CUDA Multi GPU Parallel Computing Report

基于 NVIDIA Multi-GPU 技术的 CUDA 多 GPU 并行计算可行性及其原理探究

分布式 GPU 加速运算基本原理

• GPU 加速集群，使用多个计算节点（即多节点多设备）
• MPI（消息传递接口）与 CUDA 是完全兼容的，可以使用 CUDA-aware MPI 支持 GPU 在不同节点上移动数据，加上GPUDirectRMDA使得GPU间通信带宽更高，延迟更低。

CUDA 多 GPU 并行可行性分析

• 使用场景： 单 GPU 内存或处理性能不足，采用 GPU 并行的方式增大应用程序的吞吐量。
• CUDA 提供的相关接口： 首先显示指定哪个 GPU 是当前所有 CUDA 运算的目标：cudaSetDevice，然后可以设定不同 GPU 间的访问（权限）以支持 GPU 间的数据通信，具体计算步骤与单 GPU 情形类似。
• GPU 间通信： 点对点访问开启后，可直接使用内存复制（前提：多个 GPU 通过 PCIe 总线连接到 host），PCIe 总线支持任何两个节点间的双全工通信。
• 例子： 有限方差的方法求解二维波动方程 。

cublasXt API of cuBLAS （CUDA6.0 后支持）

• 该 API 仅支持 64 位平台

• 该 API 能够自动负责在指定的 GPU 之间分配内存，并在它们之间分配计算负载，还可支持 CPU 与 GPU 混合运算

• 原理：为了能够在多个GPU之间共享计算负载，cublasXt API 使用了切片策略：每个矩阵都可被用户划分为 BlockDim x BlockDim 的正方形切片。各个切片的静态调度策略：每个 GPU 都会创建一个 CPU 线程，并负责执行适当的内存传输和 cuBLAS 操作，以计算出所有的切片负责。从性能的角度来看，由于采用了这种静态调度策略，每个 GPU 的计算能力和 PCI 带宽最好相同。

• 下图说明了 3 个GPU之间的图块分布。为了从 C 计算第一个图块 G0，负责 GPU0 的 CPU 线程 0 必须以流水线方式从 A 的第一行中加载 3 个图块，并从 B 的第一个列中加载图块，以便与内存传输，计算和求和重叠结果进入 C 的第一个图块 G0，然后移至下一个图块 G0（当图块尺寸不是 C 尺寸的精确倍数时，某些图块会部分填充在右边界或底边界上，但是，当所有 GPU 都没有相同数量的不完整切片需要处理时，它仍然可能导致一些负载不平衡）

  

  当一个或多个矩阵位于某些 GPU 设备上时，将应用相同的切片方法和工作负载共享。在这种情况下，内存传输是在设备之间完成的。

• GPU-CPU 混合计算：对于 size 非常大的的问题，cublasXt API 可以将某些计算分配到 CPU 上。如函数cublasXtSetCpuRoutine() 和cublasXtSetCpuRatio()，它从底部和右侧获取的结果矩阵的进行比较维度，之后，在缩小后的结果矩阵上完成 GPU 切片，其余的部分由 CPU 计算完成。

• 重要 API：

  //为句柄设置gpu
  cublasXtDeviceSelect（cublasXtHandle_t handle，int nbDevices，int deviceId []）

  //设置矩阵平铺的块大小
  cublasXtSetBlockDim（cublasXtHandle_t handle，int  blockDim）