近年來(lái)，使用GPU(通用圖形處理器)進(jìn)行科學(xué)計(jì)算已變得十分普遍。GPU最初設(shè)計(jì)用于圖像密集型視頻游戲產(chǎn)業(yè)中的圖形渲染繪制，但近年來(lái)GPU不斷發(fā)展，現(xiàn)可用于更廣泛的用途。研究人員可對(duì)其進(jìn)行程序設(shè)計(jì)以執(zhí)行計(jì)算，用于數(shù)據(jù)分析、數(shù)據(jù)可視化，以及金融和生物建模等應(yīng)用。

MATLAB的GPU支持為活躍于許多學(xué)科的大量研究人員(不一定是CUDA編程專家)提供了一種加速科學(xué)計(jì)算的新方法?？紤]到MATLAB主要是用于科學(xué)計(jì)算和工程計(jì)算，因此MATLAB最新提供的GPU支持是一種邏輯開發(fā)，以便讓非編程專家同樣能夠使用此技術(shù)。

有了MATLAB的這些新功能之后，用戶便可以利用GPU來(lái)實(shí)現(xiàn)其應(yīng)用程序的顯著提速，而無(wú)需進(jìn)行低級(jí)的C語(yǔ)言程序設(shè)計(jì)。這一最新技術(shù)發(fā)展提供了現(xiàn)有方法以外的其他方法來(lái)加速特定硬件上的MATLAB算法執(zhí)行。

使用MATLAB進(jìn)行GPU程序設(shè)計(jì)

MATLAB中的CUDA支持為GPU加速后的MATLAB操作提供了基礎(chǔ)，并實(shí)現(xiàn)了現(xiàn)有CUDA內(nèi)核與MATLAB應(yīng)用程序的集成。用戶現(xiàn)在可以使用不同的程序設(shè)計(jì)技術(shù)來(lái)實(shí)現(xiàn)易用性與執(zhí)行優(yōu)化兩者的適當(dāng)平衡(參考文獻(xiàn)1)。

MATLAB支持啟用了CUDA的NVIDIA GPU(具有1.3或更高版本計(jì)算功能)，例如Tesla 10系列和基于Fermi架構(gòu)的尖端Tesla 20系列。GPU 1.3版提供的雙浮點(diǎn)精度全面支持是保證大多數(shù)科學(xué)計(jì)算不因速度權(quán)衡而損失精度(loss Svb)的先決條件，并且可以將代碼更改的需要減到最低。

在MATLAB中實(shí)現(xiàn)GPU計(jì)算的三種方法加速了整個(gè)應(yīng)用程序的進(jìn)度，并實(shí)現(xiàn)了所需的建模復(fù)雜度與執(zhí)行控制間的權(quán)衡方案。

在GPU上執(zhí)行重載的MATLAB函數(shù)

最簡(jiǎn)單的編程模式包括對(duì)GPU(GPU數(shù)組)上已加載數(shù)據(jù)的MATLAB函數(shù)直接調(diào)用。用戶可以決定何時(shí)在MATLAB工作區(qū)和GPU之間移動(dòng)數(shù)據(jù)或創(chuàng)建存儲(chǔ)在GPU內(nèi)存中的數(shù)據(jù)，以盡可能減少主機(jī)與設(shè)備間數(shù)據(jù)傳輸?shù)拈_銷。在第一個(gè)版本中，已重載了超過100個(gè)MATLAB函數(shù)(包括FFT和矩陣除法)，以在GPU數(shù)組中無(wú)縫執(zhí)行。用戶可在同一函數(shù)調(diào)用中將在GPU上加載的數(shù)據(jù)和MATLAB工作區(qū)中的數(shù)據(jù)混合，以實(shí)現(xiàn)最優(yōu)的靈活性與易用性。

這種方法提供了一個(gè)簡(jiǎn)單的接口，讓用戶可以在GPU上直接執(zhí)行標(biāo)準(zhǔn)函數(shù)，從而獲得性能提升，而無(wú)需花費(fèi)任何時(shí)間開發(fā)專門的代碼。

MATLAB代碼示例1，在GPU上執(zhí)行矩陣除法

當(dāng)處理存儲(chǔ)在GPU內(nèi)存中的數(shù)據(jù)時(shí)，會(huì)重載 操作符以便在GPU上運(yùn)行。在這種情況下，用戶不得對(duì)函數(shù)進(jìn)行任何更改，只能指定何時(shí)從GPU內(nèi)存移動(dòng)和檢索數(shù)據(jù)，這兩種操作分別通過gpuArray和gather命令來(lái)完成。

在MATLAB中定義GPU內(nèi)核

作為第二種編程模式，用戶可以定義MATLAB函數(shù)，執(zhí)行要對(duì)GPU上的向量化數(shù)據(jù)執(zhí)行的標(biāo)量算術(shù)運(yùn)算。使用這種方法，用戶可以擴(kuò)展和自定義在GPU上執(zhí)行的函數(shù)集，以構(gòu)建復(fù)雜應(yīng)用程序并實(shí)現(xiàn)性能加速，因?yàn)樾枰M(jìn)行的內(nèi)核調(diào)用和數(shù)據(jù)傳輸比以前少。

這種編程模式允許用算術(shù)方法定義要在GPU上執(zhí)行的復(fù)雜內(nèi)核，只需使用MATLAB語(yǔ)言即可。使用這種方法，可在GPU上執(zhí)行復(fù)雜的算術(shù)運(yùn)算，充分利用數(shù)據(jù)并行化并最小化與內(nèi)核調(diào)用和數(shù)據(jù)傳輸有關(guān)的開銷。

MATLAB代碼示例2，將MATLAB函數(shù)定義為GPU內(nèi)核

同樣，在這種情況下，用戶不得對(duì)函數(shù)進(jìn)行任何更改，只能指定何時(shí)從GPU內(nèi)存移動(dòng)和檢索數(shù)據(jù)以及使用arrayfun命令調(diào)用函數(shù)。TaylorFun函數(shù)會(huì)在A_gpu矢量的各個(gè)元素上執(zhí)行，充分利用數(shù)據(jù)并行化。

直接從MATLAB調(diào)用CUDA代碼

為了進(jìn)一步擴(kuò)展在GPU上執(zhí)行的集合函數(shù)，可以從CUDA或PTX代碼中創(chuàng)建一個(gè)MATLAB可調(diào)用的GPU內(nèi)核。第三種編程模式可以讓用戶輕松地從MATLAB直接調(diào)用已有CUDA代碼，使非CUDA專家同樣能夠進(jìn)行代碼重用。

這種編程模式同樣有助于CUDA開發(fā)人員的工作，因?yàn)樗峁┝酥苯訌腗ATLAB進(jìn)行CUDA代碼測(cè)試的整體解決方案，無(wú)需使用GPU在環(huán)配置進(jìn)行基于文件的數(shù)據(jù)交換。此外，用戶還可以直接從MATLAB試用有關(guān)線程塊大小和共享內(nèi)存的參數(shù)。

MATLAB代碼示例3，直接從MATLAB調(diào)用CUDA代碼

對(duì)于精通CUDA的程序員而言，這種方法可實(shí)現(xiàn)輕松混合串行與高度并行代碼的可能，從而獲得最優(yōu)的性能，而無(wú)需開發(fā)整個(gè)應(yīng)用程序的C語(yǔ)言代碼。

在編譯代碼并生成ptx文件之后，用戶可向MATLAB聲明該內(nèi)核，設(shè)置有關(guān)線程塊大小的屬性，并直接對(duì)數(shù)據(jù)調(diào)用內(nèi)核。同樣，在這種情況下，用戶可以決定何時(shí)在主機(jī)內(nèi)存與設(shè)備之間移動(dòng)數(shù)據(jù)，以盡可能減少數(shù)據(jù)傳輸?shù)拈_銷。

GPU和CPU間的執(zhí)行權(quán)衡

相比多核處理器，GPU可顯著地加速高度并行操作的執(zhí)行。實(shí)踐證明，GPU的大規(guī)模并行體系結(jié)構(gòu)有助于從金融計(jì)算到分子動(dòng)力學(xué)等許多領(lǐng)域的密集科學(xué)計(jì)算。通過將計(jì)算密集型內(nèi)核映射到GPU并在CPU上運(yùn)行應(yīng)用程序的順序部分，可以將整體執(zhí)行加速5倍到超過100倍(參考文獻(xiàn)2)。

MATLAB GPU支持可以通過無(wú)縫方式為大規(guī)模并行復(fù)雜應(yīng)用程序提速，而不損失精度。通過支持1.3或更高版本的CUDA，MathWorks解決方案可完全實(shí)現(xiàn)GPU上的雙浮點(diǎn)精度計(jì)算，從而保證不因任何速度權(quán)衡而損失精度。

可使用GPU實(shí)現(xiàn)的加速主要取決于主機(jī)內(nèi)存和GPU設(shè)備間數(shù)據(jù)傳輸?shù)拈_銷。計(jì)算密集型并行應(yīng)用程序可減少數(shù)據(jù)傳輸量，將能體驗(yàn)更快的程序執(zhí)行。同樣，以上考慮明顯適用于在GPU上執(zhí)行的MATLAB應(yīng)用程序(參見圖 1)。

圖1，使用雙浮點(diǎn)精度實(shí)現(xiàn)矩陣除法的計(jì)算加速見MATLAB代碼示例1所述。注意：對(duì)于小型矩陣而言，設(shè)備與主機(jī)間的數(shù)據(jù)傳輸開銷是最主要的，因此可能不會(huì)發(fā)生任何加速，或者GPU上的程序執(zhí)行甚至可能會(huì)比在CPU上的執(zhí)行還要慢

根據(jù)計(jì)算復(fù)雜度和并行程度的不同，在所有GPU和CPU上執(zhí)行復(fù)雜應(yīng)用程序時(shí)，可以體驗(yàn)到最佳的加速效果。這視程序員的經(jīng)驗(yàn)和水平而異，要看他是否能確定最佳的執(zhí)行平臺(tái)?；谶@些原因，很難估計(jì)使用GPU可獲得的最大加速效果。根據(jù)可用的硬件平臺(tái)和應(yīng)用程序的復(fù)雜性，程序員可以使用MATLAB配置代碼以實(shí)現(xiàn)最快執(zhí)行，并作出目標(biāo)平臺(tái)的最佳選擇(圖2)。

圖2，計(jì)算不同內(nèi)核大小的泰勒級(jí)數(shù)所需的執(zhí)行時(shí)間見MATLAB代碼示例2所述。注意：當(dāng)在四核處理器上執(zhí)行該函數(shù)時(shí)，MATLAB隱式多線程已對(duì)其進(jìn)行了加速，無(wú)需修改應(yīng)用程序代碼。當(dāng)計(jì)算加速大于數(shù)據(jù)傳輸?shù)拈_銷時(shí)，GPU對(duì)復(fù)雜函數(shù)更有幫助。GPU計(jì)算時(shí)間幾乎與內(nèi)核復(fù)雜度無(wú)關(guān)

結(jié)論

為了實(shí)現(xiàn)GPU的最大靈活性和易用性，MathWorks提供了不同的編程模式來(lái)更好地滿足開發(fā)人員的偏好。有了MATLAB GPU支持，用戶便可以一種無(wú)縫且不費(fèi)力的方式加速其應(yīng)用程序。此外，GPU支持已集成在Parallel Computing Toolbox中，因此可以對(duì)所有具有并行性的應(yīng)用程序進(jìn)行加速，無(wú)論其位于GPU上還是CPU上，并可最終擴(kuò)展到集群。因此，MATLAB GPU支持只需最少的編程工作，便可將 MATLAB的任務(wù)與數(shù)據(jù)并行化功能擴(kuò)展到更多硬件平臺(tái)。