CUDA学习笔记(6) 共享内存与全局内存

  共享内存（Shared memory）是位于每个流处理器组（SM）中的高速内存空间，主要作用是存放一个线程块（Block）中所有线程都会频繁访问的数据。流处理器（SP）访问它的速度仅比寄存器（Register）慢，它的速度远比全局显存快。但是他也是相当宝贵的资源，一般只有几十KByte，

  这里以我电脑上的“Quadro K620”为例：

  可以看到全局显存（Global memory）的大小比共享显存（Shared memory）大了几个数量级。当然，共享显存的访问速度也一定比全局显存快。再从硬件上看：

  每个流处理器组（SM）都拥有属于自己的共享显存（Shared memory）且大小只有64KByte，而这些流处理器组（SM）都位于同一块芯片上（on the same chip），这块芯片又通过PCB电路连接内存芯片（DRAM）。

• 流处理器（SP）对共享显存（Shared memory）上数据的访问属于片上访问，可以立刻取得数据。
• 流处理器（SP）对内存芯片（DRAM）的访问要通过请求内存控制器等一系列操作，然后才能得到数据。

  为了能够明显的看到共享显存（Shared memory）的速度优势，我们就需要把那些被频繁访问的数据直接放到共享显存（Shared memory）中，这样我们的程序在执行时就可以避免频繁访问全局显存（Global memory），导致时间浪费在数据的传输和访问上。

  举个例子，我们需要统计一张超高清图片或者20Mbyte大小的一维数组中每个数值的个数，也就是做直方图统计，结合前面的原子操作（Atomic functions）可以将计算时间至少减半，当然不同架构的GPU会有不同程度的优化。

*注4：直方图统计用于记录一组数据中的数值分布情况，即每个数值出现了多少次，统计数值的分布。

  方案一：

1. 统计数值分布的数组直接放在全局显存（Global memory）中，每个线程依次读取全局显存中的待统计数据。
2. 然后使用原子操作对统计数组（Global）中与源数据中数值所对应的元素执行“++”。

  方案二：

1. 统计数值分布的数组放在全局显存（Global memory）中，每个线程块拥有一个自己的统计数组（Shared）放在共享显存（Shared memory）中。
2. 线程块中的每个线程依次读取全局显存中的待统计数据，然后使用原子操作对统计数组（Shared）中与源数据中数值所对应的元素执行“++”。
3. 对线程块中的线程同步，以保证该线程块中的所有线程都已经完成原子操作。
4. 将当前线程块中的统计数组（Shared）加到统计数组（Global）中。

  这样，方案二就通过使用共享显存（Shared memory）避免了对全局显存（Global memory）的频繁访问，以达到提高程序运行速度的效果。

  方案一核函数的实现：

// This is kernel function file !
#define hist_MAX_VALUE 256

extern "C" __global__ void kernel_func(unsigned int * thread_index_array, unsigned char *source_data_array, \
    unsigned int * histogram_array, unsigned int *clock_counter_array)
{
    // 计算线程号
    unsigned int block_index = blockIdx.x + blockIdx.y * gridDim.x + blockIdx.z * gridDim.x * gridDim.y;
    unsigned int thread_index = block_index * blockDim.x * blockDim.y * blockDim.z + \
        threadIdx.x + threadIdx.y * blockDim.x + threadIdx.z * blockDim.x * blockDim.y;
    // 总线程数
    unsigned int thread_num = gridDim.x * gridDim.y * gridDim.z * blockDim.x * blockDim.y * blockDim.z;

    // 记录线程号
    thread_index_array[thread_index] = thread_index;

    unsigned int counter_1, counter_2;

    counter_1 = clock();

    unsigned int value = source_data_array[thread_index];
    atomicAdd(&histogram_array[value], 1);

    counter_2 = clock();

    clock_counter_array[thread_index] = counter_1;
    clock_counter_array[thread_index + thread_num] = counter_2;
}

结果是：方案一统计10MByte大小数据的直方图使用了11.35毫秒。

  方案二核函数的实现：

// This is kernel function file !
#define hist_MAX_VALUE 256

extern "C" __global__ void kernel_func(unsigned int * thread_index_array, unsigned char *source_data_array, \
    unsigned int * histogram_array, unsigned int *clock_counter_array)
{
    // 计算线程号
    unsigned int block_index = blockIdx.x + blockIdx.y * gridDim.x