了解 CUDA 分析器输出 (nvprof)

Understanding CUDA profiler output (nvprof)

我只是在查看以下输出并试图围绕这些数字思考:

==2906== Profiling result:
Time(%)      Time     Calls       Avg       Min       Max  Name
 23.04%  10.9573s     16436  666.67us  64.996us  1.5927ms  sgemm_sm35_ldg_tn_32x16x64x8x16
 22.28%  10.5968s     14088  752.18us  612.13us  1.6235ms  sgemm_sm_heavy_nt_ldg
 18.09%  8.60573s     14088  610.86us  513.05us  1.2504ms  sgemm_sm35_ldg_nn_128x8x128x16x16
 16.48%  7.84050s     68092  115.15us  1.8240us  503.00us  void axpy_kernel_val<float, int=0>(cublasAxpyParamsVal<float>)
...
  0.25%  117.53ms      4744  24.773us     896ns  11.803ms  [CUDA memcpy HtoD]
  0.23%  107.32ms     37582  2.8550us  1.8880us  8.9556ms  [CUDA memcpy DtoH]

...

==2906== API calls:
Time(%)      Time     Calls       Avg       Min       Max  Name
 83.47%  41.8256s     42326  988.18us  16.923us  13.332ms  cudaMemcpy
  9.27%  4.64747s    326372  14.239us  10.846us  11.601ms  cudaLaunch
  1.49%  745.12ms   1502720     495ns     379ns  1.7092ms  cudaSetupArgument
  1.37%  688.09ms      4702  146.34us     879ns  615.09ms  cudaFree
...

在优化内存访问方面,比较不同的实现时我真正需要查看的数字是什么?它首先看起来像 memcpy 只需要 117.53+107.32ms(在两个方向上),但后来有这个 API 调用 cudaMemcpy: 41.8256s,这是更多。此外,min/avg/max 列不会在上部和下部输出块之间相加。

为什么会有差异?"true" 对我优化内存传输很重要的数字是多少?

编辑:第二个问题是:有没有办法弄清楚谁在打电话? axpy_kernel_val(多少次)?

总时间 的差异是由于工作是异步启动到 GPU 的。如果你有一个很长的 运行ning 内核或一组内核与主机没有显式同步,然后调用 cudaMemcpycudaMemcpy 调用将在内核已完成执行。 API 调用的总时间是从启动到完成的时间,因此会与执行内核重叠。如果您 运行 通过 NVIDIA Visual Profiler 输出(nvprof -o xxx ./myApp,然后将 xxx 导入 nvvp),您可以非常清楚地看到这一点。

差异是 分钟时间 是由于启动开销。虽然 API 分析考虑了所有启动开销,但内核时序只包含其中的一小部分。正如您在此处所见,启动开销可能约为 10-20us。

一般来说,API 调用部分让您知道 CPU 在做什么,而分析结果告诉您 GPU 在做什么。在这种情况下,我认为您没有充分利用 CPU,因为可以说 cudaMemcpy 启动得太早并且浪费了 CPU 周期。然而,在实践中,通常很难或不可能从这些空闲周期中获得任何有用的东西。