][k] * Bs[tx + n * blockDim.x][k]; __syncthreads(); } for (int m = 0; m < THREAD_SIZE_Y; ++m) for (int n = 0; n < THREAD_SIZE_X; ++n) if (row + m * blockDim.y < M && col + n * blockDim.x < N) C[(row + m * blockDim.y) * N + col + n * blockDim.x] = sum[m][n]; }
这个版本通过转置B矩阵,优化了内存访问模式,提高了缓存命中率。
最后,我们可以引入Warp级别的优化:
template <int BLOCK_SIZE, int WARP_SIZE, int THREAD_SIZE_X, int THREAD_SIZE_Y> __global__ void gemm_kernel_v06(const float* A, const float* B, float* C, int M, int N, int K) { __shared__ float As[BLOCK_SIZE][BLOCK_SIZE]; __shared__ float Bs[BLOCK_SIZE][BLOCK_SIZE]; int bx = blockIdx.x, by = blockIdx.y; int tx = threadIdx.x, ty = threadIdx.y; int warpId = (ty * blockDim.x + tx) / WARP_SIZE; int laneId = (ty * blockDim.x + tx) % WARP_SIZE; int warpRow = warpId / (BLOCK_SIZE / WARP_SIZE); int warpCol = warpId % (BLOCK_SIZE / WARP_SIZE); int row = by * BLOCK_SIZE + warpRow * WARP_SIZE + laneId / (WARP_SIZE / THREAD_SIZE_Y); int col = bx * BLOCK_SIZE + warpCol * WARP_SIZE + laneId % (WARP_SIZE / THREAD_SIZE_X); float sum[THREAD_SIZE_Y][THREAD_SIZE_X] = {0.0f}; for (int i = 0; i < (K + BLOCK_SIZE - 1) / BLOCK_SIZE; ++i) { for (int m = 0; m < THREAD_SIZE_Y; ++m) for (int n = 0; n < THREAD_SIZE_X; ++n) if (row + m * (WARP_SIZE / THREAD_SIZE_Y) < M && i * BLOCK_SIZE + tx + n * blockDim.x < K) As[warpRow * WARP_SIZE + laneId / (WARP_SIZE / THREAD_SIZE_Y) + m * (WARP_SIZE / THREAD_SIZE_Y)][tx + n * blockDim.x] = A[(row + m * (WARP_SIZE / THREAD_SIZE_Y)) * K + i * BLOCK_SIZE + tx + n * blockDim.x]; else As[warpRow * WARP_SIZE + laneId / (WARP_SIZE / THREAD_SIZE_Y) + m * (WARP_SIZE / THREAD_SIZE_Y)][tx + n * blockDim.x] = 0.0f; for (int m = 0; m < THREAD_SIZE_Y; ++m) for (int n = 0; n < THREAD_SIZE_X; ++n) if (col + n * (WARP_SIZE / THREAD_SIZE_X) < N && i * BLOCK_SIZE + ty + m * blockDim.y < K) Bs[tx + n * blockDim.x][warpCol * WARP_SIZE + laneId % (WARP_SIZE / THREAD_SIZE_X) + m * (WARP_SIZE / THREAD_SIZE_X)] = B[(col + n * (WARP_SIZE / THREAD_SIZE_X)) * K + i * BLOCK_SIZE + ty + m * blockDim.y]; else Bs[tx + n * blockDim.x][warpCol * WARP_SIZE + laneId % (WARP_SIZE / THREAD_SIZE_X) + m * (WARP_SIZE / THREAD_SIZE_X)] = 0.0f; __syncthreads(); for (int k = 0; k < BLOCK_SIZE; ++k) for (int m = 0; m < THREAD_SIZE_Y; ++m) for (int n = 0; n < THREAD_SIZE_X; ++n) sum[m][n] += As[warpRow * WARP_SIZE + laneId / (WARP_SIZE / THREAD_SIZE_Y) + m * (WARP_SIZE / THREAD_SIZE_Y)][k] * Bs[k][warpCol * WARP_SIZE + laneId % (WARP_SIZE / THREAD_SIZE_X) + m * (WARP_SIZE / THREAD_SIZE_X)]; __syncthreads(); } for (int m = 0; m < THREAD_SIZE_Y; ++m) for (int n = 0; n < THREAD_SIZE_X; ++n) if (row + m * (WARP_SIZE / THREAD_SIZE_Y) < M && col + n * (WARP_SIZE / THREAD_SIZE_X) < N) C[(row + m * (WARP_SIZE / THREAD_SIZE_Y)) * N + col + n * (WARP_SIZE / THREAD_SIZE_X)] = sum[m][n]; }
这个版本通过引入Warp级别的优化,以提高计算的并行效率。
AI辅助编程,代码自动修复
Trae是一种自适应的集成开发环境(IDE),通过自动化和多元协作改变开发流程。利用Trae,团队能够更快速、精确地编写和部署代码,从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能,是提升开发效率的理想工具。
最强AI数据分析助手
小浣熊家族Raccoon,您的AI智能助手,致力于通过先进的人工智能技术,为用户提供高效、便捷的智能服务。无论是日常咨询还是专业问题解答,小浣熊都能以快速、准确的响应满足您的需求,让您的生活更加智能便捷。
像人一样思考的AI智能体
imini 是一款超级AI智能体,能根据人类指令,自主思考、自主完成、并且交付结果的AI智能体。
AI数字人视频创作平台
Keevx 一款开箱即用的AI数字人视频创作平台,广泛适用于电商广告、企业培训与社媒宣传,让全球企业与个人创作者无需拍摄剪辑,就能快速生成多语言、高质量的专业视频。
一站式AI创作平台
提供 AI 驱动的图片、视频生成及数字人等功能,助力创意创作
AI办公助手,复杂任务高效处理
AI办公助手,复杂任务高效处理。办公效率低?扣子空间AI助手支持播客生成、PPT制作、网页开发及报告写作,覆盖科研、商业、舆情等领域的专家Agent 7x24小时响应,生活工 作无缝切换,提升50%效率!
AI小说写作助手,一站式润色、改写、扩写
蛙蛙写作—国内先进的AI写作平台,涵盖小说、学术、社交媒体等多场景。提供续写、改写、润色等功能,助力创作者高效优化写作流程。界面简洁,功能全面,适合各类写作者提升内容品质和工作效率。
全能AI智能助手,随时解答生活与工作的多样问题
问小白,由元石科技研发的AI智能助手,快速准确地解答各种生活和工作问题,包括但不限于搜索、规划和社交互动,帮助用户在日常生活中提高效率,轻松管理个人事务。
实时语音翻译/同声传译工具
Transly是一个多场景的AI大语言模型驱动的同声传译、专业翻译助手,它拥有超精准的音频识别翻译能力,几乎零延迟的使用体验和支持多国语言可以让你带它走遍全球,无论你是留学生、商务人士、韩剧美剧爱好者,还是出国游玩、多国会议、跨国追星等等,都可以满足你所有需要同传的场景需求,线上线下通用,扫除语言障碍,让全世界的语言交流不再有国界。
一键生成PPT和Word,让学习生活更轻松
讯飞智文是一个利用 AI 技术的项目,能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定,还是学生群体的职业生涯规划、实习避坑指南,亦或是活动策划、旅游攻略等内容,它都能提供支持,帮助用户精准表达,轻松呈现各种信息。
最新AI工具、AI资讯
独家AI资源、AI项目落地
微信扫一扫关注公众号