如何在设备内存中有效地洗牌？

Question

问题

在设备全局内存中移动许多随机（非合并）值时，哪种方式最有效？

注意：许多值都在 > 500 中。

上下文

我从事 GPU 的遗传算法实现已经有一段时间了，我一直在努力在我的框架的灵活性和 GPU 架构的微优化之间挣扎。 GA 数据始终驻留在 GPU 中。只有最佳代解决方案被复制到主机内存中。

详细场景

我正在优化迁移功能。这里基本上很少有数据在设备全局内存中被洗牌。但是我的数据顺序以这种方式合并为 GA 运算符内核线程的内存访问方案，这使得洗牌一对“基因组”，一个跨步的问题，单个 FLOAT 值，并以相同的跨步方式将它们与另一个基因组交换。

已知解决方案

问题不在于内存带宽，而是调用延迟和线程阻塞导致进程停滞的问题。

1. 我编写了几个设备内核，其功能只是在地址之间移动值。这将启动一个内核（占用率非常低、代码分散和随机内存访问......因此它运行的小代码将被序列化），但只需对设备进行两次内核调用即可完成工作。

   • 第一个内核将值复制到缓冲区数组。
   • 第二个内核交换值。

2. 我知道我可以对每个值使用 cudaMemcpy，但这需要多次调用 cudaMemCpy，我认为这是 同步的来电。

简化代码示例：

int needed_genome_idx = 0; // Some random index.
for(int nth_gene = 0; nth_gene < num_genes; ++nthgene)
{
  cudaMemcpy(genomes_buffer + nth_gene,
             src + needed_genome_idx + nth_gene * stride_size, // stride_size being a big number, usually equal to the size of the GA population.
             sizeof(float),
             cudaMemCpyDeviceToDevice);
}

这是一个可行的解决方案吗？使用 cudaMemCpyAsync 会提高性能吗？

有没有更好的方式，或者至少更优雅的方式来做这样的内存操作？

Answer 1

你可以尝试写一个内核来完成shuffle，可能比调用cudaMemcpy这么多次效率更高。