2022/07/30 –, TR311
言語: 漢語
利用 Opentuner 結合輕量化的 Python script，找到如何在 CUDA Code 中，添加正確的 Unified Memory Advice 以及 Prefetch，提供更便捷的程式撰寫方式，並帶來良好的效能。
傳統CUDA的 Explicit Data Movement 的方式，需要工程師自行管理 GPU 和 CPU 之間的搬運，且當資料大小超過 GPU 本身記憶體的大小時(稱之為 GPU Memory Oversubscription)，則無法執行。在CUDA 6.0後，CUDA 增加了 Unified Memory (UM)，將 CPU 和 GPU 的記憶體視為同一空間，工程師不再需要自行管理資料搬移。
UM 的好處是書寫程式碼上更為容易，並且支援 GPU Memory Oversubscription，然而因為其採用 On-demand Page Migration，意即當GPU需要使用資料時，才會將物件從CPU的記憶體搬移到GPU上，使效能相比之前大幅下降。為此，CUDA 提供了許多 UM 的進階 API，如 cudaMemAdvise，讓使用者可以提供 UM Driver 記憶體存取特性的提示，或是 cudaMemPrefetchAsync，讓 GPU 提前將物件預取到記憶體中。但是該如何使用這些 UM 的 API，卻也是一大難題，不正確的使用可能會讓效能更糟。
本議程將會探討 CUDA 提出的 cudaMemAdvise 以及 cudaMemPrefetchAsync 會對程式帶來什麼影響，並且闡述我們的方法，結合Opentuner開源框架，自動找到如何設定 UM 參數。如此一來，使用者除了可以同時享受 UM 帶來的書寫便利，也可以避免因使用 UM 而造成效能大幅度的下降。
Skilled
Target Audience –對於計算機結構、程式有基礎認識者
Hi，我是 YuweiTT，現在還是一名學生，希望可以將研究的想法，分享給大家～