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

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