fpi*_*tte 3 directx hlsl spinlock directcompute
我尝试在计算着色器中实现自旋锁。但我的实现似乎没有锁定任何东西。
以下是我实现自旋锁的方法：
void LockAcquire()
{
uint Value = 1;
[allow_uav_condition]
while (Value) {
InterlockedCompareExchange(DataOutBuffer[0].Lock, 0, 1, Value);
};
}
void LockRelease()
{
uint Value;
InterlockedExchange(DataOutBuffer[0].Lock, 0, Value);
}
背景：我需要一个自旋锁，因为我必须计算大型二维数组中的数据总和。总和是两倍。使用单线程和双循环计算总和会产生正确的结果。即使在计算总和时引入自旋锁以避免冲突，使用多线程计算总和也会产生错误的结果。
我无法使用 InterLockedAdd，因为总和不适合 32 位整数，而且我使用的是着色器模型 5（编译器 47）。
这是单线程版本，产生正确的结果：
[numthreads(1, 1, 1)]
void CSGrayAutoComputeSumSqr(
uint3 Gid : SV_GroupID,
uint3 DTid : SV_DispatchThreadID, // Coordinates in RawImage window
uint3 GTid : SV_GroupThreadID,
uint GI : SV_GroupIndex)
{
if ((DTid.x == 0) && (DTid.y == 0)) {
uint2 XY;
int Mean = (int)round(DataOutBuffer[0].GrayAutoResultMean);
for (XY.x = 0; XY.x < (uint)RawImageSize.x; XY.x++) {
for (XY.y = 0; XY.y < (uint)RawImageSize.y; XY.y++) {
int Value = GetPixel16BitGrayFromRawImage(RawImage, rawImageSize, XY);
uint UValue = (Mean - Value) * (Mean - Value);
DataOutBuffer[0].GrayAutoResultSumSqr += UValue;
}
}
}
}
下面是多线程版本。这个版本在每次执行时都会产生相似但不同的结果，在我看来，这是由不起作用的锁引起的。
[numthreads(1, 1, 1)]
void CSGrayAutoComputeSumSqr(
uint3 Gid : SV_GroupID,
uint3 DTid : SV_DispatchThreadID, // Coordinates in RawImage window
uint3 GTid : SV_GroupThreadID,
uint GI : SV_GroupIndex)
{
int Value = GetPixel16BitGrayFromRawImage(RawImage, RawImageSize, DTid.xy);
int Mean = (int)round(DataOutBuffer[0].GrayAutoResultMean);
uint UValue = (Mean - Value) * (Mean - Value);
LockAcquire();
DataOutBuffer[0].GrayAutoResultSumSqr += UValue;
LockRelease();
}
使用的数据：
cbuffer TImageParams : register(b0)
{
int2 RawImageSize; // Actual image size in RawImage
}
struct TDataOutBuffer
{
uint Lock; // Use for SpinLock
double GrayAutoResultMean;
double GrayAutoResultSumSqr;
};
ByteAddressBuffer RawImage : register(t0);
RWStructuredBuffer<TDataOutBuffer> DataOutBuffer : register(u4);
发送代码：
FImmediateContext->CSSetShader(FComputeShaderGrayAutoComputeSumSqr, NULL, 0);
FImmediateContext->Dispatch(FImageParams.RawImageSize.X, FImageParams.RawImageSize.Y, 1);
函数 GetPixel16BitGrayFromRawImage 访问 RawImage 字节地址缓冲区以从灰度图像中获取 16 位像素值。它产生预期的结果。
任何帮助表示赞赏。
您是XY 问题的受害者的受害者。
\n\n让我们从 Y 问题开始。\n你的自旋锁没有锁定。\n要了解自旋锁不起作用的原因，您需要检查 GPU 如何处理您正在创建的情况。您发出一个由一个或多个线程组组成的扭曲，每个线程组由许多线程组成。只要执行是并行的，扭曲的执行就很快，这意味着制作扭曲的所有线程（如果您愿意，可以是波前）必须同时执行相同的指令。每次插入条件（如算法中的循环）时，某些线程必须采用一条路线，而另一些则必须采用其他路线。这称为线程的发散。问题是你不能执行不同的指令while。
在这种情况下，GPU 可以采取以下两种路线之一：
\n\n现在有趣的部分是：
\n\n没有强制转换规则说明 GPU 应如何处理分支。
\n\n您无法预测 GPU 是否会使用一种方法或另一种方法，并且在动态分支的情况下，无法提前知道 GPU 是否会进入睡眠状态，即直接路由、其他线程或线程较少的分支或拥有更多的人。无法提前知道，并且不同的 GPU 可能会以不同的方式执行代码。相同的 GPU 甚至可能会因不同的驱动程序版本而改变其执行情况。
\n\n对于自旋锁，您的 GPU（及其驱动程序以及您当前使用的编译器版本）最有可能采用平面分支策略。这意味着两个分支都由 warp 的所有线程执行，因此基本上根本没有锁。
\n\n如果更改代码（或[branch]在循环之前添加属性），您可以强制动态分支流。但这并不能解决你的问题。在自旋锁的特殊情况下，您要求 GPU 执行的操作是关闭除一个线程之外的所有线程。这并不完全是 GPU 想要做的事情。GPU 将尝试执行相反的操作，并关闭唯一以不同方式评估条件的线程。这确实会减少分歧并提高性能\xe2\x80\xa6，但在你的情况下，它将关闭唯一不在无限循环中的线程。因此，您可能会得到锁定在无限循环中的完整线程波前，因为唯一可能解锁循环的线程......正在睡眠。你的自旋锁实际上已经变成了死锁。
现在，在您的特定机器上，该程序甚至可能运行良好。但是，您对该程序将在其他计算机上运行的保证为零，甚至可以在不同的驱动程序版本上运行。当您更新驱动程序并繁荣时，您的程序突然遇到 GPU 超时并崩溃。
\n\n关于 GPU 中的自旋锁的最佳建议是\xe2\x80\xa6。不要使用它们。曾经。
\n\n现在让我们回到你的问题。
\n\n您真正需要的是一种计算大型二维数组中数据总和的方法。\n因此您真正需要的是一种好的归约算法。互联网上有一些，或者您可以根据您的需要编写自己的代码。
\n\n如果您需要的话，我将添加一些链接来帮助您入门。
\n\n\n\n\n\n\n\n\n\n\n