了解 CUDA 分析器输出 (nvprof)

Question

我只是在查看以下输出，并试图将我的想法围绕在数字上：

==2906== Profiling result:
Time(%)      Time     Calls       Avg       Min       Max  Name
 23.04%  10.9573s     16436  666.67us  64.996us  1.5927ms  sgemm_sm35_ldg_tn_32x16x64x8x16
 22.28%  10.5968s     14088  752.18us  612.13us  1.6235ms  sgemm_sm_heavy_nt_ldg
 18.09%  8.60573s     14088  610.86us  513.05us  1.2504ms  sgemm_sm35_ldg_nn_128x8x128x16x16
 16.48%  7.84050s     68092  115.15us  1.8240us  503.00us  void axpy_kernel_val<float, int=0>(cublasAxpyParamsVal<float>)
...
  0.25%  117.53ms      4744  24.773us     896ns  11.803ms  [CUDA memcpy HtoD]
  0.23%  107.32ms     37582  2.8550us  1.8880us  8.9556ms  [CUDA memcpy DtoH]

...

==2906== API calls:
Time(%)      Time     Calls       Avg       Min       Max  Name
 83.47%  41.8256s     42326  988.18us  16.923us  13.332ms  cudaMemcpy
  9.27%  4.64747s    326372  14.239us  10.846us  11.601ms  cudaLaunch
  1.49%  745.12ms   1502720     495ns     379ns  1.7092ms  cudaSetupArgument
  1.37%  688.09ms      4702  146.34us     879ns  615.09ms  cudaFree
...

在优化内存访问时，在比较不同的实现时，我真正需要查看哪些数字？乍一看似乎memcpy只需要117.53+107.32ms（在两个方向上），但后来有这个 API 调用cudaMemcpy: 41.8256s，它更多。此外，min/avg/max 列不会在上输出块和下输出块之间相加。

为什么会有差异，对我优化内存传输很重要的“真实”数字是多少？

编辑：第二个问题是：有没有办法弄清楚谁在打电话axpy_kernel_val（以及多少次）？

Answer 1

总时间的差异是由于工作是异步启动到 GPU 的。如果您有一个长时间运行的内核或一组没有与主机显式同步的内核，并跟随它们调用cudaMemcpy，则cudaMemcpy调用将在内核完成执行之前启动。API 调用的总时间是从启动到完成的时间，因此会与执行内核重叠。如果您通过 NVIDIA Visual Profiler 运行输出，您可以非常清楚地看到这一点（nvprof -o xxx ./myApp，然后将 xxx 导入 nvvp）。

不同之处在于最短时间是由于启动开销。虽然 API 分析考虑了所有的启动开销，但内核时序只包含其中的一小部分。正如您在此处看到的那样，启动开销可能约为 10-20us。

一般来说，API 调用部分让你知道 CPU 在做什么，而分析结果告诉你 GPU 在做什么。在这种情况下，我认为您没有充分利用 CPU，因为可以说它cudaMemcpy启动得太早并且浪费了 CPU 周期。然而，在实践中，通常很难或不可能从这些备用周期中获得任何有用的东西。