OpenCL AMD 与 NVIDIA 性能对比答案

【问题标题】：OpenCL AMD vs NVIDIA performanceOpenCL AMD 与 NVIDIA 性能对比
【发布时间】：2012-02-16 18:17:28
【问题描述】：

我实现了一个简单的内核，它是某种卷积。我在 NVIDIA GT 240 上进行了测量。在 CUDA 上编写需要 70 毫秒，在 OpenCL 上编写需要 100 毫秒。好的，我想，NVIDIA 编译器更适合 CUDA（或者我做错了什么）。我需要在 AMD GPU 上运行它，所以我迁移到 AMD APP SDK。完全相同的内核代码。

我进行了两次测试，结果让我感到沮丧：HD 6670 为 200 毫秒，HD 5850 为 70 毫秒（与 GT 240 + CUDA 相同）。我对这种奇怪行为的原因非常感兴趣。

所有项目均使用 NVIDIA 和 AMD 示例项目的设置在 VS2010 上构建。

请不要将我的帖子视为 NVIDIA 广告。我相当了解 HD 5850 比 GT 240 更强大。我唯一想知道的是为什么会出现这种差异以及如何解决问题。

更新。下面是内核代码，它在基础图像中查找 6 个大小相同的模板图像。基本图像的每个像素都被视为模板之一的可能来源，并由单独的线程处理。内核比较基础图像和模板图像的每个像素的 R、G、B 值，如果至少有一个差异超过diff 参数，则将相应像素计为不匹配。如果不匹配的像素数小于maxNonmatchQt，则命中相应的模板。

__constant int tOffset = 8196; // one template size in memory (in bytes)
__kernel void matchImage6( __global unsigned char* image, // pointer to the base image
            int imgWidth, // base image width
            int imgHeight, // base image height
            int imgPitch, // base image pitch (in bytes)
            int imgBpp, // base image bytes (!) per pixel
            __constant unsigned char* templates, // pointer to the array of templates
            int tWidth, // templates width (the same for all)
            int tHeight, // templates height (the same for all)
            int tPitch, // templates pitch (in bytes, the same for all)
            int tBpp, // templates bytes (!) per pixel (the same for all)
            int diff, // max allowed difference of intensity
            int maxNonmatchQt, // max number of nonmatched pixels
            __global int* result, // results
                            ) {
int x0 = (int)get_global_id(0);
int y0 = (int)get_global_id(1);
if( x0 + tWidth > imgWidth || y0 + tHeight > imgHeight)
    return;
int nonmatchQt[] = {0, 0, 0, 0, 0, 0};
for( int y = 0; y < tHeight; y++) {
    int ind = y * tPitch;
    int baseImgInd = (y0 + y) * imgPitch + x0 * imgBpp;
    for( int x = 0; x < tWidth; x++) {
        unsigned char c0 = image[baseImgInd];
        unsigned char c1 = image[baseImgInd + 1];
        unsigned char c2 = image[baseImgInd + 2];
        for( int i = 0; i < 6; i++)
            if( abs( c0 - templates[i * tOffset + ind]) > diff || 
                            abs( c1 - templates[i * tOffset + ind + 1]) > diff || 
                            abs( c2 - templates[i * tOffset + ind + 2]) > diff)
                nonmatchQt[i]++;
        ind += tBpp;
        baseImgInd += imgBpp;
    }
    if( nonmatchQt[0] > maxNonmatchQt && nonmatchQt[1] > maxNonmatchQt && nonmatchQt[2] > maxNonmatchQt && nonmatchQt[3] > maxNonmatchQt && nonmatchQt[4] > maxNonmatchQt && nonmatchQt[5] > maxNonmatchQt)
        return;
}
for( int i = 0; i < 6; i++)
    if( nonmatchQt[i] < maxNonmatchQt) {
        unsigned int pos = atom_inc( &result[0]) * 3;
        result[pos + 1] = i;
        result[pos + 2] = x0;
        result[pos + 3] = y0;
    }
}

内核运行配置：全局工作大小 = (1900, 1200) 本地工作大小 = AMD 的 (32, 8) 和 NVIDIA 的 (32, 16)。

执行时间：高清 5850 - 69 毫秒，高清 6670 - 200 毫秒， GT 240 - 100 毫秒。

对我的代码的任何评论也非常感谢。

【问题讨论】：

这里没有足够的信息来回答这个问题！每个 NVidia 和 AMD 卡在架构上都是棘手的野兽，你看到的性能很大程度上取决于代码。了解两者之间的性能差异更加棘手。你能发布你的内核和驱动程序吗？
您在内核中运行什么样的算法？内存访问模式？波前/翘曲尺寸？需要更多信息才能提供建议。
你启动了多少线程？你在向量化数组吗？
谢谢大家的回答。我明天会发布我的内核代码。
maxNonmatchQt 和模板大小 (tW*tH) 之间的比例应该是多少？此信息可以帮助优化。您是每像素使用 3 个字节，还是每像素使用 3*n 字节？我假设每个 RGB 通道都使用相同的字节数。它是否正确？另外，你能解释一下 imgPitch 和 tPitch 吗？我不能完全从代码中弄清楚。谢谢

标签： opencl gpgpu nvidia

【解决方案1】：

执行时间的差异是由编译器造成的。您的代码可以轻松矢量化。将图像和模板视为向量类型 char4 的数组（每个 char4 向量的第四坐标始终为 0）。而不是 3 次内存读取：

unsigned char c0 = image[baseImgInd];
unsigned char c1 = image[baseImgInd + 1];
unsigned char c2 = image[baseImgInd + 2];

只使用一个：

unsigned char4 c = image[baseImgInd];

如果：

    if( abs( c0 - templates[i * tOffset + ind]) > diff || 
               abs( c1 - templates[i * tOffset + ind + 1]) > diff || 
               abs( c2 - templates[i * tOffset + ind + 2]) > diff)
         nonmatchQt[i]++;

快速使用：

    unsigned char4 t = templates[i * tOffset + ind];
    nonmatchQt[i] += any(abs_diff(c,t)>diff);

因此，您可以将代码的性能提高多达 3 倍（如果编译器不自行对代码进行矢量化）。我想 AMD OpenCL 编译器没有这种矢量化和其他优化。根据我的经验，NVIDIA GPU 上的 OpenCL 通常可以比 CUDA 更快，因为它更底层。

【讨论】：

HD5850 和 HD6670 GPU 都具有支持矢量化代码的架构，但 AMD 的编译器不一定足够聪明，无法进行这些转换。 Nvidia GPU 上使用的架构不支持矢量化。
你是对的。 NVIDIA GPU 不需要矢量化，但 AMD GPU 需要。

【解决方案2】：

对此没有完全完美的答案。 OpenCL 性能取决于许多参数。访问全局内存的次数、代码的效率等。此外，在两个设备之间进行比较非常困难，因为它们可能具有不同的本地、全局、常量内存。核心数量、频率、内存带宽，更重要的是硬件架构等。

每个硬件都提供自己的性能提升，例如来自 NVIDIA 的 native_。因此，您需要更多地探索您正在使用的硬件，这可能确实有效。但我个人建议不要使用这种硬件特定的优化，这可能会影响代码的灵活性。

您还可以找到一些发表的论文表明，在相同的 NVIDIA 硬件上，CUDA 的性能比 OpenCL 的性能要好得多。

因此，编写提供良好灵活性的代码总是比针对特定设备的优化更好。

【讨论】：