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

Private GIT Repository
suite
[book_gpu.git] / BookGPU / Chapters / chapter1 / ch1.tex
1 \chapterauthor{Raphaël Couturier}{Femto-ST Institute, University of Franche-Comte}
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
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 Graphics card until they can be used in order to make general
13 purpose computation. Then the 
14
15
16
17 \section{Brief history of Video Card}
18
19 Video  card or  Graphics card  have been  introduced in  personnal  computers to
20 produce  high quality  graphics faster  than classical  Central  Processing Unit
21 (CPU) and  to alleviate CPU from this  task. In general, display  tasks are very
22 repetitive and very specific.  Hence,  some manufacturers have produced more and
23 more sofisticated video cards, providing 2D accelerations then 3D accelerations,
24 then some  light transforms. Video cards  own their own memory  to perform their
25 computation.  From  at least two dedaces,  every personnal computer  has a video
26 card which is  simple for desktop computers or  which provides many accelerations
27 for game  and/or graphic oriented computers.  In the latter  case, graphic cards
28 may be more expensive than a CPU.
29
30 After 2000,  video cards allowed to apply  arithmetics operations simulatenously
31 on a  sequence of  pixels, also  later called stream  processing. In  this case,
32 information of the  pixels (color, location and other  information) are combined
33 in   order  to   produce   a  pixel   color   that  can   be   displayed  on   a
34 screen.  Simultaneous  computations  are  provided by  shaders  which  calculate
35 rendering effects on graphics hardware  with a high degree of flexibility. These
36 shaders handles the stream data with pipelines.
37
38
39 Some reasearchers  tried to apply  those operations on other  data, representing
40 something different  from pixels,  and consequently this  resulted in  the first
41 uses of video cards for  performing general purpose computation. The programming
42 model  was not  easy  to use  at  all and  was very  dependent  of the  hardware
43 constraints.  More precisely  it consisted  in  using either  DirectX of  OpenGL
44 functions  providing  an  interface  to  some classical  operations  for  videos
45 operations  (memory  transfers,   texture  manipulation,  ...).  Floating  point
46 operations were  most of  the time unimaginable.   Obviously when  something bad
47 happened, programmers had no way (and tools) to detect it.
48
49 \section{GPGPU}
50
51 In order  to benefit from the computing  power of more recent  video cards, CUDA
52 was first proposed in 2007 by  NVidia. It unifies the programming model for some
53 of  their most performant  video cards.   Cuda~\cite{ch1:cuda} has  quickly been
54 considered by  the scientific community as  a great advance  for general purpose
55 graphics processing  unit (GPGPU) computing.  Of course  other programming model
56 have been  proposed. The  other well-known alternative  is OpenCL which  aims at
57 proposing an alternative to Cuda  and which is multi-platform and portable. This
58 is a  great advantage since  it is even  possible to execute OpenCL  programs on
59 traditionnal  CPUs.  The  main  drawbacks is  that  it is  less  tight with  the
60 hardware and consequently provides  sometimes less efficient programs. Moreover,
61 Cuda benefits  from more mature compilation and  optimization procedures.  Other
62 less known environment  have been proposed, but most of  them have been stopped,
63 for example we  can cited: FireStream by ATI which is  not maintened anymore and
64 replaced  by  OpenCL,  BrookGPU  by  Standford  University~\cite{ch1:Buck:2004:BGS}.
65 Another environment based  on pragma (insertion of pragma  directives inside the
66 code to  help the compiler  to generate efficient  code) is call OpenACC.  For a
67 comparison with OpenCL, interested readers may refer to~\cite{ch1:CMR:12}.
68
69
70
71 \section{Architecture of current GPUs}
72
73 Architecture  \index{Architecture  of  a  GPU}  of current  GPUs  is  constantly
74 evolving.    Nevertheless    some    trends    remains   true    through    this
75 evolution.  Processing  units  composing a  GPU  are  far  more simpler  than  a
76 traditional CPU but it is much easier to integrate many computing units inside a
77 GPU card than many  cores inside a CPU. This is due to the  fact that cores of a
78 GPU are simpler than  cores of a CPU.  In 2012, the  most powerful GPUs own more
79 than     500    cores     and    the     most    powerful     CPUs     have    8
80 cores. Figure~\ref{ch1:fig:comparison_cpu_gpu} shows  the number of cores inside
81 a  CPU  and  inside a  GPU.   In  fact,  in  a  current NVidia  GPU,  there  are
82 multiprocessors which have 32 cores (for example on Fermi cards). The core clock
83 of CPU is generally around 3GHz and the one of GPU is about 1.5GHz. Although the
84 core clock  of GPU cores is  slower, the amount  of cores inside a  GPU provides
85 more computational power. This measure  is commonly represented by the number of
86 floating point operation  per seconds. Nowadays most powerful  GPUs provide more
87 than 1TFlops, i.e. $10^{12}$ floating point operations per second.  Nevertheless
88 GPUs  are  very efficient  to  perform  some operations  but  not  all kinds  of
89 operations. They are very efficient to execute repetitive work in which only the
90 data change. It  is important to keep in mind that  multiprocessors inside a GPU
91 have 32 cores. Later we will see that these 32 cores need to do the same work to
92 get maximum performance.
93
94 \begin{figure}[b!]
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]{Comparison of number of cores in a CPU and in a GPU.}
97 \label{ch1:fig:comparison_cpu_gpu}
98 \end{figure}
99
100 On most powerful  GPU cards, called Fermi, multiprocessors  are called streaming
101 multiprocessors  (SM). Each  SM contains  32  cores and  is able  to perform  32
102 floating point or integer operations on  32bits numbers per clock or 16 floating
103 point  on  64bits number  per  clock. SMs  have  their  own registers,  execution
104 pipelines and caches.  On Fermi architecture,  there are 64Kb shared memory + L1
105 cache  and 32,536 32bits  registers per  SM. More  precisely the  programmer can
106 decide what amount  of shared memory and  L1 cache SM can use.  The constaint is
107 that the sum of both amounts is less or equal to 64Kb.
108
109 Threads are used to  benefit from the important number of cores  of a GPU. Those
110 threads    are   different    from    traditional   threads    for   CPU.     In
111 chapter~\ref{chapter2},  some  examples of  GPU  programming  will explicit  the
112 details of  the GPU  threads. However,  threads are gathered  into blocks  of 32
113 threads, called ``warp''. Those warps  are important when designing an algorithm
114 for GPU.
115
116
117 Another big  difference between CPU and GPU  is the latency of  memory.  In CPU,
118 everything is optimized  to obtain a low latency  architecture. This is possible
119 through  the  use  of  cache  memories. Moreover,  nowadays  CPUs  perform  many
120 performance optimizations  such as speculative execution  which roughly speaking
121 consists in executing  a small part of  code in advance even if  later this work
122 reveals to  be useless. In  opposite, GPUs do  not have low latency  memory.  In
123 comparison GPUs have ridiculous cache memories. Nevertheless the architecture of
124 GPUs  is optimized for  throughtput computation  and it  takes into  account the
125 memory latency.
126
127
128
129 \begin{figure}[b!]
130 \centerline{\includegraphics[scale=0.7]{Chapters/chapter1/figures/low_latency_vs_high_throughput.pdf}}
131 \caption[Comparison of low latency of CPU and highthroughput of GPU]{Comparison of low latency of CPU and highthroughput of GPU.}
132 \label{ch1:fig:latency_throughput}
133 \end{figure}
134
135 Figure~\ref{ch1:fig:latency_throughput}  illustrates   the  main  difference  of
136 memory latency between a CPU and a  GPU. In a CPU, tasks ``ti'' are executed one
137 by one with a short memory latency to get the data to process. After some tasks,
138 there is  a context switch  that allows the  CPU to run  concurrent applications
139 and/or multi-threaded  applications. Memory latencies  are longer in a  GPU, the
140 the  principle  to   obtain  a  high  throughput  is  to   have  many  tasks  to
141 compute. Later we  will see that those tasks are called  threads with CUDA. With
142 this  principle, as soon  as a  task is  finished the  next one  is ready  to be
143 executed  while the  waiting for  data for  the previous  task is  overlapped by
144 computation of other tasks.
145
146
147
148 \section{Kinds of parallelism}
149
150 Many  kinds  of parallelism  are  avaible according  to  the  type of  hardware.
151 Roughtly  speaking,  there are  three  classes  of parallelism:  instruction-level
152 parallelism,   data  parallelism   and   task  parallelism.   
153
154 Instruction-level parallelism consists in re-ordering some instructions in order
155 to execute  some of them in parallel  without changing the result  of the code.
156 In  modern CPUs, instruction  pipelines allow  processor to  execute instruction
157 faster.   With   a  pipeline  a  processor  can   execute  multiple  instructions
158 simultaneously due  to the fact that  the output of a  task is the  input of the
159 next one.
160
161 Data parallelism consists  in executing the same program  with different data on
162 different computing  units. Of course, no  depency should exist  between the the
163 data. For example, it is easy  to parallelize loops without dependency using the
164 data parallelism paradigm. This paradigm  is linked with the Single Instructions
165 Multiple Data  (SIMD) architecture. This is  the kind of  parallism providing by
166 GPUs.
167
168 Taks parallelism  is the common parallism  achieved out on cluster  and grid and
169 high performance  architecture where different  tasks are executed  by different
170 computing units.
171
172 \section{CUDA Multithreading}
173
174 The data parallelism  of CUDA is more precisely based  on the Single Instruction
175 Multiple Thread (SIMT) model. This is due to the fact that the programmer access
176 to  the cores  by the  intermediate of  threads. In  the CUDA  model,  all cores
177 execute the  same set of  instructions but with  different data. This  model has
178 similarities with vector programming  model proposed for vector machines through
179 the  1970s into  the  90s, notably  the  various Cray  platforms.   On the  CUDA
180 architecture, the  performance is  led by the  use of  a huge number  of threads
181 (from thousand upto  to millions). The particularity of the  model is that there
182 is no context switching as in CPUs and each thread has its own registers. In practice, threads are executed by SM and are gathered into groups of 32 threads. Those groups are call ``warps''. Each SM alternatively executes ``active warps'' and warps becoming temporaly inactive due to waiting of data (as shown in Figure~\ref{ch1:fig:latency_throughput}).
183
184 The key to scalability in the CUDA model is the use of a huge number of threads.
185 In practice threads are not only gathered  in warps but also in thread blocks. A
186 thread block is executed  by only one SM and it cannot  migrate. Typical size of
187 thread block is a number power of two (for example: 64, 128, 256 or 512).
188
189
190
191 In this  case, without changing anything inside  a CUDA code, it  is possible to
192 run your  code with  a small CUDA  device or  most performant Tesla  CUDA cards.
193 Blocks are  executed in any number depending  on the number of  SM available. So
194 the  programmer  must  conceive  its  code  having this  issue  in  mind.   This
195 independence between threads blocks provides the scalability of CUDA codes.
196
197 \begin{figure}[b!]
198 \centerline{\includegraphics[scale=0.65]{Chapters/chapter1/figures/scalability.pdf}}
199 \caption[Scalability of GPU]{Scalability of GPU.}
200 \label{ch1:fig:scalability}
201 \end{figure}
202
203
204 A kernel is a function which contains a block a instruction that are executed by
205 threads of a GPU.  When the problem considered is a 2 dimensions or 3 dimensions
206 problem,  it is  possible to  group thread  blocks into  grid. In  practice, the
207 number of thread  blocks and the size  of thread block is given  in parameter to
208 each  kernel.   Figure~\ref{ch1:fig:scalability}  illustrates  an example  of  a
209 kernel composed  of 8  thread blocks. Then  this kernel  is executed on  a small
210 device containing only 2 SMs. So in in  this case, blocks are executed 2 by 2 in
211 any order.  If the kernel is executed  on a larger CUDA device containing 4 SMs,
212 blocks  are executed  4  by 4  simultaneously.   The execution  times should  be
213 approximately twice faster in the latter  case. Of course, that depends on other
214 parameters that will be described later.
215
216 Thread blocks provide a way to cooperation  in the sens that threads of the same
217 block   cooperatively    load   and   store   blocks   of    memory   they   all
218 use. Synchronizations of threads in the same block are possible (but not between
219 thread of different blocks). Threads of the same block can also share results in
220 order to compute a single  result. In chapter~\ref{chapter2}, some examples will
221 explicit that.
222
223
224 \section{Memory hierarchy}
225
226 The memory hierarchy of GPUs\index{Memory  hierarchy of a GPU} is different from
227 the CPUs  one.  In  practice, there are  registers, local memory,  shared memory,
228 cache memroy and global memory.
229
230 As  previously  mentioned each  thread  can access  its  own  registers.  It  is
231 important to keep in mind that the  number of registers per block is limited. On
232 recent cards,  this number is  limited to 64Kb  per SM.  Access to  registers is
233 very fast, so when possible it is a good idea to use them.
234
235 Likewise each thread can access local  memory which, in practice, is much slower
236 than registers.  Local memory is automatically used by the compiler when all the
237 registers are  occupied. So the  best idea is  to optimize the use  of registers
238 even if this implies to reduce the number of threads per block.
239
240 Shared memory allows  cooperation between threads of the  same block.  This kind
241 of memory  is fast by  it requires  to be manipulated  manually and its  size is
242 limited.  It is accessible during the execution of a kernel. So the principle is
243 to fill the shared  memory at the start of the kernel  with global data that are
244 used very  frequently, then threads can  access it for  their computation.  They
245 can obviously change  the content of this shared  memory either with computation
246 or load of  other data and they can  store its content in the  global memory. So
247 shared memory can  be seen as a cache memory  manageable manually. This requires
248 obviously an effort from the programmer.
249
250 On  recent cards,  the programmer  may decide  what amount  of cache  memory and
251 shared memory is attributed to a kernel. The cache memory is a L1 cache which is
252 directly  managed by  the GPU.  Sometimes,  this cache  provides very  efficient
253 result and sometimes the use of shared memory is a better solution.
254
255 \begin{figure}[b!]
256 \centerline{\includegraphics[scale=0.60]{Chapters/chapter1/figures/memory_hierarchy.pdf}}
257 \caption[Memory hierarchy of a GPU]{Memory hierarchy of a GPU.}
258 \label{ch1:fig:memory_hierarchy}
259 \end{figure}
260
261
262 Figure~\ref{ch1:fig:memory_hierarchy}  illustrates  the  memory hierarchy  of  a
263 GPU. Threads are represented on the top  of the figure. They can access to their
264 own registers  and their local memory. Threads  of the same block  can access to
265 the shared memory of this block. The cache memory is not represented here but it
266 is local  to a thread. Then  each block can access  to the global  memory of the
267 GPU.
268
269
270 %%http://people.maths.ox.ac.uk/gilesm/pp10/lec2_2x2.pdf
271 %%https://people.maths.ox.ac.uk/erban/papers/paperCUDA.pdf
272 %%http://forum.wttsnxt.com/my_forum/viewtopic.php?f=5&t=9519
273 %%http://www.cs.nyu.edu/manycores/cuda_many_cores.pdf
274 %%http://www.cc.gatech.edu/~vetter/keeneland/tutorial-2011-04-14/02-cuda-overview.pdf
275 %%http://people.maths.ox.ac.uk/~gilesm/cuda/
276
277
278 \putbib[Chapters/chapter1/biblio]
279