CUDA矩阵乘法中断了大型矩阵

Question

我有以下矩阵乘法代码,使用CUDA 3.2和VS 2008实现.我在Windows server 2008 r2 enterprise上运行.我正在运行Nvidia GTX 480.以下代码适用于"宽度"(矩阵宽度)的值高达约2500左右.

int size = Width*Width*sizeof(float);
float* Md, *Nd, *Pd;
cudaError_t err = cudaSuccess;

//Allocate Device Memory for M, N and P
err = cudaMalloc((void**)&Md, size);
err = cudaMalloc((void**)&Nd, size);
err = cudaMalloc((void**)&Pd, size);

//Copy Matrix from Host Memory to Device Memory
err = cudaMemcpy(Md, M, size, cudaMemcpyHostToDevice);
err = cudaMemcpy(Nd, N, size, cudaMemcpyHostToDevice);

//Setup the execution configuration
dim3 dimBlock(TileWidth, TileWidth, 1);
dim3 dimGrid(ceil((float)(Width)/TileWidth), ceil((float)(Width)/TileWidth), 1);

MatrixMultiplicationMultiBlock_Kernel<<<dimGrid, dimBlock>>>(Md, Nd, Pd, Width);

err = cudaMemcpy(P, Pd, size, cudaMemcpyDeviceToHost);

//Free Device Memory
cudaFree(Md);
cudaFree(Nd);
cudaFree(Pd);

当我将"宽度"设置为3000或更高时,黑屏后出现以下错误:

我在网上看了一下,我看到有些人有这个问题,因为看门狗在挂起超过5秒后就杀死了内核.我尝试在注册表中编辑"TdrDelay",这延迟了黑屏之前的时间并出现了同样的错误.所以我总结说这不是我的问题.

我调试到我的代码,发现这一行是罪魁祸首:

err = cudaMemcpy(P, Pd, size, cudaMemcpyDeviceToHost);

这是我用来在调用矩阵乘法内核函数后从设备返回结果集的方法.到目前为止,所有事情似乎都运行良好.我相信我正确分配内存,无法弄清楚为什么会发生这种情况.我想也许我的卡上没有足够的内存,但是cudaMalloc不应该返回错误吗？(我确认它没有在调试时).

任何想法/帮助将不胜感激!...非常感谢!

内核代码:

//Matrix Multiplication Kernel - Multi-Block Implementation
__global__ void MatrixMultiplicationMultiBlock_Kernel (float* Md, float* Nd, float* Pd, int Width) 
{
int TileWidth = blockDim.x;

//Get row and column from block and thread ids
int Row = (TileWidth*blockIdx.y) + threadIdx.y;
int Column = (TileWidth*blockIdx.x) + threadIdx.x;

//Pvalue store the Pd element that is computed by the thread
float Pvalue = 0;

for (int i = 0; i < Width; ++i)
{
    float Mdelement = Md[Row * Width + i];
    float Ndelement = Nd[i * Width + Column];
    Pvalue += Mdelement * Ndelement;
}

//Write the matrix to device memory each thread writes one element
Pd[Row * Width + Column] = Pvalue;
}

我还有另一个使用共享内存的函数,它也会出现同样的错误:

呼叫:

            MatrixMultiplicationSharedMemory_Kernel<<<dimGrid, dimBlock, sizeof(float)*TileWidth*TileWidth*2>>>(Md, Nd, Pd, Width);

内核代码:

 //Matrix Multiplication Kernel - Shared Memory Implementation
 __global__ void MatrixMultiplicationSharedMemory_Kernel (float* Md, float* Nd, float* Pd, int Width) 
 {
int TileWidth = blockDim.x;

//Initialize shared memory
extern __shared__ float sharedArrays[];
float* Mds = (float*) &sharedArrays;
float* Nds = (float*) &Mds[TileWidth*TileWidth];

int tx = threadIdx.x;
int ty = threadIdx.y;

//Get row and column from block and thread ids
int Row = (TileWidth*blockIdx.y) + ty;
int Column = (TileWidth*blockIdx.x) + tx;
float Pvalue = 0;

//For each tile, load the element into shared memory
for( int i = 0; i < ceil((float)Width/TileWidth); ++i)
{
    Mds[ty*TileWidth+tx] = Md[Row*Width + (i*TileWidth + tx)];
    Nds[ty*TileWidth+tx] = Nd[(ty + (i * TileWidth))*Width + Column]; 

    __syncthreads();

    for( int j = 0; j < TileWidth; ++j)
    {
        Pvalue += Mds[ty*TileWidth+j] * Nds[j*TileWidth+tx];
    }

    __syncthreads();
}

//Write the matrix to device memory each thread writes one element
Pd[Row * Width + Column] = Pvalue;
}

Answer 1

控制WDDM超时

问题实际上是内核而不是cudaMemcpy().当您启动内核时,GPU会关闭并与CPU异步工作,因此只有在与GPU同步时才需要等待工作完成.cudaMemcpy()涉及隐式同步,因此您可以在此处查看问题.

您可以通过cudaThreadSynchronize()在内核之后调用来仔细检查这个问题,而问题将显示在cudaThreadSynchronize()而不是cudaMemcpy().

更改TDR超时后,您是否重新启动了计算机？不幸的是,Windows需要重新启动才能更改TDR设置.此Microsoft文档对可用的完整设置有相当好的描述.

内核问题

在这种情况下,问题实际上不是WDDM超时.内核中存在您需要解决的错误(例如,您应该能够i在每次迭代时增加多个)并且检查matrixMulSDK中的示例可能很有用.顺便说一句,我希望这是一个学习练习,因为实际上使用CUBLAS执行矩阵乘法会更好(性能).

代码中最关键的问题是您使用共享内存而不实际分配任何内存.在你的内核中你有:

//Initialize shared memory
extern __shared__ float sharedArrays[];

但是,当您启动内核时,您没有指定为每个块分配多少共享内存:

MatrixMultiplicationMultiBlock_Kernel<<<dimGrid, dimBlock>>>(Md, Nd, Pd, Width);

<<< >>>语法实际上需要四个参数,其中第三个和第四个是可选的.第四个是流索引,用于获取计算和数据传输之间的重叠(以及并发内核执行),但第三个参数指定每个块的共享内存量.在这种情况下,我假设您要将TileWidth * TileWidth浮动存储在共享内存中,因此您将使用:

MatrixMultiplicationMultiBlock_Kernel<<<dimGrid, dimBlock, dimBlock.x * dimBlock.x * sizeof(float)>>>(Md, Nd, Pd, Width);

主要问题

正如您在评论中提到的,实际问题是您的矩阵宽度不是块宽度的倍数(和高度,因为它是正方形,这意味着超出末尾的线程将访问超出数组末尾.代码应该是处理非多重情况或应确保宽度是块大小的倍数.

我应该早些提出这个建议,但是运行cuda-memcheck检查像这样的记忆访问违规通常很有用.