Boost.Compute比普通CPU慢？

Question

我刚开始玩Boost.Compute,看看它能为我们带来多少速度,我写了一个简单的程序:

#include <iostream>
#include <vector>
#include <algorithm>
#include <boost/foreach.hpp>
#include <boost/compute/core.hpp>
#include <boost/compute/platform.hpp>
#include <boost/compute/algorithm.hpp>
#include <boost/compute/container/vector.hpp>
#include <boost/compute/functional/math.hpp>
#include <boost/compute/types/builtin.hpp>
#include <boost/compute/function.hpp>
#include <boost/chrono/include.hpp>

namespace compute = boost::compute;

int main()
{
    // generate random data on the host
    std::vector<float> host_vector(16000);
    std::generate(host_vector.begin(), host_vector.end(), rand);

    BOOST_FOREACH (auto const& platform, compute::system::platforms())
    {
        std::cout << "====================" << platform.name() << "====================\n";
        BOOST_FOREACH (auto const& device, platform.devices())
        {
            std::cout << "device: " << device.name() << std::endl;
            compute::context context(device);
            compute::command_queue queue(context, device);
            compute::vector<float> device_vector(host_vector.size(), context);

            // copy data from the host to the device
            compute::copy(
                host_vector.begin(), host_vector.end(), device_vector.begin(), queue
            );

            auto start = boost::chrono::high_resolution_clock::now();
            compute::transform(device_vector.begin(),
                       device_vector.end(),
                       device_vector.begin(),
                       compute::sqrt<float>(), queue);

            auto ans = compute::accumulate(device_vector.begin(), device_vector.end(), 0, queue);
            auto duration = boost::chrono::duration_cast<boost::chrono::milliseconds>(boost::chrono::high_resolution_clock::now() - start);
            std::cout << "ans: " << ans << std::endl;
            std::cout << "time: " << duration.count() << " ms" << std::endl;
            std::cout << "-------------------\n";
        }
    }
    std::cout << "====================plain====================\n";
    auto start = boost::chrono::high_resolution_clock::now();
    std::transform(host_vector.begin(),
                host_vector.end(),
                host_vector.begin(),
                [](float v){ return std::sqrt(v); });

    auto ans = std::accumulate(host_vector.begin(), host_vector.end(), 0);
    auto duration = boost::chrono::duration_cast<boost::chrono::milliseconds>(boost::chrono::high_resolution_clock::now() - start);
    std::cout << "ans: " << ans << std::endl;
    std::cout << "time: " << duration.count() << " ms" << std::endl;

    return 0;
}

这是我的机器上的示例输出(win7 64位):

====================Intel(R) OpenCL====================
device: Intel(R) Core(TM) i7-4770 CPU @ 3.40GHz
ans: 1931421
time: 64 ms
-------------------
device: Intel(R) HD Graphics 4600
ans: 1931421
time: 64 ms
-------------------
====================NVIDIA CUDA====================
device: Quadro K600
ans: 1931421
time: 4 ms
-------------------
====================plain====================
ans: 1931421
time: 0 ms

我的问题是:为什么普通(非opencl)版本更快？

Answer 1

正如其他人所说的那样,你的内核中很可能没有足够的计算来让你在GPU上运行一组数据是值得的(你受到内核编译时间和GPU传输时间的限制).

为了获得更好的性能数字,你应该多次运行算法(并且很可能会丢弃第一个算法,因为它包含编译和存储内核的时间,因此会更大).

此外,您应该使用融合算法,而不是运行transform()和accumulate()作为单独的操作,它使用transform_reduce()单个内核执行转换和缩减.代码如下所示:

float ans = 0;
compute::transform_reduce(
    device_vector.begin(),
    device_vector.end(),
    &ans,
    compute::sqrt<float>(),
    compute::plus<float>(),
    queue
);
std::cout << "ans: " << ans << std::endl;

您还可以使用Boost.Compute编译代码,-DBOOST_COMPUTE_USE_OFFLINE_CACHE这将启用脱机内核缓存(这需要链接boost_filesystem).然后,您使用的内核将存储在您的文件系统中,并且仅在您第一次运行应用程序时进行编译(默认情况下,Linux上的NVIDIA已经执行此操作).

Answer 2

我可以看出造成这一巨大差异的一个可能原因。比较 CPU 和 GPU 数据流：-

CPU              GPU

                 copy data to GPU

                 set up compute code

calculate sqrt   calculate sqrt

sum              sum

                 copy data from GPU

鉴于此，Intel 芯片在一般计算方面似乎有点垃圾，NVidia 可能会受到额外数据复制和设置 GPU 进行计算的困扰。

您应该尝试相同的程序，但使用更复杂的操作 - sqrt 和 sum 太简单，无法克服使用 GPU 的额外开销。例如，您可以尝试计算 Mandlebrot 点。

在您的示例中，将 lambda 移入累加会更快（一次通过内存与两次通过）