为什么同时使用 numba.cuda 和 CuPy 从 GPU 传输数据这么慢？

Question

我从 Cupy 的文档中阅读了有关如何同时使用 cupy 和 numba 以及使用 cuda 加速代码的示例。 https://docs-cupy.chainer.org/en/stable/reference/interoperability.html

我写了一个类似的代码来测试它：

import cupy
from numba import cuda
import numpy as np
import time

@cuda.jit('void(float32[:], float32[:], float32[:])')
def add(x, y, out):
        start = cuda.grid(1)
        stride = cuda.gridsize(1)
        for i in range(start, x.shape[0], stride):
                out[i] = x[i] + y[i]


a = cupy.arange(10000000)
b = a * 2
out = cupy.zeros_like(a)

print("add function time consuming:")
s = time.time()
add(a, b, out)
e = time.time()
print(e-s)
s = time.time()
print("out[2]:")
print(out[2])
e = time.time()
print("the time of transfering out[2] out of GPU:")
print(e-s)

s = time.time()
new_OUT = a + b
print("new out[2] which only use cupy:")
print(new_OUT[2])
e = time.time()
print("the total time of running cupy addition and transfering new out[2] out of GPU:")
print(e-s)

输出是：

add function time consuming:
0.0019025802612304688
out[2]:
6
the time of transfering out[2] out of GPU:
1.5608515739440918
new out[2] which only use cupy:
6
the total time of running cupy addition and transfering new out[2] out of GPU:
0.002993345260620117

第一种情况下out[2]的调用怎么会这么慢？

我正在编写一些需要处理一些cupy数组和矩阵的函数。这些函数工作正常，但是在运行这些函数之后，当我需要进行一些修改时，甚至调用out.shape 之类的东西都非常慢（我的矩阵和数组非常庞大）。

我不确定这里发生了什么，因为 cupy 也使用 cuda，所以当我调用 a + b 时，它应该在 GPU 上运行，但是当我调用 out[2] 来检查 out[ 2]。但是第一种情况消耗超高。

Answer 1

要了解您的代码输出，至少需要注意两点：

1. 在 CUDA 中，通常配置内核启动以指示网格配置（块数，每个块的线程数）。 numba CUDA 内核启动通常会在内核参数之前的方括号中显示网格配置：

   kernel_name[grid_configuration](kernel_arguments)
   

   在 numba CUDA 中，省略方括号和网格配置在语法上是允许的，这具有[1,1]（一个块，由一个线程组成）的网格配置的隐含含义。您的内核使用或多或少的任意网格配置，因为它使用grid-stride loop。然而，这并不意味着网格配置无关紧要。它对性能很重要。 [1,1] 的网格配置将提供令人沮丧的性能，并且永远不应该在性能很重要的 CUDA 内核启动中使用。因此，我们可以通过更改您的内核调用来纠正此问题，例如：

   add[1024,256](a, b, out)
   

   这将启动一个由 1024 个块组成的网格，每个块有 256 个线程。

2. 在 CUDA 中，内核启动是异步的。这意味着启动内核的主机代码将启动启动，但不会等待内核完成。这同样适用于 numba CUDA 内核启动。因此，内核启动本身的时间测量通常会令人困惑。出于计时目的，这可以通过强制 CPU 线程在计时区域内等待来调整，直到内核完成。在 numba CUDA 中，我们可以这样做：

   cuda.synchronize()