Shared Memory
1、引言
在global memory部分，数据对齐和连续是提升性能的很重要的因素，当使用L1 cache的时候，对齐问题不再是问题，但是非连续的获取内存依然会降低性能。依赖于算法本质，某些情况下，非连续访问是不可避免的。使用shared memory是另一种提高性能的方式。
2、Introduction CUDA Shared Memory
GPU上的memory有两种：
1、On-board memory
2、On-chip memory
global memory就是一块很大的on-board memory，并且有很高的latency；而shared memory正好相反，是一块很小、低延迟的on-chip memory，比global memory拥有高得多的带宽。我们可以把他当做可编程的cache，其主要作用有：
1、An intra-block thread communication channel 一个block中线程间交流通道
2、A program-managed cache for global memory data 可编程的cache
3、Scratch pad memory for transforming data to improve global memory access patterns
shared memory（SMEM）是GPU的重要组成之一。物理上，每个SM包含一个当前正在执行的block中所有thread共享的低延迟的内存池。SMEM使得同一个block中的thread能够相互合作，重用on-chip数据，并且能够显著减少kernel需要的global memory带宽。由于CUDA可以直接显式的操作SMEM的内容，所以又被称为可编程缓存。
由于shared memory和L1要比L2和global memory更接近SM，shared memory的延迟比global memory低20到30倍，带宽大约高10倍。
关于Program-Managed Cache：在C语言编程里，循环（loop transformation）一般都使用cache来优化。在循环遍历的时候使用重新排列的迭代顺序可以很好利用cache局部性。在算法层面上，我们需要手动调节循环来达到令人满意的空间局部性，同时还要考虑cache size。cache对于程序员来说是透明的，编译器会处理所有的数据移动，我们没有能力控制cache的行为。shared memory则是一个可编程可操作的cache，程序员可以完全控制其行为。
Shared Memory Allocation
我们可以动态或者静态的分配shared memory，其声明即可以在kernel内部也可以作为全局变量。CUDA支持声明1D、2D和3D的shared memory数组。其标识符为：__shared__。
静态声明2D浮点型数组：
__shared__ float tile[size_y][size_x];
如果在kernel中声明的话，其作用域就是kernel内，否则是对所有kernel有效。如果shared memory的大小在编译期未知的话，可以使用extern关键字修饰，例如下面声明一个未知大小的1D数组：extern __shared__ int tile[];
由于其大小在编译期未知，我们需要在每个kernel调用时，动态的分配其shared memory，也就是最开始提及的第三个参数：kernel<<<grid, block, isize * sizeof(int)>>>(...)
注意：只有1D数组才能这样动态使用。Shared Memory Banks and Access Mode
当优化内存性能时，有两个重要的因素来量化：latency和bandwidth。shared memory能够用来隐藏由于latency和bandwidth对性能的影响。下面将解释shared memory的组织方式，以便研究其对性能的影响。
(1) Memory Banks
为了获得高带宽，shared memory被分成32（计算能力1.x的device划分为16个banks）个相等大小的内存块，每块大小32-bit(4 bytes)，他们可以被同时访问。不同的计算能力的device，shared memory以不同的模式映射到不同的块（稍后详解）。如果warp访问shared memory，对于每个bank只访问不多于一个内存地址，那么只需要一次内存传输就可以了，否则需要多次传输，因此会降低内存带宽的使用。
(2) Banks Conflict
当一个warp中多个地址请求落在同一个bank中就会发生bank conflict，从而导致请求多次执行。硬件会把这类请求分散到尽可能多的没有conflict的那些传输操作里面，降低有效带宽的因素是被分散到的传输操作个数。 warp有三种典型的获取shared memory的模式：
· Parallel access：多个地址分散在多个bank。
· Serial access：多个地址落在同一个bank。
· Broadcast access：一个地址读操作落在一个bank。
Parallel access是最通常的模式，这个模式表示，一些（也可能是全部）地址请求能够被一次传输解决。理想情况是，获取无conflict的shared memory的时，每个地址都在落在不同的bank中。
Serial access是最坏的模式，如果warp中的32个thread都访问了同一个bank中的不同位置，那就是32次单独的请求，而不是同时访问了。
Broadcast access也是只执行一次传输，然后传输结果会广播给所有发出请求的thread。这样的话就会导致带宽利用率低。
下图是最优情况的访问图示，每个线程访问一个32-bit的数据，不存在bank conflict：
· Conflict-free broadcast access if threads access the same address within a bank
· Bank conflict access if threads access different addresses within a bank
根据device不同的计算能力版本，bank的大小配置也不同，具体为：
· 4 bytes for devices of compute capability 2.x
· 8 bytes for devices of compute capability 3.x
以Fermi的GPU为例，它有32个banks，每个bank 32-bit，即4 bytes，每个bank的带宽是32bits每两个cycle。连续的32位数据映射到连续的bank中，也就是说，bank的索引和shared memory地址的映射关系如下：
bank index = (byte address ÷ 4 bytes/bank) % 32 banks
下图是Fermi的地址映射关系，注意到，bank中每个地址相差32，相邻的word分到不同的bank中以便使warp能够获得更多的并行获取内存操作（获取连续内存时，连续地址分配到了不同bank中）。当同一个warp的两个thread要获取同一个地址（注意是同一个地址，同一个bank会造成冲突）的时候并不发生bank conflict。对于读操作，会用一次transaction获得结果后广播给所有请求，当写操作时，只有一个thread会真正去写，但是哪个thread执行是无法确定的。
对于Kepler设备来说，shared memory有两种地址模式的32个banks：
· 64-bit mode
· 32-bit mode
在64-bit模式中，连续的64-bits字会映射到连续的bank。每个bank带宽是64bite/1个clock。其映射关系公式：
bank index = (byte address ÷ 8 bytes/bank) % 32 banks
这里，如果两个thread访问同一个64-bit中的任意一个sub-word（1byte）也不会导致bank conflict，因为一次64-bit（bank带宽64bit/cycle）的读操作就可以满足请求了。也就是说，同等情况下，64-bit模式一般比32-bit模式更少碰到bank conflict。
下图表示了32-bit模式下从字节地址到bank索引的映射关系图。上面表示用字节地址和4-byte word索引标签的共享内存，下面表示从4-byte word索引到bank索引的映射关系。尽管word 0和word 32都在bank0中，同时读这两个word也不会导致bank conflict（64-bit/cycle）：
下图是64-bit模式下，conflict-free的情况，每个thread获取不同的bank：
memory padding是一种避免bank conflict的方法，如下图所示，所有的thread分别访问了bank0的5个不同的word，这时就会导致bank conflict，我们采取的方法就是在每N（bank数目）个word后面加一个word，这样就如下面右图那样，原本bank0的每个word转移到了不同的bank中，从而避免了bank conflict。
(3) Access Mode Configuration
对Kepler来说，默认情况是4-byte模式，可以用下面的API来查看：
cudaError_t cudaDeviceGetSharedMemConfig(cudaSharedMemConfig *pConfig);
返回结果放在pConfig中，其结果可以是下面两种：cudaSharedMemBankSizeFourByte
cudaSharedMemBankSizeEightByte
可以使用下面的API来设置bank的大小：
cudaError_t cudaDeviceSetSharedMemConfig(cudaSharedMemConfig config);
bank的配置参数如下三种：
cudaSharedMemBankSizeDefault
cudaSharedMemBankSizeFourByte
cudaSharedMemBankSizeEightByte
在启动不同的kernel之间修改bank配置会有一个隐式的device同步。修改shared memory的bank大小不会增加shared memory的利用率或者影响kernel的Occupancy，但是对性能是一个主要的影响因素。一个大的bank会产生较高的带宽，但是鉴于不同的access pattern，可能导致更多的bank conflict。
Configuring the Amount of Shared Memory
每个SM拥有64 KB的片上内存，shared memory和L1 cache共享这块内存。CUDA提供了两种方式配置它们各自的大小，参考CUDA学习----Memory Model，里面提到的是Per-kernel configuration的情况。
Per-device configuration
Per-kernel configuration
cudaError_t cudaDeviceSetCacheConfig(cudaFuncCache cacheConfig);
对于Per-device configuration的情况用以上API，两种情况类似，只是作用范围不同。配置方式孰优孰劣取决于kernel用的shared memory的多少。
Synchronization
因为shared memory可以被同一个block中的不同的thread同时访问，当同一个地址的值被多个thread修改就导致了inter-thread conflict，所以我们需要同步操作。CUDA提供了两类block内部的同步操作，即：
· Barriers
· Memory fences
对于barriers，所有thread会等待其他threads到达barrier point；对于Memory fence，所有threads会被阻塞直到所有修改memory的操作对其他threads可见。下面解释下CUDA需要同步的主要原因：weakly-ordered。
(1) Weakly-Ordered Memory Model
现代内存架构有非常宽松的内存模式，也就是意味着，memory的获取不必按照程序中的顺序来执行。CUDA采用了一种叫做weakly-ordered内存模型来获取更激进的编译器优化。
GPU thread写数据到不同的memory的顺序（比如shared memory，global memory，page-locked host memory或者另一个device上的memory）同样没必要跟程序里面顺序相同。一个thread的读操作的顺序对其他thread可见时也可能与实际执行写操作的thread顺序不一致。
为了显式的强制程序以一个确切的顺序运行，就需要用到fence和barrier。它们也是唯一的方式能保证kernel与其它线程分享资源时对memory有正确行为。
(2) Explicit Barrier
可以在kernel中设置一个barrier point通过调用下列函数：
void __syncthreads();
__syncthreads就是作为一个barrier point起作用，block中的threads必须等待所有thread都到达这个point后才能继续下一步。这也保证了所有在这个point之前获取global memory和shared memory的操作对同一个block中所有thread可见。 __syncthreads被用来协作同一个block中的thread通信。当一些thread获取memory相同的地址时，就会导致潜在的问题（read-after-write，write-after-read和write-after-write）从而引起未定义行为状态，此时就可以使用__syncthreads来避免这种情况。
使用__syncthreads要相当小心，只有在所有thread都会到达这个point时才可以调用这个同步，显而易见，如果同一个block中的某些thread永远都不能到达该point，那么程序将一直等下去，下面代码就是一种错误的使用方式：
if (threadID % 2 == 0)
__syncthreads();
else如果在block之间不同步的话，thread blocks可能以任意顺序，并行或者串行，在任意的SM上被执行。如果一个CUDA kernel需要全局同步，可以通过在同步点分割kernel和启动多个kernel来达到这种期望的行为。
__syncthreads();
(3) Memory Fence
这种方式保证了任何在fence之前的memory写操作对fence之后thread都可见，也就是，fence之前写完了，fence之后其它thread就都知道这块memory写后的值了。fence的设置范围比较广，分为：block，grid和system。 可以通过下面的API来设置fence：
void __threadfence_block();
void __threadfence();
void __threadfence_system();
其中，第一个函数是对应的block范围的，也就是保证同一个block中thread在fence之前写完的值对block中其它的thread可见，不同于barrier，该函数不需要所有的thread都执行；第二个函数是对应grid范围的；第三个对用system的，其范围针对整个系统，包括device和host。(4) Volatile Qualifier
声明一个使用global memory或者shared memory的变量，用volatile修饰符来修饰该变量的话，会组织编译器做一个该变量的cache优化。使用该修饰符后，编译器就会认为该变量可能在某一时刻被别的thread改变，如果使用cache优化的话，得到的值就缺乏时效，因此使用volatile强制每次都到global 或者shared memory中去读取其绝对有效值。
3、Checking the Data Layout of Shared Memory
我们在设计使用shared Memory的时候应该关注下面的信息：
· Mapping data elements across Memory banks
· Mapping from thread index to shared Memory offset
搞明白这两点，就可以掌握shared memory的使用了，从而构建出高性能的代码。
Square Shared Memory
我们可以以一种直接的方式用shared memory缓存全局内存中的方阵。下图展示了一个每一维度有32个元素并以row-major存储在shared memory的数组，图的最上方是该矩阵实际的一维存储图示，下方是通过映射4-byte数据和banks关系的逻辑二维shared memory：
__shared__ int tile[N][N];
因为是方阵，可以从2D线程块中以相邻的thread获取相邻的元素的方式访问数据：tile[threadIdx.y][threadIdx.x]
tile[threadIdx.x][threadIdx.y]
上面两种方式哪个性能更好呢？这就需要注意thread和bank的映射关系了，我们最希望看到的是同一个warp中的thread获取的是不同的bank。同一个warp中的thread可以使用连续的threadIdx.x来确定。不同bank中的元素同样是连续存储的，以word大小作为偏移。因此，最好是让连续的thread（由连续的threadIdx.x确定）获取shared memory中连续的地址，由此得知，tile[threadIdx.y][threadIdx.x]应该展现出更好的性能以及更少的bank conflict。
(1) Access Row-Major versus Column-Major
假设我们的grid有2D的block(32,32)，定义如下：
#define BDIMX 32我们对这个kernel有如下两个操作：
#define BDIMY 32
dim3 block(BDIMX,BDIMY);
dim3 grid(1,1);
· 将thread索引以row-major写到2D的shared memory数组中；
· 从shared memory中读取这些值并写入到global memory中。
kernel代码如下：
__global__ void setRowReadRow(int *out) {
// declare static 2D shared memory
__shared__ int tile[BDIMY][BDIMX];
// 因为block只有一个
unsigned int idx = threadIdx.y * blockDim.x + threadIdx.x;
// shared memory store operation
tile[threadIdx.y][threadIdx.x] = idx;
// 这里同步是为了使下面shared memory的获取以row-major执行
// 避免若有的线程未完成，而其他线程已经在读shared memory的情况
__syncthreads();
// shared memory load operation
out[idx] = tile[threadIdx.y][threadIdx.x] ;
}
此段有三个内存操作：(1)向shared Memory存数据；(2)从shared Memor取数据；(3)向global Memory存数据。
因为在同一个warp中的thread使用连续的threadIdx.x来检索title，该kernel是没有bank conflict的。如果交换上述代码threadIdx.y和threadIdx.x的位置，就变成了column-major的顺序。每个shared memory的读写都会导致Fermi上32-way的bank conflict或者在Kepler上16-way的bank conflict。
__global__ void setColReadCol(int *out) {编译运行结果如下(在K40上以4-byte模式运行)：
// static shared memor
__shared__ int tile[BDIMX][BDIMY];
// mapping from thread index to global memory index
unsigned int idx = threadIdx.y * blockDim.x + threadIdx.x;
// shared memory store operation
tile[threadIdx.x][threadIdx.y] = idx;
// wait for all threads to complete
__syncthreads();
// shared memory load operation
out[idx] = tile[threadIdx.x][threadIdx.y];
}
$ nvcc checkSmemSquare.cu –o smemSquare
$ nvprof ./smemSquare
./smemSquare at device 0 of Tesla K40c with Bank Mode:4-byte从结果可以看出，row-major的kernel表现更出色。
<<< grid (1,1) block (32,32)>>
Time(%) Time Calls Avg Min Max Name
13.25% 2.6880us 1 2.6880us 2.6880us 2.6880us setColReadCol(int*)
11.36% 2.3040us 1 2.3040us 2.3040us 2.3040us setRowReadRow(int*)
然后使用nvprof命令的下面的两个参数来衡量相应的bank-conflict：
shared_load_transactions_per_request shared_store_transactions_per_request
运行结果如下(K40，8-byte模式下)，row-major只有一次transaction，而column-major需要16次，如果4-byte模式下，可能需要32次：Kernel:setColReadCol (int*)(2) Writing Row-Major and Reading Column-Major
1 shared_load_transactions_per_request 16.000000
1 shared_store_transactions_per_request 16.000000
Kernel:setRowReadRow(int*)
1 shared_load_transactions_per_request 1.000000
1 shared_store_transactions_per_request 1.000000
Writing Row-Major and Reading Column-Major
__global__ void setRowReadCol(int *out) {下图展示了用简单的5路bank shared memory实现两种内存操作：
// static shared memory
__shared__ int tile[BDIMY][BDIMX];
// mapping from thread index to global memory index
unsigned int idx = threadIdx.y * blockDim.x + threadIdx.x;
// shared memory store operation
tile[threadIdx.y][threadIdx.x] = idx;
// wait for all threads to complete
__syncthreads();
// shared memory load operation
out[idx] = tile[threadIdx.x][threadIdx.y];
}
Kernel:setRowReadCol (int*)从结果可以看出：写操作是没有conflict的，读操作则引起了一个16次的transaction。
1 shared_load_transactions_per_request 16.000000
1 shared_store_transactions_per_request 1.000000
Dynamic Shared Memory
正如前文所说，我们可以全局范围的动态声明shared Memory，也可以在kernel内部动态声明一个局部范围的shared Memory。注意，动态声明必须是未确定大小一维数组，因此，我们就需要重新计算索引。因为我们将要以row-major写，以colu-major读，所以就需要保持下面两个索引值：
· row_idx：1D row-major 内存的偏移
· col_idx：1D column-major内存偏移
kernel代码：
__global__ void setRowReadColDyn(int *out) { // dynamic shared memory extern __shared__ int tile[]; // mapping from thread index to global memory index unsigned int row_idx = threadIdx.y * blockDim.x + threadIdx.x; unsigned int col_idx = threadIdx.x * blockDim.y + threadIdx.y; // shared memory store operation tile[row_idx] = row_idx; // wait for all threads to complete __syncthreads(); // shared memory load operation out[row_idx] = tile[col_idx]; }
kernel调用时配置的shared Memory：
setRowReadColDyn<<<grid, block, BDIMX * BDIMY * sizeof(int)>>>(d_C);
查看transaction：
Kernel: setRowReadColDyn(int*) 1 shared_load_transactions_per_request 16.000000 1 shared_store_transactions_per_request 1.000000
该结果和之前的例子相同，不过这里使用的是动态声明。
Padding Statically Declared Shared Memory
直接看kernel代码：
__global__ void setRowReadColPad(int *out) { // static shared memory __shared__ int tile[BDIMY][BDIMX+IPAD]; // mapping from thread index to global memory offset unsigned int idx = threadIdx.y * blockDim.x + threadIdx.x; // shared memory store operation tile[threadIdx.y][threadIdx.x] = idx; // wait for all threads to complete __syncthreads(); // shared memory load operation out[idx] = tile[threadIdx.x][threadIdx.y]; }
改代码是setRowReadCol的翻版，查看结果：
Kernel: setRowReadColPad(int*) 1 shared_load_transactions_per_request 1.000000 1 shared_store_transactions_per_request 1.000000
正如期望的那样，load的bank_conflict已经消失。在Fermi上，只需要加上一列就可以解决bank-conflict，但是在Kepler上却不一定，这取决于2D shared Memory的大小，因此对于8-byte模式，可能需要多次试验才能得到正确结果。
原文链接：http://blog.163.com/[email protected]/blog/static/71988399201712735436357/