GPU架构和CUDA简单介绍（未来继续补充）

参考

• Exploring the GPU Architecture
• GPU vs CPU: What Are The Key Differences?
• Everything You Need to Know About GPU Architecture and How It Has Evolved
• 深入GPU硬件架构及运行机制
• 如何设置CUDA Kernel中的grid_size和block_size？

SIMD和SIMT

• SISD：单一的指令流执行单一的数据流，即每条指令只能执行其对应的一个数据，也不会有不同的核执行不同的指令流，即只有一个核心。

• SIMD：该架构只有一个控制单元和一个指令内存，因此同一时刻只能有一条指令被执行，但是这条指令可以同时处理多个数据，类似于指令的操作数不再是针对单个数字，而是针对向量。例如在SISD情境下，如果abc都是四维数据，我们想要执行c = a + b：

  ADD c.x, a.x, b.x
  ADD c.y, a.y, b.y
  ADD c.z, a.z, b.z
  ADD c.w, a.w, b.w
  

  但是在SIMD下，只需要执行一条指令即可：

  SIMD_ADD c, a, b
  

• MISD：不同的指令对同一数据进行操作，很少使用。

• MIMD：指令和数据都可以并行，不同的核心可以对不同的数据执行不同的指令流，可以认为是多个SISD的并行？

• SIMT：可以认为是SIMD的升级版，同一条指令可以被多个并发线程执行，并且不同线程执行的统一指令，其操作数也可以不同。

Fermi架构

• 有16个SM (Streaming Processor)，即上图黑框
• 上图右侧为SM，一个SM拥有：
  • 2个Warp，每个Warp有16个Core
  • 16组LD/ST（加载处理单元）
  • 4个SFU（特殊函数处理单元）
  • shared memory
• 每个Warp包括：
  • 16个Core
  • 一个Warp Scheduler
  • 一个Dispatch Unit
• 每个Core（Streaming Processor，SP）包括：
  • 一个 INT Unit（整数计算单元、ALU）
  • 一个 FP Unit（浮点计算单元）

CUDA

cuda核函数启动时，主要是如下形式：

cuda_kernel<<<grid_size, block_size, Ns, stream>>>(...)

• grid_size：dim3型数据，例如x、y和z，设置了grid的维度。x * y * z就等于启动的blocks的数目。Grid中所有的线程共享global memory。
• blcok_size：dim3型数据，设置了每个block的维度。例如x * y * z就等于每个block包含的线程（thread）数目。block内部的线程可以同步，可以访问shared memory。
• Ns：默认为0，代表在shared memory中，可以为每个block动态申请的memory，大小是字节数。
• stream：就是指明该核函数匹配的stream，默认是0，即GPU中默认的stream。

与GPU架构的联系和层次

• Cuda中的 Thread：就对应GPU中的Core。
• Cuda中的 block：可以认为它可以由多个warp组成，也就是由多个thread构成，但是其不够大过SM，也就是说，一个block中的所有thread，都必须是同一个SM中的，这样才能使用shared memory。
• warp：是调度和运行的基本单元，规定了block中 32个 thread 组成一个 warp，如果最后剩下的thread不够32个，也要占一个warp。因此，block_size最好是32的整数倍。warp中的32个thread每次都会执行同一条指令，也就是SIMT。
• 对于Cuda中的block，其在同一个SM上运行，但是可被调度到不同的SM中。同一个SM可以同时运行多个block（并发执行）。但是SM中的资源有限，例如shared memory或者寄存器，因此有限制：Maximum number of resident blocks per SM和Maximum number of resident threads per SM。因为有该限制，一个block中的thread数目应该尽量大于SM的core数目/SM最多驻留block数目，不同的架构比值不同，例如对GTX 1080 Ti 是 2048 / 32 = 64。128作为block的通用值比较合适。
• 一个SM可以并行执行多个warp，这主要由一个SM有几个warp scheduler决定。但是这并行执行的多个warp，是只能属于同一个block还是可以属于多个不同的block？似乎可以属于不同的block，感觉有多种说法。