]> AND Private Git Repository - book_gpu.git/blob - BookGPU/Chapters/chapter1/ch1.tex
Logo AND Algorithmique Numérique Distribuée

Private GIT Repository
last
[book_gpu.git] / BookGPU / Chapters / chapter1 / ch1.tex
1 \chapterauthor{Raphaël Couturier}{Femto-ST Institute, University of Franche-Comte, France}
2
3
4 \chapter{Presentation of the GPU architecture and of the CUDA environment}
5 \label{chapter1}
6
7 \section{Introduction}\label{ch1:intro}
8 This chapter introduces the Graphics  Processing Unit (GPU) architecture and all
9 the concepts needed to understand how GPUs  work and can be used to speed up the
10 execution of some algorithms. First of all this chapter gives a brief history of
11 the development  of the graphics cards up  to the point when  they started being
12 used in order to perform general purpose computations.  Then the architecture of
13 a GPU is illustrated.  There are  many fundamental differences between a GPU and
14 a traditional  processor. In order to  benefit from the  power of a GPU,  a CUDA
15 programmer needs to use threads. They have some particularities which enable the
16 CUDA model to be efficient and scalable when some constraints are addressed.
17
18 \clearpage
19 \section{Brief history of the video card}
20
21 Video  cards or graphics  cards have  been introduced  in personal  computers to
22 produce  high quality graphics  faster than  classical Central  Processing Units
23 (CPU) and  to free the CPU from this  task. In general, display  tasks are very
24 repetitive and very specific.  Hence,  some manufacturers have produced more and
25 more sophisticated video cards, providing 2D accelerations, then 3D accelerations,
26 then some  light transforms. Video cards  own their own memory  to perform their
27 computations.  For at least two decades, every personal computer has had a video
28 card which is simple for  desktop computers or which provides many accelerations
29 for game and/or  graphic-oriented computers.  In the  latter case, graphics cards
30 may be more expensive than a CPU.
31
32 Since  2000, video  cards have  allowed  users to  apply arithmetic  operations
33 simultaneously on a sequence of  pixels, later called stream processing. In
34 this case, the information of the pixels (color, location and other information) is
35 combined in order  to produce a pixel  color that can be displayed  on a screen.
36 Simultaneous  computations are  provided  by shaders  which calculate  rendering
37 effects on  graphics hardware with a  high degree of  flexibility. These shaders
38 handle the stream data with pipelines.
39
40
41 Some researchers  tried to  apply those operations  on other  data, representing
42 something different  from pixels,  and consequently this  resulted in  the first
43 uses of video cards for  performing general purpose computations. The programming
44 model  was not  easy  to use  at  all and  was very  dependent  on the  hardware
45 constraints.   More precisely  it consisted  in using  either DirectX  of OpenGL
46 functions  providing  an  interface  to  some classical  operations  for  videos
47 operations  (memory  transfers,  texture  manipulation, etc.).   Floating  point
48 operations were  most of the  time unimaginable.  Obviously when  something went
49 wrong, programmers had no way (and no tools) to detect it.
50
51 \section{GPGPU}
52
53 In order  to benefit from the computing  power of more recent  video cards, CUDA
54 was first proposed in 2007 by  NVIDIA. It unifies the programming model for some
55 of  their most  efficient video  cards.  CUDA~\cite{ch1:cuda}  has  quickly been
56 considered by  the scientific community as  a great advance  for general purpose
57 graphics processing unit (GPGPU)  computing.  Of course other programming models
58 have been  proposed. The  other well-known alternative  is OpenCL which  aims at
59 proposing an alternative  to CUDA and which is  multiplatform and portable. This
60 is a  great advantage since  it is even  possible to execute OpenCL  programs on
61 traditional CPUs.  The main drawback is  that it is less tight with the hardware
62 and  consequently sometimes  provides  less efficient  programs. Moreover,  CUDA
63 benefits from  more mature compilation and optimization  procedures.  Other less
64 known environments have been proposed,  but most of them have been discontinued,
65 such FireStream by ATI which is  not maintained anymore and has been replaced by
66 OpenCL and  BrookGPU  by  Stanford  University~\cite{ch1:Buck:2004:BGS}.   Another
67 environment based on  pragma (insertion of pragma directives  inside the code to
68 help  the  compiler  to generate  efficient  code)  is  called OpenACC.   For  a
69 comparison with OpenCL, interested readers may refer to~\cite{ch1:Dongarra}.
70
71
72
73 \section{Architecture of current GPUs}
74
75 The architecture  \index{GPU!architecture of a} of  current GPUs  is constantly
76 evolving.  Nevertheless  some trends remain constant  throughout this evolution.
77 Processing units composing a GPU are  far simpler than a traditional CPU and
78 it is much easier to integrate many computing units inside a GPU card than to do
79 so with many cores inside a CPU.   In  2012, the most powerful GPUs contained more than 500
80 cores       and       the       most       powerful      CPUs       had       8
81 cores. Figure~\ref{ch1:fig:comparison_cpu_gpu} shows  the number of cores inside
82 a  CPU  and  inside a  GPU.   In  fact,  in  a  current NVIDIA  GPU,  there  are
83 multiprocessors which have 32 cores (for example, on Fermi cards). The core clock
84 of a CPU is  generally around 3GHz and  the one of a GPU is  about 1.5GHz.  Although
85 the core clock of GPU cores is slower, the number of cores inside a GPU provides
86 more computational power.  This measure is commonly represented by the number of
87 floating point operation  per seconds. Nowadays the most powerful  GPUs provide more
88 than   1TFlops,  i.e.,    $10^{12}$   floating  point   operations  per   second.
89 Nevertheless  GPUs are very  efficient at executing repetitive work in which
90 only  the data  change. It  is important  to keep  in mind  that multiprocessors
91 inside a GPU have 32 cores. Later we will see that these 32 cores need to do the
92 same work to get maximum performance.
93
94 \begin{figure}[t!]
95 \centerline{\includegraphics[]{Chapters/chapter1/figures/nb_cores_CPU_GPU.pdf}}
96 \caption{Comparison of number of cores in a CPU and in a GPU.}
97 %[Comparison of number of cores in a CPU and in a GPU]
98 \label{ch1:fig:comparison_cpu_gpu}
99 \end{figure}
100
101 On the most powerful  GPU cards, called Fermi, multiprocessors  are called streaming
102 multiprocessors  (SMs). Each  SM contains  32  cores and  is able  to perform  32
103 floating points or integer operations per clock on  32-bit numbers  or 16 floating
104 points per clock  on  64-bit numbers. SMs  have  their  own registers,  execution
105 pipelines and caches.  On Fermi architecture,  there are 64Kb shared memory plus L1
106 cache  and 32,536 32-bit  registers per  SM. More  precisely the  programmer can
107 decide what amounts  of shared memory and  L1 cache SM are to be used.  The constraint is
108 that the sum of both amounts should be less than or equal to 64Kb.
109
110 Threads are used to  benefit from the large number of cores  of a GPU. These
111 threads    are   different    from    traditional   threads    for a   CPU.     In
112 Chapter~\ref{chapter2},  some  examples of  GPU  programming  will explain  the
113 details of  the GPU  threads. Threads are gathered  into blocks  of 32
114 threads, called ``warps''. These warps  are important when designing an algorithm
115 for GPU.
116
117
118 Another big  difference between a CPU and a GPU  is the latency of  memory.  In a CPU,
119 everything is optimized  to obtain a low latency  architecture. This is possible
120 through  the  use  of  cache  memories. Moreover,  nowadays  CPUs  carry out  many
121 performance optimizations  such as speculative execution  which roughly speaking
122 consists of executing  a small part of the code in advance even if  later this work
123 reveals itself  to be  useless. GPUs  do not have  low latency
124 memory.   In comparison GPUs  have small  cache memories; nevertheless the
125 architecture of GPUs is optimized  for throughput computation and it takes into
126 account the memory latency.
127
128
129
130 \begin{figure}[t!]
131 \centerline{\includegraphics[scale=0.7]{Chapters/chapter1/figures/low_latency_vs_high_throughput.pdf}}
132 \caption{Comparison of low latency of a CPU and high throughput of a GPU.}
133 \label{ch1:fig:latency_throughput}
134 \end{figure}
135
136 Figure~\ref{ch1:fig:latency_throughput}  illustrates   the  main  difference  of
137 memory latency between a CPU and a  GPU. In a CPU, tasks ``ti'' are executed one
138 by one with a short memory latency to get the data to process. After some tasks,
139 there is  a context switch  that allows the  CPU to run  concurrent applications
140 and/or multi-threaded  applications.  Memory latencies  are longer in a  GPU. The
141  principle  to   obtain  a  high  throughput  is  to   have  many  tasks  to
142 compute. Later we  will see that these tasks are called  threads with CUDA. With
143 this  principle, as soon  as a  task is  finished the  next one  is ready  to be
144 executed  while the  wait for  data for  the previous  task is  overlapped by the
145 computation of other tasks. 
146
147
148
149 \section{Kinds of parallelism}
150
151 Many  kinds  of parallelism  are  available according  to  the  type of  hardware.
152 Roughly  speaking, there  are three  classes of  parallelism: instruction-level
153 parallelism, data parallelism, and task parallelism.
154
155 Instruction-level parallelism consists in reordering some instructions in order
156 to execute  some of them in parallel  without changing the result  of the code.
157 In  modern CPUs, instruction  pipelines allow  the processor to  execute instructions
158 faster.   With   a  pipeline  a  processor  can   execute  multiple  instructions
159 simultaneously because  the output of a  task is the  input of the
160 next one.
161
162 Data parallelism consists  in executing the same program  with different data on
163 different computing  units.  Of course,  no dependency should exist  among the
164 data. For example, it is easy  to parallelize loops without dependency using the
165 data parallelism paradigm. This paradigm  is linked with the Single Instructions
166 Multiple Data (SIMD)  architecture. This is the kind  of parallelism provided by
167 GPUs.
168
169 Task parallelism is the common parallelism  achieved  on clusters and grids and
170 high performance  architectures where different tasks are  executed by different
171 computing units.
172
173 \section{CUDA multithreading}
174
175 The data parallelism  of CUDA is more precisely based  on the Single Instruction
176 Multiple Thread (SIMT) model, because a programmer accesses
177   the cores  by the  intermediate of  threads. In  the CUDA  model,  all cores
178 execute the  same set of  instructions but with  different data. This  model has
179 similarities with the vector programming  model proposed for vector machines through
180 the  1970s and into  the  90s, notably  the  various Cray  platforms.   On the  CUDA
181 architecture, the  performance is  led by the  use of  a huge number  of threads
182 (from thousands up to   millions). The particularity of the  model is that there
183 is no  context switching as in  CPUs and each  thread has its own  registers. In
184 practice,  threads  are executed  by  SM  and   gathered  into  groups of  32
185 threads,  called  warps. Each  SM  alternatively  executes
186 active warps  and warps becoming temporarily  inactive due to waiting of data
187 (as shown in Figure~\ref{ch1:fig:latency_throughput}).
188
189
190
191 The key to scalability in the CUDA model is the use of a huge number of threads.
192 In practice, threads are  gathered not only in warps but also in thread blocks. A
193 thread block is executed  by only one SM and it cannot  migrate. The typical size of
194 a thread block is a  power of two (for example, 64, 128, 256, or 512).
195
196
197
198 In this  case, without changing anything inside  a CUDA code, it  is possible to
199 run  code with  a small CUDA  device or  the best performing Tesla  CUDA cards.
200 Blocks are  executed in any order depending  on the number of  SMs available. So
201 the  programmer  must  conceive   code  having this  issue  in  mind.   This
202 independence between thread blocks provides the scalability of CUDA codes.
203
204
205
206
207 A kernel is a function which  contains a block of instructions that are executed
208 by the  threads of a GPU.  When  the problem considered is  a two-dimensional or
209 three-dimensional problem,  it is possible to  group thread blocks  into a grid.
210 In practice, the number of thread blocks and the size of thread blocks are given
211 as parameters  to each kernel.   Figure~\ref{ch1:fig:scalability} illustrates an
212 example of a kernel composed of 8 thread blocks. Then this kernel is executed on
213 a small device containing only 2 SMs.  So in this case, blocks are executed 2 by
214 2 in any order.  If the kernel  is executed on a larger CUDA device containing 4
215 SMs, blocks are  executed 4 by 4 simultaneously.  The  execution times should be
216 approximately twice as fast in the latter case. Of course, that depends on other
217 parameters that will be described later (in this chapter and other chapters).
218
219
220 \begin{figure}[t!]
221 \centerline{\includegraphics[scale=0.65]{Chapters/chapter1/figures/scalability.pdf}}
222 \caption{Scalability of GPU.}
223 \label{ch1:fig:scalability}
224 \end{figure}
225
226 Thread blocks provide a way to cooperate  in the sense that threads of the same
227 block   cooperatively    load   and   store   blocks   of    memory   they   all
228 use. Synchronizations of threads in the same block are possible (but not between
229 threads of different  blocks). Threads of the same block  can also share results
230 in order  to compute a  single result. In Chapter~\ref{chapter2},  some examples
231 will explain that.
232
233
234 \section{Memory hierarchy}
235
236 The memory hierarchy of  GPUs\index{memory hierarchy} is different from that of CPUs.  In practice,  there are registers\index{memory hierarchy!registers}, local
237 memory\index{memory hierarchy!local memory},                               shared
238 memory\index{memory hierarchy!shared memory},                               cache
239 memory\index{memory hierarchy!cache memory},              and              global
240 memory\index{memory hierarchy!global memory}.
241
242
243 As  previously  mentioned each  thread  can access  its  own  registers.  It  is
244 important to keep in mind that the  number of registers per block is limited. On
245 recent cards,  this number is  limited to 64Kb  per SM.  Access to  registers is
246 very fast, so it is a good idea to use them whenever possible.
247
248 Likewise each thread can access local  memory which, in practice, is much slower
249 than registers.  Local memory is automatically used by the compiler when all the
250 registers are  occupied, so the  best idea is  to optimize the use  of registers
251 even if this involves reducing the number of threads per block.
252
253 \begin{figure}[b!]
254 \centerline{\includegraphics[scale=0.60]{Chapters/chapter1/figures/memory_hierarchy.pdf}}
255 \caption{Memory hierarchy of a GPU.}
256 \label{ch1:fig:memory_hierarchy}
257 \end{figure}
258
259
260
261 Shared memory allows  cooperation between threads of the  same block.  This kind
262 of memory is fast but it needs to be manipulated manually and its size is
263 limited.  It is accessible during the execution of a kernel. So the idea is
264 to fill the shared  memory at the start of the kernel  with global data that are
265 used very  frequently, then threads can  access it for  their computation.  Threads
266 can obviously change  the content of this shared  memory either with computation
267 or by loading  other data and they can  store its content in the  global memory. So
268 shared memory can  be seen as a cache memory  manageable manually. This
269 obviously  requires an effort from the programmer.
270
271 On  recent cards,  the programmer  may decide  what amount  of cache  memory and
272 shared memory is attributed to a kernel. The cache memory is an L1 cache which is
273 directly  managed by  the GPU.  Sometimes,  this cache  provides very  efficient
274 result and sometimes the use of shared memory is a better solution.
275
276
277
278
279 Figure~\ref{ch1:fig:memory_hierarchy}  illustrates  the  memory hierarchy  of  a
280 GPU. Threads are represented on the top  of the figure. They can have access to their
281 own registers  and their local memory. Threads  of the same block  can access 
282 the shared memory of that block. The cache memory is not represented here but it
283 is local  to a thread. Then  each block can access  the global  memory of the
284 GPU.
285
286  \section{Conclusion}
287
288 In this chapter,  a brief presentation of the video card,  which has later been
289 used to perform computation, has been  given. The architecture of a GPU has been
290 illustrated focusing on the particularity of GPUs in terms of parallelism, memory
291 latency, and  threads. In order to design  an efficient algorithm for  GPU, it is
292 essential to keep all these parameters in mind.
293
294
295 \putbib[Chapters/chapter1/biblio]
296