cuBLAS dsyrk 比 dgemm 慢答案

【问题标题】：cuBLAS dsyrk slower than dgemmcuBLAS dsyrk 比 dgemm 慢
【发布时间】：2016-10-09 09:05:21
【问题描述】：

我正在尝试使用 cuBLAS 在 GPU 上计算 C = A*A'，我发现 rank-k 更新 cublasDsyrk 的运行速度比一般矩阵-矩阵乘法例程 cublasDgemm 慢约 5 倍。

这让我很惊讶；我认为syrk 会更快，因为它是一段更专业的代码。这是不合理的期望吗？我做错了吗？

计时代码

最终我正在编写 CUDA 代码以编译为 MATLAB 的 MEX 文件，因此很抱歉没有提供完整的工作示例（会有很多无关的代码用于与 MATLAB 对象争吵）。

我知道这可能不是最好的方法，但我正在使用 clock() 来计算代码运行所需的时间：

// Start of main function
clock_t tic = clock();
clock_t toc;

/* ---- snip ---- */

cudaDeviceSynchronize();

toc = clock();
printf("%8d (%7.3f ms) Allocated memory on GPU for output matrix\n",
        toc-tic,1000*(double)(toc-tic)/CLOCKS_PER_SEC);

// Compute the upper triangle of C = alpha*A*A' + beta*C
stat = cublasDsyrk(handle, CUBLAS_FILL_MODE_UPPER, CUBLAS_OP_N, 
        M, N, &alpha, A, M, &beta, C, M);

toc = clock();
printf("%8d (%7.3f ms) cublasDsyrk launched\n",
        toc-tic,1000*(double)(toc-tic)/CLOCKS_PER_SEC);

cudaDeviceSynchronize();

toc = clock();
printf("%8d (%7.3f ms) cublasDsyrk completed\n",
        toc-tic,1000*(double)(toc-tic)/CLOCKS_PER_SEC);

/* ----- snip ----- */

运行时

在 [12 x 500,000] 随机矩阵（列主要存储）上运行的输出：

  911 (  0.911 ms) Loaded inputs, initialized cuBLAS context
 1111 (  1.111 ms) Allocated memory on GPU for output matrix
 1352 (  1.352 ms) cublasDsyrk launched
85269 ( 85.269 ms) cublasDsyrk completed
85374 ( 85.374 ms) Launched fillLowerTriangle kernel
85399 ( 85.399 ms) kernel completed
85721 ( 85.721 ms) Finished and cleaned up

将syrk 调用替换为

stat = cublasDgemm(handle, CUBLAS_OP_N, CUBLAS_OP_T, M, M, N, 
        &alpha, A, M, A, M, &beta, C, M);

整个过程运行得更快：

  664 (  0.664 ms) Loaded inputs, initialized cuBLAS context
  796 (  0.796 ms) Allocated memory on GPU for output matrix
  941 (  0.941 ms) cublasDgemm launched
16787 ( 16.787 ms) cublasDgemm completed
16837 ( 16.837 ms) Launched fillLowerTriangle kernel
16859 ( 16.859 ms) kernel completed
17263 ( 17.263 ms) Finished and cleaned up

我尝试了一些其他尺寸的矩阵；有趣的是，当矩阵的行数很少时，速度差异似乎最为明显。在 100 行时，gemm 仅快 2 倍，而在 1000 行时则稍慢（这是我一直以来的预期）。

其他详情

我使用的是 CUDA Toolkit 7.5，GPU 设备是 NVIDIA Grid K520（Kepler，计算能力 3.0）。我在 Amazon EC2 g2.x2large 实例上运行。

【问题讨论】：

标签： cuda cublas

【解决方案1】：

[n x 500,000] for n=12,100,1000 都是非常宽的矩阵。在这些极端情况下，gemm() 和syrk() 可能无法达到其峰值性能，其中syrk() 几乎是gemm() 的两倍（因为结果矩阵是对称的，因此您可以节省一半的计算量） .

另一个考虑是CUDAgemm()/syrk()通常将矩阵划分为固定大小的子矩阵作为基本计算单元来实现高性能。 dgemm() 的子矩阵的大小最大为 32x64，如以下链接所示。

http://www.netlib.org/lapack/lawnspdf/lawn267.pdf

如果您的尺寸（12 或 100）既不大于子矩阵也不是它的倍数，性能通常会下降很多。

【讨论】：